Quiz lié à un guide · Moyen Niveau

Quiz CI/CD pour l’apprentissage automatique

Vérifiez comment les pipelines de livraison ML valident les données, entraînent et évaluent les modèles, appliquent les portes de promotion et réconcilient l'état de déploiement.

Chemins de guidage associésCi Cd pour l'apprentissage automatique
Question 1 de 8

Qu'est-ce que le CI/CD pour l'apprentissage automatique ajoute au-delà du logiciel CI/CD traditionnel ?

Prévisualisez chaque question8 des questions

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

  1. Qu'est-ce que le CI/CD pour l'apprentissage automatique ajoute au-delà du logiciel CI/CD traditionnel ?
    • Automatisation des problèmes de données et de modèles, pas seulement du code
    • Rien — c'est identique au logiciel CI/CD
    • Seulement une compilation plus rapide
    • Un nouveau langage de programmation
  2. Que signifie généralement le « CT » dans un contexte de pipeline ML ?
    • Transfert de codes
    • Formation Continue
    • Tests de conteneurs
    • Télémétrie centrale
  3. What is a common evaluation gate before promoting a candidate ML model?
    • Promote it whenever training completes
    • Compare only model file sizes
    • Compare it with the production baseline on agreed metrics and promote only if policy thresholds pass
    • Skip evaluation if the code tests pass
  4. Lequel de ces outils est couramment utilisé pour orchestrer les pipelines ML ?
    • Microsoft Mot
    • Lecteur multimédia VLC
    • WinRAR
    • Pipelines Kubeflow
  5. Pourquoi un pipeline ML pourrait-il inclure une étape de validation du schéma de données ?
    • Pour détecter les données d'entrée mal formées ou dérivées avant qu'elles ne corrompent la formation
    • Pour rendre le GPU plus frais
    • Pour compresser l'ensemble de données
    • Pour renommer les colonnes de manière aléatoire
  6. In Flux GitOps, what does reconciliation aim to do?
    • Retrain every model whenever code is committed
    • Make the deployed environment match the declared desired state
    • Automatically change a model’s evaluation labels
    • Replace version-controlled configuration with manual edits
  7. What is a useful model-artifact versioning practice?
    • Ignore training inputs after a model is deployed
    • Replace validation with a deployment timestamp
    • Version model artifacts with source data, code, and evaluation metadata
    • Use a schema check as a guarantee of model quality
  8. What is a typical trigger for continuous training in an ML pipeline?
    • Every inference request must retrain the model
    • A model file being downloaded by a user
    • A CPU core reaching a particular temperature
    • A scheduled run, new approved data, or a monitoring signal such as drift