Mit dem Guide verknüpftes Quiz · Schwer Ebene
Seldon Core- und Inferenzgraphen-Quiz
Überprüft Seldon-Inferenzgraphenkomponenten, Routing, Aggregation, DAG-Struktur, Bereitstellungsprotokolle und Beobachtbarkeitssignale.
Frage 1 von 8
Was ist das entscheidende Merkmal, das Seldon Core von einem Single-Model-Server unterscheidet?
Sehen Sie sich jede Frage in der Vorschau an8 Fragen
Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.
- Was ist das entscheidende Merkmal, das Seldon Core von einem Single-Model-Server unterscheidet?
- Inferenzgraphen, die mehrere Komponenten verketten
- Integriertes Modelltraining
- Ein proprietärer GPU-Treiber
- Automatische Datenkennzeichnung
- Welche Seldon-Graphkomponente entscheidet, an welchen untergeordneten Knoten eine Anfrage gesendet wird, und ermöglicht so A/B-Tests?
- Transformator
- Router
- Kombinierer
- Modell
- Welcher Komponententyp fasst die Ausgaben mehrerer Modelle für die Zusammenführung zusammen?
- Router
- Transformator
- Kombinierer
- Initialisierer
- Welche Art von Graphstruktur bildet ein Seldon-Inferenzgraph?
- Ein zyklisches Netz
- Eine flache Liste
- Nur ein Binärbaum
- Ein gerichteter azyklischer Graph (DAG)
- Welcher Server und welches Protokoll ermöglichen in Seldon Core v2 die Bereitstellung mehrerer Modelle im gesamten Diagramm?
- MLServer und das Open Inference Protocol
- Nur TensorFlow-Serving und gRPC
- Nginx und REST
- Spark und Parkett
- 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
- Which Seldon graph component can preprocess a request or postprocess a model response?
- Kombinierer
- Router
- Transformator
- Explainer
- 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