Cuestionario vinculado a una guía · Medio Nivel

Prueba de CI/CD para aprendizaje automático

Compruebe cómo los canales de entrega de ML validan datos, entrenan y evalúan modelos, aplican puertas de promoción y concilian el estado de implementación.

Rutas de guía relacionadasCi Cd para aprendizaje automático
Pregunta 1 de 8

¿Qué aporta CI/CD para el aprendizaje automático más allá del CI/CD de software tradicional?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué aporta CI/CD para el aprendizaje automático más allá del CI/CD de software tradicional?
    • Automatización de datos y modelos, no solo código
    • Nada: es idéntico al software CI/CD
    • Solo compilación más rápida
    • Un nuevo lenguaje de programación
  2. ¿Qué significa normalmente 'CT' en el contexto de un proceso de ML?
    • Transferencia de código
    • Formación Continua
    • Pruebas de contenedores
    • Telemetría central
  3. What is a common evaluation gate before promoting a candidate ML model?
    • Promote it whenever training completes
    • Compare only model file sizes
    • Compare it with the production baseline on agreed metrics and promote only if policy thresholds pass
    • Skip evaluation if the code tests pass
  4. ¿Cuál de estas es una herramienta comúnmente utilizada para organizar canalizaciones de aprendizaje automático?
    • Microsoft Palabra
    • Reproductor multimedia VLC
    • winrar
    • Tuberías de Kubeflow
  5. ¿Por qué una canalización de ML podría incluir un paso de validación del esquema de datos?
    • Para detectar datos de entrada con formato incorrecto o desviados antes de que corrompan el entrenamiento
    • Para hacer que la GPU funcione más fría
    • Para comprimir el conjunto de datos
    • Para cambiar el nombre de las columnas aleatoriamente
  6. In Flux GitOps, what does reconciliation aim to do?
    • Retrain every model whenever code is committed
    • Make the deployed environment match the declared desired state
    • Automatically change a model’s evaluation labels
    • Replace version-controlled configuration with manual edits
  7. What is a useful model-artifact versioning practice?
    • Ignore training inputs after a model is deployed
    • Replace validation with a deployment timestamp
    • Version model artifacts with source data, code, and evaluation metadata
    • Use a schema check as a guarantee of model quality
  8. What is a typical trigger for continuous training in an ML pipeline?
    • Every inference request must retrain the model
    • A model file being downloaded by a user
    • A CPU core reaching a particular temperature
    • A scheduled run, new approved data, or a monitoring signal such as drift