Kvíz spojený s průvodcem · Těžko úroveň

Kvíz Seldon Core a inferenční grafy

Kontroluje komponenty Seldonova inferenčního grafu, směrování, agregaci, strukturu DAG, obslužné protokoly a signály pozorovatelnosti.

Související vodicí cestySeldonovo jádro a odvozené grafy
Otázka 1 z 8

Jaká je definující vlastnost, která odlišuje Seldon Core od jednomodelového serveru?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaká je definující vlastnost, která odlišuje Seldon Core od jednomodelového serveru?
    • Inferenční grafy, které zřetězují více komponent
    • Vestavěný model školení
    • Proprietární ovladač GPU
    • Automatické označování dat
  2. Která komponenta Seldonova grafu rozhoduje o tom, kterému podřízenému uzlu poslat požadavek, což umožňuje A/B testy?
    • Transformátor
    • Směrovač
    • Slučovač
    • Model
  3. Který typ komponenty agreguje výstupy z více modelů pro sestavení?
    • Směrovač
    • Transformátor
    • Slučovač
    • Inicializátor
  4. Jakou strukturu grafu tvoří Seldonův inferenční graf?
    • Cyklická síť
    • Plochý seznam
    • Pouze binární strom
    • Orientovaný acyklický graf (DAG)
  5. Který server a protokol ve verzi Seldon Core v2 umožňují multimodelové poskytování v celém grafu?
    • MLServer a Open Inference Protocol
    • TensorFlow Serving a pouze gRPC
    • Nginx a REST
    • Jiskra a parkety
  6. In the Seldon Core 1 Router documentation, what can shift traffic toward better-performing models over time?
    • Nightly retraining only
    • A multi-armed bandit using live reward signals
    • Increasing the pod CPU limit
    • Caching every response
  7. Which Seldon graph component can preprocess a request or postprocess a model response?
    • Slučovač
    • Směrovač
    • Transformátor
    • Explainer
  8. Which description of Seldon Core 2 observability is accurate?
    • Metrics, tracing and payload logging are all automatically enabled for every REST/gRPC prediction
    • It provides only GPU metrics and no tracing
    • Payload logging always stores every model request in a local file
    • Metrics are exposed; tracing requires configuration, and payload logging is limited to configured Kafka-backed pipeline paths