APRENDER. PRATICAR. EVOLUIR.Conceito e mecanismo
Um projeto de machine learning começa por uma decisão de negócio, uma população e um momento de previsão. Num exercício de antecipação de atrasos de batch, define quais dados existem antes de começar o processamento e o que conta como atraso. Regista código, versões de bibliotecas, configuração, período dos dados e forma de separar treino e avaliação. O runtime fornece ferramentas, mas não define esse contrato. O guia do exame mantém referências a Hyperopt e AutoML; a documentação atual informa que Hyperopt deixou de estar incluído depois de 16.4 LTS ML e que AutoML não vem integrado em Runtime 18.0 ML e posteriores. Distingue preparação para o exame de compatibilidade de uma implementação nova.
Aplicação guiada
AutoML ajuda a explorar alternativas e produz notebooks de trials que podem ser inspecionados e adaptados. Uma classificação elevada não dispensa rever colunas, transformações, divisão dos dados e métrica escolhida. Se uma coluna é preenchida apenas após resolver o incidente, usá-la para prever o incidente introduz informação do futuro. Remove essa dependência e repete a avaliação de forma válida. Num handover, entrega um procedimento reproduzível, limites conhecidos e critérios de aceitação. APS precisa de saber o que executar e como reconhecer uma previsão inválida, não apenas onde está o melhor notebook. Relaciona esta aula com features temporais, tracking e validação.
Uma versão de biblioteca diferente pode alterar o comportamento de uma pipeline aparentemente igual.
Armadilhas comuns
Métrica elevada sem contrato; runtime atual presumido compatível com exemplos antigos.
Tópicos relacionados: Features temporais e consistência · MLflow, registo e promoção · Dados, preparação e validação
Reproduz a experiência e verifica que a informação existia no momento da decisão.
Referência: AutoML trial notebooks and runtime support · 2025-03-01