Quiz do Módulo 1: Introdução ao MLOps

Teste seu entendimento dos fundamentos de MLOps com estas 30 perguntas.

---

Pergunta 1

O que significa MLOps?

1. Sistemas de Processamento Online de Machine Learning
2. Machine Learning Operations
3. Processos de Otimização de Aprendizado de Modelos
4. Múltiplas Operações de Aprendizado

---

Pergunta 2

Qual das opções abaixo melhor descreve o objetivo principal do MLOps?

1. Substituir cientistas de dados por sistemas automatizados
2. Treinar modelos mais rápido usando mais GPUs
3. Implantar e manter modelos de ML em produção de forma confiável e eficiente
4. Reduzir o custo de computação em nuvem

---

Pergunta 3

De acordo com pesquisas do setor, aproximadamente qual porcentagem dos projetos de ML nunca chega à produção?

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

---

Pergunta 4

Qual NÃO é um princípio central do MLOps?

1. Automação
2. Versionamento
3. Implantação manual para maior controle
4. Monitoramento contínuo

---

Pergunta 5

No Nível de Maturidade 0 do MLOps, qual das opções abaixo normalmente é verdadeira?

1. Pipelines automatizados de CI/CD estão implementados
2. Modelos são implantados usando Kubernetes
3. Jupyter notebooks são usados para tudo, inclusive produção
4. Monitoramento abrangente está implementado

---

Pergunta 6

O que é degradação de modelo (model decay)?

1. Quando arquivos de modelo são corrompidos com o tempo
2. Quando o desempenho do modelo piora devido a mudanças nos padrões dos dados
3. Quando os pesos do modelo diminuem durante o treinamento
4. Quando os servidores que executam os modelos ficam mais lentos

---

Pergunta 7

Qual ferramenta é comumente usada para controle de versão de dados em projetos de ML?

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

---

Pergunta 8

Qual é a principal diferença entre DevOps e MLOps?

1. MLOps não usa controle de versão
2. MLOps também precisa versionar dados e modelos, não apenas código
3. DevOps é para grandes empresas, MLOps é para startups
4. MLOps não precisa de CI/CD

---

Pergunta 9

Qual das opções abaixo é uma ferramenta de DataOps para validação de qualidade de dados?

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

---

Pergunta 10

No ciclo de vida de ML, o que normalmente vem imediatamente após a engenharia de atributos (feature engineering)?

1. Coleta de dados
2. Implantação do modelo
3. Treinamento do modelo
4. Monitoramento

---

Pergunta 11

O que é um feature store?

1. Uma loja de varejo que vende softwares de ML
2. Um banco de dados para armazenar pesos de modelos
3. Um repositório centralizado para armazenar e servir atributos para modelos de ML
4. Um tipo de arquitetura de rede neural

---

Pergunta 12

Qual nível de maturidade do MLOps inclui CI/CD automatizado para ML?

1. Nível 0
2. Nível 1
3. Nível 2
4. Nível 3

---

Pergunta 13

O que é data drift?

1. Quando os dados são armazenados em vários locais
2. Quando as propriedades estatísticas dos dados de entrada mudam ao longo do tempo
3. Quando os dados mudam de provedores de nuvem
4. Quando as previsões do modelo ficam mais lentas

---

Pergunta 14

Em uma matriz RACI para projetos de ML, quem normalmente é o Responsável pela implantação do modelo?

1. Cientista de Dados
2. Engenheiro de Dados
3. Engenheiro de MLOps
4. Gerente de Produto

---

Pergunta 15

O que significa CI/CD?

1. Inteligência Contínua / Dados Contínuos
2. Continuous Integration / Continuous Deployment (ou Delivery)
3. Integração de Código / Entrega de Código
4. Integração Centralizada / Implantação Centralizada

---

Pergunta 16

Qual das opções abaixo NÃO é um gatilho comum para re-treinamento de modelos?

1. Degradação de desempenho
2. Detecção de data drift
3. Nova contratação na equipe de ciência de dados
4. Intervalos de tempo programados

---

Pergunta 17

O que é experiment tracking em MLOps?

1. Rastrear quais membros da equipe estão trabalhando em experimentos
2. Registrar parâmetros, métricas e artefatos das execuções de treinamento de modelos
3. Monitorar testes A/B em produção
4. Rastrear uso de recursos dos servidores

---

Pergunta 18

Qual ferramenta é comumente usada para experiment tracking?

