Examen Final: MLOps y LLMOps Completo

Este examen final integral cubre los 14 módulos. Tiene 50 preguntas para poner a prueba su dominio de los conceptos de MLOps y LLMOps.

Tiempo recomendado: 90 minutos
Puntaje de aprobación: 80% (40/50)

---

Parte 1: Fundamentos de MLOps (Preguntas 1-25)

Pregunta 1

¿Cuál es el objetivo principal de MLOps?

1. Entrenar modelos más rápido
2. Desplegar y mantener modelos de ML en producción de manera confiable
3. Reducir el tamaño del modelo
4. Recolectar más datos

---

Pregunta 2

¿Qué herramienta se utiliza para el control de versiones de datos en proyectos de ML?

1. Solo Git
2. DVC (Data Version Control)
3. Docker
4. Kubernetes

---

Pregunta 3

¿Qué suele incluir el seguimiento de experimentos?

1. Solo pesos del modelo
2. Solo datos de entrenamiento
3. Parámetros, métricas, artefactos y versiones de código
4. Solo configuraciones de despliegue

---

Pregunta 4

¿Qué es un feature store?

1. Una tienda minorista de productos de ML
2. Un repositorio centralizado para características de ML
3. Un registro de modelos
4. Una base de datos para datos en crudo

---

Pregunta 5

¿Qué es el data drift?

1. Datos moviéndose entre bases de datos
2. Cambios en las propiedades estadísticas de los datos de entrada a lo largo del tiempo
3. Eliminación de datos
4. Cambios en el formato de los datos

---

Pregunta 6

¿Cuál NO es un framework común para servir modelos?

1. TorchServe
2. TensorFlow Serving
3. Jupyter Notebooks
4. Triton Inference Server

---

Pregunta 7

¿Para qué se utiliza principalmente Kubeflow?

1. Desarrollo web
2. Workflows de ML en Kubernetes
3. Gestión de bases de datos
4. Monitoreo de red

---

Pregunta 8

¿Qué desencadena el reentrenamiento de un modelo?

1. Solo solicitudes manuales
2. Solo intervalos programados
3. Degradación del rendimiento, drift, programación o nuevos datos
4. Cada commit de código

---

Pregunta 9

¿Qué es la latencia P99?

1. Tiempo de respuesta promedio
2. Tiempo de respuesta que el 99% de las solicitudes son más rápidas que
3. Tiempo de respuesta máximo
4. Tiempo de respuesta mínimo

---

Pregunta 10

¿Cuál es el propósito de una model card?

1. Identificación física para modelos
2. Documentación del propósito, rendimiento y limitaciones del modelo
3. Tarjeta de crédito para facturación en la nube
4. Control de acceso

---

Preguntas 11-25

(Preguntas adicionales de MLOps sobre versionado, pipelines, CI/CD, monitoreo, entrenamiento distribuido, contenerización y buenas prácticas)

---

Parte 2: Especialización en LLMOps (Preguntas 26-50)

Pregunta 26

¿Qué hace diferente a LLMOps de MLOps tradicional?

1. LLMOps es más simple
2. Costos basados en tokens, gestión de prompts y evaluación de salidas de texto
3. LLMOps no necesita monitoreo
4. LLMOps solo funciona on-premises

---

Pregunta 27

¿Qué es la alucinación en los LLM?

1. Caídas del modelo
2. Generar información plausible pero incorrecta
3. Tiempos de respuesta lentos
4. Errores de memoria

---

Pregunta 28

¿Qué es PagedAttention de vLLM?

1. Un formato de documentación
2. Técnica de gestión de memoria para un KV cache eficiente
3. Una API de paginación
4. Un nuevo mecanismo de atención

---

Pregunta 29

¿Para qué se utiliza la cuantización?

1. Aumentar la precisión del modelo
2. Reducir el uso de memoria del modelo y aumentar la velocidad
3. Agregar más parámetros
4. Preprocesamiento de datos

---

Pregunta 30

¿Qué es red teaming en la seguridad de LLM?

1. Una estrategia de despliegue
2. Pruebas para encontrar vulnerabilidades y salidas dañinas
3. Codificación por colores de salidas
4. Organización del equipo

---

Pregunta 31

¿Qué evalúa RAGAS?

1. Velocidad de entrenamiento
2. Calidad del pipeline RAG (fidelidad, relevancia)
3. Rendimiento de hardware
4. Eficiencia de costos

---

Pregunta 32

¿Por qué versionar los prompts?

1. Para hacerlos más largos
2. Para reproducibilidad, pruebas y capacidad de rollback
3. Para reducir tokens
4. Para acelerar la inferencia

---

Pregunta 33

¿Cuál es el propósito del caching semántico para LLMs?

1. Almacenar pesos del modelo
2. Cachear consultas similares para evitar llamadas redundantes a la API
3. Mejorar la calidad del modelo
4. Encriptar respuestas

---

Pregunta 34

¿Qué es un model router en LLMOps?

1. Hardware de red
2. Sistema que dirige solicitudes a los modelos apropiados
3. Optimizador de entrenamiento
4. Pipeline de datos

---

Pregunta 35

¿Por qué es importante la detección de PII en aplicaciones LLM?

1. Para mejorar la precisión
2. Para proteger datos sensibles y garantizar el cumplimiento
3. Para reducir la latencia
4. Para ahorrar costos

---

Preguntas 36-50

(Preguntas adicionales de LLMOps sobre despliegue, evaluación, seguridad, optimización de prompts, características empresariales y buenas prácticas)

---

🎓 ¡Examen completado!

¡Felicidades por completar el examen final del curso MLOps y LLMOps Completo!

Interpretación del puntaje:

• 45-50 correctas (90-100%): ¡Excelente! Usted ha dominado MLOps y LLMOps.
• 40-44 correctas (80-89%): ¡Muy bien! Sólido entendimiento del material.
• 35-39 correctas (70-79%): Bien, pero revise las áreas débiles antes de certificarse.
• Menos de 35 (< 70%): Se recomienda repasar los módulos y volver a presentar el examen.

---

📜 Certificado

Al lograr un puntaje de aprobación del 80% o superior, usted es elegible para la certificación MLOps y LLMOps Completo.

Contacte a su instructor para recibir su certificado.

---

¡Gracias por completar este curso!

Esperamos que haya adquirido conocimientos valiosos para construir sistemas de ML de nivel producción. ¡Le deseamos mucho éxito en su camino en MLOps y LLMOps! 🚀