Examen final : MLOps et LLMOps complet

Cet examen final complet couvre les 14 modules. Vous avez 50 questions pour tester votre maîtrise des concepts de MLOps et LLMOps.

Temps recommandé : 90 minutes
Note de passage : 80 % (40/50)

---

Partie 1 : Fondations MLOps (Questions 1-25)

Question 1

Quel est l'objectif principal de MLOps ?

1. Former des modèles plus rapidement
2. Déployer et maintenir des modèles ML en production de manière fiable
3. Réduire la taille du modèle
4. Collecter plus de données

---

Question 2

Quel outil est utilisé pour le contrôle de version des données dans les projets ML ?

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

---

Question 3

Que comprend généralement le suivi des expériences ?

1. Seulement les poids du modèle
2. Seulement les données d'entraînement
3. Paramètres, métriques, artefacts et versions du code
4. Seulement les configurations de déploiement

---

Question 4

Qu'est-ce qu'un magasin de caractéristiques ?

1. Un magasin de détail pour les produits ML
2. Un référentiel centralisé pour les caractéristiques ML
3. Un registre de modèles
4. Une base de données pour les données brutes

---

Question 5

Qu'est-ce que la dérive des données ?

1. Données se déplaçant entre les bases de données
2. Changements dans les propriétés statistiques des données d'entrée au fil du temps
3. Données supprimées
4. Changements de format de données

---

Question 6

Quel n'est PAS un cadre commun de service de modèle ?

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

---

Question 7

À quoi sert principalement Kubeflow ?

1. Développement web
2. Flux de travail ML sur Kubernetes
3. Gestion de bases de données
4. Surveillance réseau

---

Question 8

Qu'est-ce qui déclenche le réentraînement d'un modèle ?

1. Seulement les demandes manuelles
2. Seulement les intervalles planifiés
3. Dégradation des performances, dérive, calendrier ou nouvelles données
4. Chaque validation de code

---

Question 9

Qu'est-ce que la latence P99 ?

1. Temps de réponse moyen
2. Temps de réponse que 99 % des requêtes sont plus rapides que
3. Temps de réponse maximum
4. Temps de réponse minimum

---

Question 10

Quel est le but d'une carte de modèle ?

1. Identification physique pour les modèles
2. Documentation du but, des performances et des limitations du modèle
3. Carte de crédit pour la facturation infonuagique
4. Contrôle d'accès

---

Questions 11-25

(Questions MLOps supplémentaires couvrant le versionnage, les pipelines, CI/CD, la surveillance, l'entraînement distribué, la conteneurisation et les meilleures pratiques)

---

Partie 2 : Spécialisation LLMOps (Questions 26-50)

Question 26

Qu'est-ce qui rend LLMOps différent de MLOps traditionnel ?

1. LLMOps est plus simple
2. Coûts basés sur les tokens, gestion des prompts et évaluation des sorties textuelles
3. LLMOps n'a pas besoin de surveillance
4. LLMOps fonctionne uniquement sur site

---

Question 27

Qu'est-ce que l'hallucination dans les LLM ?

1. Crashs de modèle
2. Génération d'informations plausibles mais incorrectes
3. Temps de réponse lents
4. Erreurs de mémoire

---

Question 28

Qu'est-ce que le PagedAttention de vLLM ?

1. Un format de documentation
2. Technique de gestion de la mémoire pour un cache KV efficace
3. Une API de pagination
4. Un nouveau mécanisme d'attention

---

Question 29

À quoi sert la quantification ?

1. Augmenter la précision du modèle
2. Réduire l'empreinte mémoire du modèle et augmenter la vitesse
3. Ajouter plus de paramètres
4. Prétraitement des données

---

Question 30

Qu'est-ce que le red teaming dans la sécurité des LLM ?

1. Une stratégie de déploiement
2. Tester pour trouver des vulnérabilités et des sorties nuisibles
3. Codage couleur des sorties
4. Organisation d'équipe

---

Question 31

Que permet d'évaluer RAGAS ?

1. Vitesse d'entraînement
2. Qualité du pipeline RAG (fidélité, pertinence)
3. Performance matérielle
4. Efficacité des coûts

---

Question 32

Pourquoi versionner les prompts ?

1. Pour les rendre plus longs
2. Pour la reproductibilité, les tests et la capacité de retour en arrière
3. Pour réduire les tokens
4. Pour accélérer l'inférence

---

Question 33

Quel est le but du cache sémantique pour les LLM ?

1. Stocker les poids du modèle
2. Mettre en cache des requêtes similaires pour éviter des appels API redondants
3. Améliorer la qualité du modèle
4. Crypter les réponses

---

Question 34

Qu'est-ce qu'un routeur de modèle dans LLMOps ?

1. Matériel réseau
2. Système qui dirige les requêtes vers les modèles appropriés
3. Optimiseur d'entraînement
4. Pipeline de données

---

Question 35

Pourquoi la détection de PII est-elle importante dans les applications LLM ?

1. Pour améliorer la précision
2. Pour protéger les données sensibles et assurer la conformité
3. Pour réduire la latence
4. Pour économiser des coûts

---

Questions 36-50

(Questions LLMOps supplémentaires couvrant le déploiement, l'évaluation, la sécurité, l'optimisation des prompts, les fonctionnalités d'entreprise et les meilleures pratiques)

---

🎓 Examen terminé !

Félicitations pour avoir terminé l'examen final du cours MLOps et LLMOps complet !

Interprétation des scores :

• 45-50 correctes (90-100%) : Excellent ! Vous avez maîtrisé MLOps et LLMOps.
• 40-44 correctes (80-89%) : Très bon travail ! Bonne compréhension du matériel.
• 35-39 correctes (70-79%) : Bon, mais révisez les zones faibles avant la certification.
• Moins de 35 (< 70%) : Recommandé de revoir les modules et de repasser l'examen.

---

📜 Certificat

En obtenant un score de passage de 80 % ou plus, vous êtes éligible pour la certification MLOps et LLMOps complet.

Contactez votre instructeur pour recevoir votre certificat.

---

Merci d'avoir complété ce cours !

Nous espérons que vous avez acquis des connaissances précieuses pour construire des systèmes ML de niveau production. Bonne chance dans votre parcours MLOps et LLMOps ! 🚀