Cuestionario vinculado a una guía · Medio Nivel

Cuestionario sobre orquestación de canalizaciones de Kubeflow y ML

Pruebe los componentes de la canalización de Kubeflow, la compilación de KFP v2 y las decisiones de almacenamiento en caché, incluida la forma en que los gráficos de dependencia coordinan las cargas de trabajo de Kubernetes.

Rutas de guía relacionadasKubeflow y orquestación de pipelines de aprendizaje automático
Pregunta 1 de 8

¿En qué plataforma subyacente ejecuta Kubeflow flujos de trabajo de aprendizaje automático?

Vista previa de cada pregunta8 preguntas

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

  1. ¿En qué plataforma subyacente ejecuta Kubeflow flujos de trabajo de aprendizaje automático?
    • apache hadoop
    • Un cluster Slurm básico
    • Kubernetes
    • Una sola máquina virtual
  2. En Kubeflow Pipelines, ¿cómo se empaqueta normalmente cada paso de un flujo de trabajo?
    • Como componente en contenedores que se ejecuta en un pod
    • Como procedimiento almacenado en una base de datos.
    • Como función sin servidor en una CDN
    • Como una única escritura monolítica
  3. ¿Qué estructura utiliza una canalización de Kubeflow para expresar el orden y las dependencias de los pasos?
    • Una lista plana ejecutada de arriba a abajo
    • Un bucle de eventos circular
    • Un esquema relacional
    • Un gráfico acíclico dirigido (DAG)
  4. ¿Qué componente de Kubeflow está dedicado al ajuste automatizado de hiperparámetros?
    • KServir
    • Katib
    • MiniIO
    • argo
  5. With KFP caching enabled, why might a rerun reuse a previous component result?
    • A matching eligible execution already has cached outputs
    • KFP never executes a component more than once
    • KFP ignores every input change
    • KFP randomly chooses which pods to skip
  6. ¿Qué componente de Kubeflow se utiliza principalmente para servir modelos entrenados para inferencia?
    • Katib
    • Servidores portátiles
    • CD Argo
    • KServir
  7. A team adopts KFP v2. What does the normal compiler output represent?
    • A trained model checkpoint
    • A PipelineSpec serialized as Intermediate Representation YAML
    • A universal Argo Workflows specification for every KFP version
    • A SQL query plan for the artifact database
  8. A Kubeflow step reads a file overwritten at an unchanged URI. Why might its cache need to be disabled or the input version changed?
    • Kubernetes forbids external files
    • Every pipeline input is automatically content-hashed
    • The tracked input can stay the same while the file’s contents change
    • Caching always reruns components on every request