Professional Machine Learning Engineer — Preguntas de práctica y simulacro de examen

Los métodos de tokenización por sub-palabras como SentencePiece y WordPiece son el estándar en el NLP moderno. TensorFlow Text implementa tres tokenizadores de sub-palabras: BertTokenizer (usa WordPiece, como en BERT), WordpieceTokenizer y SentencepieceTokenizer (usado por T5 y mT5). La tokenización por sub-palabras divide las palabras en unidades con significado (por ejemplo, 'searchability' → 'search ##ability') y maneja con elegancia las palabras fuera del vocabulario, manteniendo tamaños de vocabulario razonables (30K-100K tokens). WordPiece usa un algoritmo voraz de coincidencia más larga primero; SentencePiece es independiente del idioma y procesa texto sin formato, sin pre-tokenización. La tokenización a nivel de palabra falla con las palabras no vistas. La de nivel de carácter genera secuencias excesivamente largas. La basada en reglas no generaliza entre idiomas diversos. Los modelos Gemini y PaLM de Google usan SentencePiece. Consejo para el examen: tokenización moderna de NLP = sub-palabras (SentencePiece/WordPiece/BPE). Ref: www.tensorflow.org/text/guide/subwords_tokenizer

Gemini Enterprise Agent Platform ML Metadata captura los metadatos de las pipelines de ML como un grafo con tres tipos de entidades: artefactos (datasets, modelos, métricas), ejecuciones (pasos de la pipeline) y contextos (corridas de la pipeline), conectados por eventos. Así se obtiene un grafo de linaje consultable que responde preguntas como: '¿Qué dataset se usó para entrenar este modelo?' y '¿Qué hiperparámetros produjeron el modelo más preciso?' ML Metadata está siempre activo: registra automáticamente todos los artefactos de entrada y salida de cada corrida de la pipeline. Experiments on Agent Platform rastrea parámetros y métricas para comparar experimentos, pero no ofrece linaje completo a nivel de pipeline. Cloud Audit Logs registra llamadas a la API con fines de seguridad, no las relaciones entre artefactos de ML. Model Registry gestiona versiones de modelos, pero no rastrea hacia atrás hasta los datasets. Consejo para el examen: 'linaje' o 'procedencia' en pipelines de ML → Gemini Enterprise Agent Platform ML Metadata. Ref: docs.cloud.google.com/vertex-ai/docs/ml-metadata/introduction

El sesgo entre entrenamiento y serving a nivel de features suele darse cuando las pipelines de cálculo por lotes y en streaming usan código distinto. Feature Store almacena y sirve fielmente los valores que se escriben en él: si la pipeline por lotes calcula una feature con cierta agregación o normalización y la de streaming usa otra implementación, el modelo recibe en el serving valores de features distintos de los del entrenamiento. La documentación de Google lo señala: 'Sin un featurestore, podrías tener rutas de código distintas para generar features entre el entrenamiento y el serving.' La solución es compartir la lógica de cálculo, idealmente con Apache Beam, que admite tanto el modo por lotes como el de streaming. Feature Store no restringe la ingesta mixta y su capa de serving funciona correctamente. El sobreajuste es un problema del modelo, no de la pipeline de features. Consejo para el examen: valores de features distintos en línea y en entrenamiento → revisa que la lógica de cálculo sea la misma. Ref: docs.cloud.google.com/vertex-ai/docs/featurestore/overview

BigQuery ML te permite construir modelos con SQL directamente donde residen los datos. Para clasificación tabular como la predicción de pérdida de clientes, BOOSTED_TREE_CLASSIFIER (impulsado por XGBoost) es eficaz y requiere muy poco código: una sola sentencia CREATE MODEL. Los datos nunca salen de BigQuery, lo que elimina la complejidad de las pipelines. BigQuery ML admite regresión lineal y logística, k-means, ARIMA_PLUS, árboles potenciados, DNN y factorización de matrices. Exportar a Cloud Storage para entrenar un TensorFlow personalizado agrega una carga de infraestructura innecesaria. AutoML Tables exige exportar los datos. Los modelos preentrenados de Model Garden apuntan a datos no estructurados (texto, imágenes), no a datos tabulares estructurados. Consejo para el examen: datos estructurados/tabulares que ya están en BigQuery + poco código → BigQuery ML. Ref: docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-boosted-tree