Prueba de seguimiento de experimentos

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

1. ¿Cuál es el propósito principal del seguimiento de experimentos en el aprendizaje automático?
   • Hacer que las ejecuciones sean reproducibles y comparables registrando su contexto completo.
   • Para hacer que los modelos se entrenen más rápido en la GPU
   • Para implementar modelos automáticamente en producción
   • Para comprimir los pesos del modelo para su almacenamiento
2. ¿Qué combinación es esencial para que un único entrenamiento sea realmente reproducible?
   • Sólo el número de precisión final
   • Versión de código, conjunto de datos e hiperparámetros.
   • La temperatura de la GPU y la velocidad del ventilador.
   • El nombre del científico de datos.
3. ¿Cuál de estas es una herramienta popular de seguimiento de experimentos?
   • Photoshop
   • Kubernetes
   • flujo ml
   • PostgreSQL
4. ¿Cómo suelen capturar métricas la mayoría de los rastreadores de experimentos durante el entrenamiento?
   • Copiando números manualmente en una hoja de cálculo luego
   • Realizando capturas de pantalla del terminal
   • Leyendo el código fuente del modelo.
   • A través del registro de llamadas API insertadas en el bucle de entrenamiento que se transmiten a un backend
5. ¿Dónde se suelen almacenar los artefactos grandes, como los pesos de los modelos guardados, mediante un sistema de seguimiento?
   • En almacenamiento de objetos/artefactos, con referencias mantenidas en el almacén de metadatos
   • Dentro de la fila de la base de datos de métricas
   • En la memoria de la GPU de forma permanente
   • No se almacenan en absoluto.
6. ¿Cómo está evolucionando el seguimiento de experimentos en la era de los grandes modelos lingüísticos?
   • Se está abandonando porque los LLM no necesitan seguimiento.
   • Ahora también captura versiones rápidas, seguimientos de evaluación y resultados cualitativos.
   • Ahora solo rastrea los costos de GPU
   • Se ha fusionado completamente con el software de edición de video.
7. Why record a dataset version or content hash with an ML run?
   • To prove the model is unbiased
   • To guarantee identical GPU arithmetic
   • So the run can be linked to the exact data snapshot used
   • To replace the code version
8. In MLflow Tracking, where are large model files typically stored relative to parameters and metrics?
   • Only inside the metric names
   • Always embedded in the database row for each parameter
   • They are not recorded by a tracking system
   • In an artifact store, while run metadata is kept in a backend store