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

---

Pergunta 19

O que é um model registry?

1. Um banco de dados governamental de todos os modelos de ML
2. Um repositório centralizado para armazenar, versionar e gerenciar modelos de ML
3. Um tipo de camada de rede neural
4. Uma lista de hiperparâmetros do modelo

---

Pergunta 20

No contexto de MLOps, o que é "reprodutibilidade"?

1. A capacidade de copiar modelos de um servidor para outro
2. A capacidade de imprimir previsões do modelo
3. A capacidade de recriar os mesmos resultados do modelo dados os mesmos inputs e condições
4. A capacidade de executar múltiplos modelos em paralelo

---

Pergunta 21

O que é "canary deployment" no contexto de modelos de ML?

1. Implantar modelos que detectam anomalias como um canário em uma mina de carvão
2. Direcionar gradualmente uma pequena porcentagem do tráfego para uma nova versão do modelo antes do rollout completo
3. Implantar modelos apenas em modo amarelo/alerta
4. Testar modelos com dados sintéticos antes da implantação

---

Pergunta 22

Qual das opções abaixo é uma ferramenta de infraestrutura como código (infrastructure-as-code)?

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

---

Pergunta 23

Qual é o principal objetivo de um contrato de dados (data contract) entre as equipes de DataOps e MLOps?

1. Proteção legal para uso de dados
2. Definir o schema esperado, qualidade e garantias de entrega dos dados
3. Acordo de preços para armazenamento em nuvem
4. Termos de emprego para engenheiros de dados

---

Pergunta 24

O que significa "shadow mode" na implantação de ML?

1. Executar modelos no modo escuro
2. Executar um novo modelo junto com o de produção sem impactar os usuários, para comparar os resultados
3. Implantar modelos sem documentação
4. Executar modelos durante horários de menor uso

---

Pergunta 25

Qual métrica é comumente usada para monitorar a latência do modelo?

1. AUC-ROC
2. F1 Score
3. Latência P99 (tempo de resposta do percentil 99)
4. Acurácia

---

Pergunta 26

Qual é o objetivo da etapa de definição do problema no ciclo de vida de ML?

1. Selecionar o melhor algoritmo
2. Definir claramente os objetivos de negócio, métricas de sucesso e restrições antes de iniciar o trabalho de ML
3. Coletar dados de treinamento
4. Implantar o modelo

---

Pergunta 27

Qual das opções abaixo NÃO faz parte normalmente da avaliação de modelos?

1. Verificar AUC-ROC
2. Analisar a matriz de confusão
3. Negociar salário com stakeholders
4. Testar em dados separados (held-out)

---

Pergunta 28

O que é "concept drift"?

1. Quando o conceito do algoritmo de ML fica desatualizado
2. Quando a relação entre os atributos de entrada e a variável alvo muda ao longo do tempo
3. Quando membros da equipe têm ideias diferentes sobre o projeto
4. Quando a documentação fica desatualizada

---

Pergunta 29

Em uma estrutura de equipe de MLOps centralizada, qual é uma possível desvantagem?

1. Especialização excessiva
2. A equipe pode se tornar um gargalo e não entender as necessidades específicas de cada time
3. Padrões inconsistentes entre equipes
4. Custo operacional muito alto

---

Pergunta 30

Qual é a abordagem recomendada para estrutura de equipe em organizações maduras em MLOps?

1. Apenas cientistas de dados, sem papéis especializados em MLOps
2. Engenheiros de MLOps totalmente alocados em cada equipe de produto
3. Modelo híbrido com equipe central de plataforma e engenheiros de ML nas equipes de produto
4. Terceirizar todo o MLOps para consultores externos

---

🎉 Quiz Concluído!

Você concluiu o quiz do Módulo 1. Revise as questões que errou e retorne às seções relevantes do módulo.

Interpretação da Pontuação:

• 27-30 corretas: Excelente! Você tem um forte domínio dos fundamentos de MLOps.
• 22-26 corretas: Bom entendimento, revise os tópicos que errou.
• 17-21 corretas: Razoável, recomenda-se reler o módulo.
• Abaixo de 17: Revise todo o módulo antes de prosseguir.

---

Próximo: Módulo 2: Controle de Versão para ML