Quiz du Module 1 : Introduction à MLOps

Testez votre compréhension des fondamentaux de MLOps avec ces 30 questions.

---

Question 1

Que signifie MLOps ?

1. Systèmes de traitement en ligne d'apprentissage automatique
2. Opérations d'apprentissage automatique
3. Processus d'optimisation de l'apprentissage des modèles
4. Opérations d'apprentissage multiples

---

Question 2

Laquelle des options suivantes décrit le mieux l'objectif principal de MLOps ?

1. Remplacer les data scientists par des systèmes automatisés
2. Former des modèles plus rapidement en utilisant plus de GPU
3. Déployer et maintenir des modèles ML en production de manière fiable et efficace
4. Réduire le coût de l'informatique en nuage

---

Question 3

Selon les recherches de l'industrie, environ quel pourcentage des projets ML n'atteignent jamais la production ?

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

---

Question 4

Lequel n'est PAS un principe fondamental de MLOps ?

1. Automatisation
2. Versionnage
3. Déploiement manuel pour un meilleur contrôle
4. Surveillance continue

---

Question 5

Au niveau de maturité MLOps 0, laquelle des affirmations suivantes est généralement vraie ?

1. Des pipelines CI/CD automatisés sont en place
2. Les modèles sont déployés en utilisant Kubernetes
3. Les notebooks Jupyter sont utilisés pour tout, y compris la production
4. Une surveillance complète est mise en œuvre

---

Question 6

Qu'est-ce que la dégradation du modèle ?

1. Lorsque les fichiers de modèle sont corrompus au fil du temps
2. Lorsque la performance du modèle se dégrade en raison de changements dans les motifs de données
3. Lorsque les poids du modèle diminuent pendant l'entraînement
4. Lorsque les serveurs exécutant les modèles deviennent plus lents

---

Question 7

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

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

---

Question 8

Quelle est la principale différence entre DevOps et MLOps ?

1. MLOps n'utilise pas le contrôle de version
2. MLOps doit également versionner les données et les modèles, pas seulement le code
3. DevOps est pour les grandes entreprises, MLOps est pour les startups
4. MLOps n'a pas besoin de CI/CD

---

Question 9

Lequel des outils suivants est un outil DataOps pour la validation de la qualité des données ?

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

---

Question 10

Dans le cycle de vie ML, qu'est-ce qui vient typiquement immédiatement après l'ingénierie des caractéristiques ?

1. Collecte de données
2. Déploiement de modèle
3. Entraînement de modèle
4. Surveillance

---

Question 11

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

1. Un magasin de détail qui vend des logiciels ML
2. Une base de données pour stocker les poids des modèles
3. Un référentiel centralisé pour stocker et servir les caractéristiques pour les modèles ML
4. Un type d'architecture de réseau neuronal

---

Question 12

Quel niveau de maturité MLOps inclut le CI/CD automatisé pour ML ?

1. Niveau 0
2. Niveau 1
3. Niveau 2
4. Niveau 3

---

Question 13

Qu'est-ce que la dérive des données ?

1. Lorsque les données sont stockées à plusieurs endroits
2. Lorsque les propriétés statistiques des données d'entrée changent au fil du temps
3. Lorsque les données se déplacent entre les fournisseurs de nuage
4. Lorsque les prédictions du modèle deviennent plus lentes

---

Question 14

Dans une matrice RACI pour les projets ML, qui est généralement Responsable du déploiement du modèle ?

1. Data Scientist
2. Ingénieur de données
3. Ingénieur MLOps
4. Chef de produit

---

Question 15

Que signifie CI/CD ?

1. Intelligence Continue / Données Continues
2. Intégration Continue / Déploiement Continu (ou Livraison Continue)
3. Intégration de Code / Livraison de Code
4. Intégration Centralisée / Déploiement Centralisé

---

Question 16

Lequel des éléments suivants n'est PAS un déclencheur commun pour le réentraînement du modèle ?

1. Dégradation des performances
2. Détection de dérive des données
3. Nouvelle embauche rejoignant l'équipe de science des données
4. Intervalles de temps programmés

---

Question 17

Qu'est-ce que le suivi des expériences dans MLOps ?

1. Suivi des membres de l'équipe travaillant sur des expériences
2. Enregistrement des paramètres, des métriques et des artefacts des exécutions d'entraînement de modèle
3. Surveillance des tests A/B en production
4. Suivi de l'utilisation des ressources serveur

---

Question 18

Quel outil est couramment utilisé pour le suivi des expériences ?

