Prueba de registros modelo

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

1. ¿Cuál es el objetivo principal de un registro modelo?
   • Para etiquetar datos de entrenamiento sin procesar
   • Servir como catálogo controlado por versiones y fuente única de verdad para modelos entrenados.
   • Para reemplazar la GPU en un servidor
   • Para escribir consultas SQL
2. In current MLflow registry workflows, what can provide a named reference to a model version?
   • A reassignable model alias
   • A universal mandatory four-stage lifecycle in every registry
   • The training GPU’s display resolution
   • A random tensor without a model version
3. How can a registry support a model rollback?
   • By guaranteeing every server switches instantly
   • By deleting all previous versions
   • By retaining a previous artifact that the serving workflow can reload and validate
   • By changing the training labels automatically
4. ¿Qué es un modelo de firma en un registro?
   • El autógrafo escrito a mano del científico de datos
   • Una contraseña para la base de datos.
   • La duración del entrenamiento del modelo.
   • Un esquema que describe los tipos de entrada y salida esperados del modelo.
5. ¿Por qué es valioso el linaje registrado (conjunto de datos, confirmación de código, hiperparámetros)?
   • Permite la reproducibilidad y auditabilidad de cómo se construyó cada versión.
   • Hace que el modelo se ejecute más rápido.
   • Aumenta la precisión del modelo automáticamente.
   • Comprime el archivo del modelo.
6. What connects a registered model decision to an actual application rollout?
   • A guarantee that registering a version deploys it everywhere
   • A required fax to the GPU vendor
   • A configured deployment workflow that loads and verifies the chosen artifact
   • A model signature alone with no serving system
7. A champion alias is reassigned, but a long-running server still has the old artifact loaded. What should an operator verify?
   • Only that the alias has a new value
   • That all servers reload automatically in every integration
   • Only the number of files in the registry
   • The artifact and version actually serving requests
8. A model signature expects numerical columns but a request sends strings. What can signature-aware validation help detect?
   • Whether the training labels are morally correct
   • An input schema or type mismatch
   • Every possible accuracy regression
   • A guarantee that all numerical inputs are in distribution