Cuestionario sobre el entrenamiento de la IA

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Qué entrada del registro de entrenamiento describe una época completada?
   • Una pasada completa por el conjunto de datos de entrenamiento
   • Una actualización del optimizador a partir de un solo ejemplo
   • Una prueba realizada después del despliegue
   • Un registro de una predicción del modelo
2. ¿Qué secuencia describe un paso básico de entrenamiento supervisado?
   • El conjunto de prueba actualiza los pesos y luego se generan las etiquetas de entrenamiento
   • El modelo escribe una respuesta objetivo y luego borra la entrada
   • El modelo predice, la pérdida compara con un objetivo y un optimizador actualiza los parámetros
   • Un prompt cambia los pesos y se ignora la pérdida
3. La validación ha seleccionado una configuración de entrenamiento. ¿Por qué evaluar a continuación ese modelo con un conjunto de prueba aparte?
   • Usar sus etiquetas para cada actualización de pesos
   • Evaluar el modelo seleccionado con datos que no se usaron para ajustarlo ni para elegirlo
   • Para reducir la pérdida de entrenamiento
   • Para almacenar reglas de preprocesamiento
4. ¿Cómo puede una división de datos filtrar información?
   • Todos los registros de una misma fuente se mantienen juntos
   • Los periodos posteriores se usan solo para pronósticos posteriores
   • Las reglas de preprocesamiento se almacenan con el modelo
   • Registros relacionados de la misma persona o evento quedan divididos entre entrenamiento y prueba
5. ¿Escribir un prompt en un modelo ya entrenado lo entrena necesariamente?
   • No; un prompt cambia el contexto actual, mientras que las actualizaciones de pesos son un proceso aparte
   • Sí; cada prompt actualiza de inmediato los parámetros del modelo
   • Sí, pero solo si la respuesta es larga
   • No; los modelos entrenados ignoran los prompts
6. ¿Qué debe guardarse con un checkpoint de entrenamiento para favorecer la reproducibilidad?
   • Solo el nombre del archivo del modelo final
   • Only the training loss
   • Versión de los datos, reglas de preprocesamiento, configuración del modelo y resultados de la evaluación
   • Las etiquetas de prueba mezcladas en el entrenamiento
7. ¿Por qué importa el objetivo de entrenamiento?
   • Garantiza que el modelo aprenda el resultado que le importa a los usuarios
   • Determina qué se recompensa que aprenda el modelo
   • Es lo mismo que la política de implementación del modelo
   • Elimina la necesidad de datos de prueba
8. ¿Qué establece una pérdida de entrenamiento más baja?
   • Que el modelo se generalizará a todos los ejemplos nuevos
   • Que las etiquetas son factualmente correctas
   • Que la supervisión del despliegue es innecesaria
   • Mejor concordancia con el objetivo de entrenamiento, no fiabilidad con cualquier entrada futura