Kvíz spojený s průvodcem · Střední úroveň

CI/CD pro kvíz strojového učení

Zkontrolujte, jak kanály ML ověřují data, školí a vyhodnocují modely, aplikují brány propagace a sladí stav nasazení.

Související vodicí cestyCi Cd pro strojové učení
Otázka 1 z 8

Co přináší CI/CD pro strojové učení nad rámec tradičního softwarového CI/CD?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co přináší CI/CD pro strojové učení nad rámec tradičního softwarového CI/CD?
    • Automatizace dat a modelů, nejen kódu
    • Nic — je to identické se softwarovým CI/CD
    • Pouze rychlejší kompilace
    • Nový programovací jazyk
  2. Co obvykle znamená „CT“ v kontextu potrubí ML?
    • Přenos kódu
    • Průběžné školení
    • Testování kontejnerů
    • Centrální telemetrie
  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. Který z těchto nástrojů je běžně používaný k orchestraci kanálů ML?
    • Slovo Microsoft
    • VLC Media Player
    • WinRAR
    • Potrubí Kubeflow
  5. Proč může kanál ML obsahovat krok ověření datového schématu?
    • K zachycení poškozených nebo posunutých vstupních dat dříve, než naruší školení
    • Aby GPU běželo chladněji
    • Chcete-li komprimovat datovou sadu
    • Náhodné přejmenování sloupců
  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