اختبار MLflow وتتبع دورة حياة النموذج

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. ما هي المشكلة الأساسية التي يحلها تتبع MLflow لعلماء البيانات؟
   • تصنيف بيانات التدريب الأولية تلقائيًا
   • تشفير أوزان النماذج في حالة السكون
   • الاحتفاظ بسجل قابل للمقارنة من المعلمات والمقاييس والعناصر عبر العديد من التجارب
   • استبدال الحاجة إلى مجموعة Kubernetes
2. Which MLflow component stores registered model versions and their tags or aliases?
   • السجل النموذجي
   • The learning-rate scheduler
   • The training-data labeler
   • The Kubernetes pod scheduler
3. ماذا يعني أن MLflow "محايد للإطار"؟
   • إنه يعمل فقط مع TensorFlow
   • يتطلب إعادة كتابة النماذج بلغة مخصصة
   • يعمل فقط على Databricks
   • وهو يعمل عبر العديد من مكتبات ML مثل scikit-learn وPyTorch وXGBoost
4. ما هو الغرض من تنسيق نموذج MLflow؟
   • لضغط بيانات التدريب
   • لتغليف نموذج مُدرب بنكهة الإطار والبيانات الوصفية الخاصة به بحيث يمكن نشره بعدة طرق
   • جدولة وظائف إعادة التدريب
   • تصور طبقات الشبكة العصبية
5. ما هي الشركة التي أنشأت MLflow؟
   • طوب البيانات
   • Google
   • نيتفليكس
   • Amazon
6. كيف يتم توسيع MLflow لدعم تطبيقات الذكاء الاصطناعي التوليدية؟
   • من خلال إسقاط الدعم لنماذج ML الكلاسيكية
   • من خلال أن تصبح منتجًا مغلق المصدر
   • وذلك باستبدال كافة الأطر التدريبية
   • من خلال إضافة التتبع والإدارة السريعة والتقييم لتطبيقات LLM
7. A deployment resolves an MLflow model through a champion alias. What can reassignment of that alias change?
   • The recorded metrics inside every old experiment
   • The registered model version that the named reference resolves to
   • The model framework of all stored artifacts
   • The training labels in a historical dataset
8. Two MLflow runs use different learning rates. What record helps compare their validation results?
   • Only the wall color of the training room
   • A registry alias without any run information
   • Each run’s logged parameters and validation metrics
   • A notebook filename without the experiment outputs