Cuestionario vinculado a una guía · Medio Nivel

Cuestionario sobre Apache Airflow para flujos de trabajo de aprendizaje automático

Aplique dependencias, reintentos y reposiciones de tareas de Airflow a los flujos de trabajo de ML, incluidas las reglas de activación que determinan cuándo las tareas están listas para ejecutarse.

Rutas de guía relacionadasApache Airflow para flujos de trabajo de ML
Pregunta 1 de 8

En Apache Airflow, ¿cuál es la abstracción central que se utiliza para definir un flujo de trabajo?

Vista previa de cada pregunta8 preguntas

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

  1. En Apache Airflow, ¿cuál es la abstracción central que se utiliza para definir un flujo de trabajo?
    • Un manifiesto YAML
    • Una vista SQL
    • Un DAG (gráfico acíclico dirigido) escrito en Python
    • Un cuaderno Jupyter
  2. ¿Qué papel desempeña Airflow con mayor frecuencia en una canalización de aprendizaje automático?
    • Orquesta y programa tareas que se ejecutan en otros sistemas.
    • Entrena modelos de aprendizaje profundo directamente en GPU
    • Almacena vectores de características en la memoria.
    • Sirve predicciones de modelos a través de HTTP.
  3. ¿Qué construcción de Airflow se utiliza para esperar una condición externa, como la llegada de un archivo al almacenamiento?
    • una variable
    • Un grupo de conexiones
    • una macro
    • un sensor
  4. ¿Qué le permite hacer un 'relleno' de Airflow?
    • Eliminar ejecuciones DAG antiguas de forma permanente
    • Ejecute un DAG en un rango de fechas pasadas para reprocesar datos históricos
    • Cifrar la base de datos de metadatos
    • Deshabilitar el programador temporalmente
  5. Which Airflow component determines when eligible task instances should be scheduled?
    • el planificador
    • The graph view in the web UI
    • A model’s feature encoder
    • The artifact file itself
  6. ¿Qué es la 'programación basada en datos' introducida en las versiones más nuevas de Airflow?
    • Cifrar todos los datos pasados entre tareas
    • Etiquetar automáticamente los datos de entrenamiento
    • Reducir la cantidad de GPU por tarea
    • Activar DAG cuando se actualiza un conjunto de datos en lugar de en un reloj fijo
  7. An Airflow cleanup task must run after upstream tasks finish even if one fails. Which setting controls this behavior?
    • El número de capas del modelo.
    • The cleanup task’s trigger rule
    • The feature normalization method
    • The UI theme selected for the DAG
  8. A team backfills three months of ML feature data in Airflow. What makes repeating an interrupted task safer?
    • Appending duplicate outputs each time it retries
    • Ignoring the run’s historical date
    • An idempotent operation with the correct historical inputs
    • Changing the training labels on every retry