Kvíz spojený s průvodcem · Střední úroveň

MLflow a kvíz o sledování životního cyklu modelu

Procvičte si sledování experimentů MLflow, model balení a odkazy na verzi registru, včetně role aliasů v pracovních postupech nasazení modelu.

Otázka 1 z 8

Jaký primární problém řeší MLflow Tracking pro datové vědce?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaký primární problém řeší MLflow Tracking pro datové vědce?
    • Automatické označování nezpracovaných tréninkových dat
    • Šifrování závaží modelu v klidu
    • Vedení srovnatelného záznamu parametrů, metrik a artefaktů v rámci mnoha běhů experimentů
    • Nahrazení potřeby clusteru Kubernetes
  2. Which MLflow component stores registered model versions and their tags or aliases?
    • Registr modelů
    • The learning-rate scheduler
    • The training-data labeler
    • The Kubernetes pod scheduler
  3. Co to znamená, že MLflow je „framework-agnostik“?
    • Funguje pouze s TensorFlow
    • Vyžaduje přepsání modelů do vlastního jazyka
    • Běží pouze na Databricks
    • Funguje v mnoha knihovnách ML, jako je scikit-learn, PyTorch a XGBoost
  4. Jaký je účel formátu MLflow Model?
    • Ke kompresi tréninkových dat
    • Zabalit trénovaný model do jeho rámce a metadat, aby jej bylo možné nasadit mnoha způsoby
    • Naplánovat rekvalifikační práce
    • Pro vizualizaci vrstev neuronové sítě
  5. Která společnost vytvořila MLflow?
    • Databricky
    • Google
    • Netflix
    • Amazon
  6. Jak se MLflow rozšiřuje o podporu generativních aplikací AI?
    • Vypuštěním podpory klasických ML modelů
    • Tím, že se stanete produktem s uzavřeným zdrojem
    • Nahrazením všech školicích rámců
    • Přidáním trasování, rychlé správy a hodnocení aplikací 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