Quiz lié à un guide · Moyen Niveau

Quiz sur les flux de travail Apache Airflow pour ML

Appliquez les dépendances, les tentatives et les remplissages de tâches Airflow aux workflows ML, y compris les règles de déclenchement qui déterminent quand les tâches sont prêtes à être exécutées.

Chemins de guidage associésApache Airflow pour les flux de travail ML
Question 1 de 8

Dans Apache Airflow, quelle est l'abstraction principale utilisée pour définir un workflow ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Dans Apache Airflow, quelle est l'abstraction principale utilisée pour définir un workflow ?
    • Un manifeste YAML
    • Une vue SQL
    • Un DAG (Directed Acyclic Graph) écrit en Python
    • Un cahier Jupyter
  2. Quel rôle Airflow joue-t-il le plus souvent dans un pipeline ML ?
    • Il orchestre et planifie les tâches qui s'exécutent sur d'autres systèmes
    • Il entraîne des modèles d'apprentissage profond directement sur les GPU
    • Il stocke les vecteurs de caractéristiques en mémoire
    • Il sert des prédictions de modèles via HTTP
  3. Quelle construction Airflow est utilisée pour attendre une condition externe, telle qu'un fichier arrivant en stockage ?
    • Une variable
    • Un pool de connexion
    • Une macro
    • Un capteur
  4. Que permet un « remplissage » Airflow ?
    • Supprimer définitivement les anciennes exécutions DAG
    • Exécutez un DAG sur une plage de dates passées pour retraiter les données historiques
    • Chiffrer la base de données de métadonnées
    • Désactiver temporairement le planificateur
  5. Which Airflow component determines when eligible task instances should be scheduled?
    • Le planificateur
    • The graph view in the web UI
    • A model’s feature encoder
    • The artifact file itself
  6. Qu'est-ce que la « planification basée sur les données » introduite dans les nouvelles versions d'Airflow ?
    • Chiffrement de toutes les données transmises entre les tâches
    • Étiquetage automatique des données d'entraînement
    • Réduire le nombre de GPU par tâche
    • Déclencher des DAG lorsqu'un ensemble de données est mis à jour plutôt que sur une horloge fixe
  7. An Airflow cleanup task must run after upstream tasks finish even if one fails. Which setting controls this behavior?
    • The number of model layers
    • The cleanup task’s trigger rule
    • The feature normalization method
    • The UI theme selected for the DAG
  8. A team backfills three months of ML feature data in Airflow. What makes repeating an interrupted task safer?
    • Appending duplicate outputs each time it retries
    • Ignoring the run’s historical date
    • An idempotent operation with the correct historical inputs
    • Changing the training labels on every retry