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

---

Question 19

Qu'est-ce qu'un registre de modèles ?

1. Une base de données gouvernementale de tous les modèles ML
2. Un référentiel centralisé pour stocker, versionner et gérer les modèles ML
3. Un type de couche de réseau neuronal
4. Une liste d'hyperparamètres de modèle

---

Question 20

Dans le contexte de MLOps, qu'est-ce que la "reproductibilité" ?

1. La capacité de copier des modèles d'un serveur à un autre
2. La capacité d'imprimer les prédictions du modèle
3. La capacité de recréer les mêmes résultats de modèle étant donné les mêmes entrées et conditions
4. La capacité d'exécuter plusieurs modèles en parallèle

---

Question 21

Qu'est-ce que le "déploiement canari" dans le contexte des modèles ML ?

1. Déployer des modèles qui détectent les anomalies comme un canari dans une mine de charbon
2. Routage progressif d'un petit pourcentage de trafic vers une nouvelle version de modèle avant le déploiement complet
3. Déployer des modèles uniquement en mode jaune/avertissement
4. Tester des modèles avec des données synthétiques avant le déploiement

---

Question 22

Lequel des outils suivants est un outil d'infrastructure en tant que code ?

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

---

Question 23

Quel est le principal objectif d'un contrat de données entre les équipes DataOps et MLOps ?

1. Protection légale pour l'utilisation des données
2. Définir le schéma attendu, la qualité et les garanties de livraison pour les données
3. Accord de tarification pour le stockage en nuage
4. Conditions d'emploi pour les ingénieurs de données

---

Question 24

Que signifie "mode ombre" dans le déploiement ML ?

1. Exécuter des modèles en thème sombre
2. Exécuter un nouveau modèle parallèlement à la production sans affecter les utilisateurs, pour comparer les sorties
3. Déployer des modèles sans documentation
4. Exécuter des modèles pendant les heures creuses

---

Question 25

Quelle métrique est couramment utilisée pour surveiller la latence du modèle ?

1. AUC-ROC
2. Score F1
3. Latence P99 (temps de réponse au 99e percentile)
4. Précision

---

Question 26

Quel est l'objectif de l'étape de définition du problème dans le cycle de vie ML ?

1. Sélectionner le meilleur algorithme
2. Définir clairement les objectifs commerciaux, les métriques de succès et les contraintes avant de commencer le travail ML
3. Collecter des données d'entraînement
4. Déployer le modèle

---

Question 27

Lequel des éléments suivants ne fait PAS typiquement partie de l'évaluation du modèle ?

1. Vérification de l'AUC-ROC
2. Analyse de la matrice de confusion
3. Négociation de salaire avec les parties prenantes
4. Test sur des données mises de côté

---

Question 28

Qu'est-ce que la "dérive conceptuelle" ?

1. Lorsque le concept de l'algorithme ML devient obsolète
2. Lorsque la relation entre les caractéristiques d'entrée et la variable cible change au fil du temps
3. Lorsque les membres de l'équipe ont des idées différentes sur le projet
4. Lorsque la documentation devient obsolète

---

Question 29

Dans une structure d'équipe MLOps centralisée, quel est un inconvénient potentiel ?

1. Trop de spécialisation
2. L'équipe peut devenir un goulot d'étranglement et ne pas comprendre les besoins spécifiques de l'équipe
3. Normes incohérentes entre les équipes
4. Trop coûteux à exploiter

---

Question 30

Quelle est l'approche recommandée pour la structure de l'équipe dans les organisations MLOps matures ?

1. Seulement des data scientists, pas de rôles MLOps spécialisés
2. Ingénieurs MLOps entièrement intégrés dans chaque équipe produit
3. Modèle hybride avec une équipe de plateforme centrale et des ingénieurs ML dans les équipes produit
4. Sous-traiter tout MLOps à des consultants externes

---

🎉 Quiz Terminé !

Vous avez terminé le quiz du Module 1. Révisez les questions auxquelles vous avez mal répondu et revisitez les sections pertinentes du module.

Interprétation du score :

• 27-30 correctes : Excellent ! Vous avez une solide compréhension des fondamentaux de MLOps.
• 22-26 correctes : Bonne compréhension, révisez les sujets manqués.
• 17-21 correctes : Moyen, il est recommandé de relire le module.
• Moins de 17 : Revoyez l'ensemble du module avant de continuer.

---

Suivant : Module 2 : Contrôle de version pour ML