Тест, свързан с ръководство · Среден Ниво

CI/CD за тест за машинно обучение

Проверете как тръбопроводите за доставка на ML валидират данни, обучават и оценяват модели, прилагат промоционални пропуски и съгласуват състоянието на внедряване.

Свързани ръководни пътекиCi CD за машинно обучение
Въпрос 1 на 8

Какво добавя CI/CD за машинно обучение отвъд традиционния софтуер CI/CD?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво добавя CI/CD за машинно обучение отвъд традиционния софтуер CI/CD?
    • Автоматизацията на данните и проблемите на модела, не само на кода
    • Нищо — идентичен е със софтуера CI/CD
    • Само по-бърза компилация
    • Нов език за програмиране
  2. Какво обикновено означава „CT“ в контекста на ML pipeline?
    • Трансфер на код
    • Непрекъснато обучение
    • Тестване на контейнери
    • Централна телеметрия
  3. What is a common evaluation gate before promoting a candidate ML model?
    • Promote it whenever training completes
    • Compare only model file sizes
    • Compare it with the production baseline on agreed metrics and promote only if policy thresholds pass
    • Skip evaluation if the code tests pass
  4. Кой от тях е инструмент, който обикновено се използва за организиране на ML тръбопроводи?
    • Microsoft Дума
    • VLC Media Player
    • WinRAR
    • Тръбопроводи Kubeflow
  5. Защо конвейерът на ML може да включва стъпка за валидиране на схема на данни?
    • За улавяне на неправилно формирани или отклонени входни данни, преди да повредят обучението
    • За да накарате GPU да работи по-хладно
    • За да компресирате набора от данни
    • За произволно преименуване на колоните
  6. In Flux GitOps, what does reconciliation aim to do?
    • Retrain every model whenever code is committed
    • Make the deployed environment match the declared desired state
    • Automatically change a model’s evaluation labels
    • Replace version-controlled configuration with manual edits
  7. What is a useful model-artifact versioning practice?
    • Ignore training inputs after a model is deployed
    • Replace validation with a deployment timestamp
    • Version model artifacts with source data, code, and evaluation metadata
    • Use a schema check as a guarantee of model quality
  8. What is a typical trigger for continuous training in an ML pipeline?
    • Every inference request must retrain the model
    • A model file being downloaded by a user
    • A CPU core reaching a particular temperature
    • A scheduled run, new approved data, or a monitoring signal such as drift