Quiz del Módulo 1: Introducción a MLOps

Evalúe su comprensión de los fundamentos de MLOps con estas 30 preguntas.

---

Pregunta 1

¿Qué significa MLOps?

1. Sistemas de Procesamiento en Línea de Aprendizaje Automático
2. Operaciones de Aprendizaje Automático
3. Procesos de Optimización de Aprendizaje de Modelos
4. Múltiples Operaciones de Aprendizaje

---

Pregunta 2

¿Cuál de las siguientes opciones describe mejor el objetivo principal de MLOps?

1. Reemplazar a los científicos de datos con sistemas automatizados
2. Entrenar modelos más rápido usando más GPUs
3. Desplegar y mantener modelos de ML en producción de manera confiable y eficiente
4. Reducir el costo de la computación en la nube

---

Pregunta 3

Según investigaciones de la industria, ¿aproximadamente qué porcentaje de los proyectos de ML nunca llegan a producción?

1. 50%
2. 65%
3. 87%
4. 95%

---

Pregunta 4

¿Cuál NO es un principio fundamental de MLOps?

1. Automatización
2. Control de versiones
3. Despliegue manual para mayor control
4. Monitoreo continuo

---

Pregunta 5

En el Nivel de Madurez 0 de MLOps, ¿cuál de las siguientes afirmaciones suele ser cierta?

1. Existen pipelines automatizados de CI/CD
2. Los modelos se despliegan usando Kubernetes
3. Se utilizan notebooks de Jupyter para todo, incluida la producción
4. Se implementa un monitoreo integral

---

Pregunta 6

¿Qué es el deterioro del modelo?

1. Cuando los archivos del modelo se corrompen con el tiempo
2. Cuando el rendimiento del modelo se degrada debido a cambios en los patrones de datos
3. Cuando los pesos del modelo disminuyen durante el entrenamiento
4. Cuando los servidores que ejecutan los modelos se vuelven más lentos

---

Pregunta 7

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

1. Jenkins
2. Prometheus
3. DVC (Data Version Control)
4. Docker

---

Pregunta 8

¿Cuál es la principal diferencia entre DevOps y MLOps?

1. MLOps no utiliza control de versiones
2. MLOps también debe versionar datos y modelos, no solo código
3. DevOps es para grandes empresas, MLOps es para startups
4. MLOps no necesita CI/CD

---

Pregunta 9

¿Cuál de las siguientes es una herramienta de DataOps para validación de calidad de datos?

1. MLflow
2. Great Expectations
3. Kubernetes
4. TensorFlow

---

Pregunta 10

En el ciclo de vida de ML, ¿qué suele venir inmediatamente después de la ingeniería de características?

1. Recolección de datos
2. Despliegue del modelo
3. Entrenamiento del modelo
4. Monitoreo

---

Pregunta 11

¿Qué es un feature store?

1. Una tienda minorista que vende software de ML
2. Una base de datos para almacenar pesos de modelos
3. Un repositorio centralizado para almacenar y servir características para modelos de ML
4. Un tipo de arquitectura de red neuronal

---

Pregunta 12

¿Qué nivel de madurez de MLOps incluye CI/CD automatizado para ML?

1. Nivel 0
2. Nivel 1
3. Nivel 2
4. Nivel 3

---

Pregunta 13

¿Qué es el data drift?

1. Cuando los datos se almacenan en múltiples ubicaciones
2. Cuando las propiedades estadísticas de los datos de entrada cambian con el tiempo
3. Cuando los datos se mueven entre proveedores de nube
4. Cuando las predicciones del modelo se vuelven más lentas

---

Pregunta 14

En una matriz RACI para proyectos de ML, ¿quién suele ser el Responsable del despliegue del modelo?

1. Científico de Datos
2. Ingeniero de Datos
3. Ingeniero de MLOps
4. Gerente de Producto

---

Pregunta 15

¿Qué significa CI/CD?

1. Inteligencia Continua / Datos Continuos
2. Integración Continua / Despliegue (o Entrega) Continua
3. Integración de Código / Entrega de Código
4. Integración Centralizada / Despliegue Centralizado

---

Pregunta 16

¿Cuál de las siguientes NO es una causa común para el reentrenamiento de modelos?

1. Degradación del rendimiento
2. Detección de data drift
3. La incorporación de un nuevo miembro al equipo de ciencia de datos
4. Intervalos de tiempo programados

---

Pregunta 17

¿Qué es el seguimiento de experimentos en MLOps?

1. Rastrear qué miembros del equipo trabajan en experimentos
2. Registrar parámetros, métricas y artefactos de las ejecuciones de entrenamiento de modelos
3. Monitorear pruebas A/B en producción
4. Rastrear el uso de recursos del servidor

---

Pregunta 18

¿Qué herramienta se utiliza comúnmente para el seguimiento de experimentos?

