Quiz lié à un guide · Moyen Niveau

Quiz de suivi des expériences

Couvre les métadonnées d'exécution, les métriques, les artefacts, l'identité de l'ensemble de données, la capture de l'environnement et ce que les enregistrements d'expérience peuvent prendre en charge.

Chemins de guidage associésSuivi des expériences
Question 1 de 8

Quel est l’objectif principal du suivi des expériences en apprentissage automatique ?

Prévisualisez chaque question8 des questions

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

  1. Quel est l’objectif principal du suivi des expériences en apprentissage automatique ?
    • Rendre les exécutions reproductibles et comparables en enregistrant leur contexte complet
    • Pour que les modèles s'entraînent plus rapidement sur le GPU
    • Pour déployer automatiquement des modèles en production
    • Pour compresser les poids du modèle pour le stockage
  2. Quelle combinaison est essentielle pour rendre une seule séance d’entraînement réellement reproductible ?
    • Seul le numéro de précision final
    • Version du code, ensemble de données et hyperparamètres
    • La température du GPU et la vitesse du ventilateur
    • Le nom du data scientist
  3. Lequel de ces outils est un outil de suivi des expériences populaire ?
    • Photoshop
    • Kubernetes
    • MLflow
    • PostgreSQL
  4. Comment la plupart des trackers d’expériences capturent-ils généralement les métriques pendant la formation ?
    • En copiant ensuite manuellement les chiffres dans une feuille de calcul
    • En prenant des captures d'écran du terminal
    • En lisant le code source du modèle
    • Grâce à la journalisation des appels d'API insérés dans la boucle de formation et diffusés vers un backend
  5. Où les artefacts volumineux tels que les poids de modèle enregistrés sont-ils généralement stockés par un système de suivi ?
    • Dans le stockage d'objets/artefacts, avec des références conservées dans le magasin de métadonnées
    • Dans la ligne de la base de données de métriques
    • Dans la mémoire GPU en permanence
    • Ils ne sont pas du tout stockés
  6. Comment le suivi des expériences évolue-t-il à l’ère des grands modèles de langage ?
    • Il est abandonné car les LLM n'ont pas besoin de suivi
    • Il capture désormais également les versions rapides, les traces d'évaluation et les résultats qualitatifs.
    • Il ne suit désormais que les coûts du GPU
    • Il a entièrement fusionné dans un logiciel de montage vidéo
  7. Why record a dataset version or content hash with an ML run?
    • To prove the model is unbiased
    • To guarantee identical GPU arithmetic
    • So the run can be linked to the exact data snapshot used
    • To replace the code version
  8. In MLflow Tracking, where are large model files typically stored relative to parameters and metrics?
    • Only inside the metric names
    • Always embedded in the database row for each parameter
    • They are not recorded by a tracking system
    • In an artifact store, while run metadata is kept in a backend store