Cuestionario vinculado a una guía · Medio Nivel

Cuestionario de seguimiento del ciclo de vida del modelo y MLflow

Practique el seguimiento de experimentos de MLflow, el empaquetado de modelos y las referencias de versiones de registro, incluida la función de los alias en los flujos de trabajo de implementación de modelos.

Rutas de guía relacionadasMlflow y seguimiento del ciclo de vida del modelo
Pregunta 1 de 8

¿Qué problema principal resuelve MLflow Tracking para los científicos de datos?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué problema principal resuelve MLflow Tracking para los científicos de datos?
    • Etiquetar automáticamente datos de entrenamiento sin procesar
    • Cifrar pesos de modelos en reposo
    • Mantener un registro comparable de parámetros, métricas y artefactos en muchas ejecuciones de experimentos.
    • Reemplazo de la necesidad de un clúster de Kubernetes
  2. Which MLflow component stores registered model versions and their tags or aliases?
    • El Registro Modelo
    • The learning-rate scheduler
    • The training-data labeler
    • The Kubernetes pod scheduler
  3. ¿Qué significa que MLflow es "independiente del marco"?
    • Solo funciona con TensorFlow
    • Requiere reescribir modelos en un lenguaje personalizado.
    • Se ejecuta solo en Databricks
    • Funciona en muchas bibliotecas de aprendizaje automático como scikit-learn, PyTorch y XGBoost.
  4. ¿Cuál es el propósito del formato del modelo MLflow?
    • Para comprimir datos de entrenamiento
    • Envolver un modelo entrenado con su tipo de marco y metadatos para que pueda implementarse de muchas maneras.
    • Para programar trabajos de reentrenamiento
    • Para visualizar capas de redes neuronales
  5. ¿Qué empresa creó MLflow?
    • Ladrillos de datos
    • Google
    • netflix
    • Amazon
  6. ¿Cómo se está expandiendo MLflow para admitir aplicaciones de IA generativa?
    • Al eliminar el soporte para los modelos ML clásicos
    • Al convertirse en un producto de código cerrado
    • Reemplazando todos los marcos de capacitación.
    • Agregando seguimiento, gestión rápida y evaluación para aplicaciones LLM
  7. A deployment resolves an MLflow model through a champion alias. What can reassignment of that alias change?
    • The recorded metrics inside every old experiment
    • The registered model version that the named reference resolves to
    • The model framework of all stored artifacts
    • The training labels in a historical dataset
  8. Two MLflow runs use different learning rates. What record helps compare their validation results?
    • Only the wall color of the training room
    • A registry alias without any run information
    • Each run’s logged parameters and validation metrics
    • A notebook filename without the experiment outputs