1. Terraform
2. Apache Kafka
3. MLflow
4. Redis

---

Pregunta 19

¿Qué es un registro de modelos?

1. Una base de datos gubernamental de todos los modelos de ML
2. Un repositorio centralizado para almacenar, versionar y gestionar modelos de ML
3. Un tipo de capa de red neuronal
4. Una lista de hiperparámetros del modelo

---

Pregunta 20

En el contexto de MLOps, ¿qué es la "reproducibilidad"?

1. La capacidad de copiar modelos de un servidor a otro
2. La capacidad de imprimir las predicciones del modelo
3. La capacidad de recrear los mismos resultados del modelo dados los mismos insumos y condiciones
4. La capacidad de ejecutar múltiples modelos en paralelo

---

Pregunta 21

¿Qué es el "canary deployment" en el contexto de modelos de ML?

1. Desplegar modelos que detectan anomalías como un canario en una mina
2. Redirigir gradualmente un pequeño porcentaje del tráfico a una nueva versión del modelo antes del despliegue total
3. Desplegar modelos solo en modo amarillo/advertencia
4. Probar modelos con datos sintéticos antes del despliegue

---

Pregunta 22

¿Cuál de las siguientes es una herramienta de infraestructura como código?

1. Pandas
2. Scikit-learn
3. Terraform
4. NumPy

---

Pregunta 23

¿Cuál es el propósito principal de un contrato de datos entre los equipos de DataOps y MLOps?

1. Protección legal para el uso de datos
2. Definir el esquema esperado, la calidad y las garantías de entrega de los datos
3. Acuerdo de precios para almacenamiento en la nube
4. Términos de empleo para ingenieros de datos

---

Pregunta 24

¿Qué significa "shadow mode" en el despliegue de ML?

1. Ejecutar modelos en modo oscuro
2. Ejecutar un nuevo modelo junto al de producción sin afectar a los usuarios, para comparar resultados
3. Desplegar modelos sin documentación
4. Ejecutar modelos durante horas de baja demanda

---

Pregunta 25

¿Qué métrica se utiliza comúnmente para monitorear la latencia del modelo?

1. AUC-ROC
2. Puntaje F1
3. Latencia P99 (tiempo de respuesta percentil 99)
4. Precisión

---

Pregunta 26

¿Cuál es el propósito de la etapa de definición del problema en el ciclo de vida de ML?

1. Seleccionar el mejor algoritmo
2. Definir claramente los objetivos de negocio, métricas de éxito y restricciones antes de iniciar el trabajo de ML
3. Recolectar datos de entrenamiento
4. Desplegar el modelo

---

Pregunta 27

¿Cuál de las siguientes NO suele formar parte de la evaluación del modelo?

1. Verificar AUC-ROC
2. Analizar la matriz de confusión
3. Negociar el salario con las partes interesadas
4. Probar con datos reservados

---

Pregunta 28

¿Qué es el "concept drift"?

1. Cuando el concepto del algoritmo de ML queda obsoleto
2. Cuando la relación entre las características de entrada y la variable objetivo cambia con el tiempo
3. Cuando los miembros del equipo tienen ideas diferentes sobre el proyecto
4. Cuando la documentación queda obsoleta

---

Pregunta 29

En una estructura de equipo de MLOps centralizada, ¿cuál es una posible desventaja?

1. Demasiada especialización
2. El equipo puede convertirse en un cuello de botella y no comprender las necesidades específicas de cada equipo
3. Estándares inconsistentes entre equipos
4. Demasiado costoso de operar

---

Pregunta 30

¿Cuál es el enfoque recomendado para la estructura de equipos en organizaciones maduras de MLOps?

1. Solo científicos de datos, sin roles especializados de MLOps
2. Ingenieros de MLOps totalmente integrados en cada equipo de producto
3. Modelo híbrido con un equipo central de plataforma y ML engineers en equipos de producto
4. Externalizar todo MLOps a consultores externos

---

🎉 ¡Quiz completado!

Ha completado el quiz del Módulo 1. Revise cualquier pregunta incorrecta y vuelva a consultar las secciones relevantes del módulo.

Interpretación de puntaje:

• 27-30 correctas: ¡Excelente! Tiene un dominio sólido de los fundamentos de MLOps.
• 22-26 correctas: Buen entendimiento, revise los temas no acertados.
• 17-21 correctas: Regular, se recomienda releer el módulo.
• Menos de 17: Revise todo el módulo antes de continuar.

---

Siguiente: Módulo 2: Control de versiones para ML