Quiz lié à un guide · Moyen Niveau

KServe et Model Serving sur Kubernetes Quiz

Vérifie InferenceService de KServe, le chargement des artefacts de modèle, la mise à l'échelle automatique de l'exécution, les composants de service et le protocole de prédiction standardisé.

Chemins de guidage associésKserve et service modèle sur Kubernetes
Question 1 de 8

Quel était l'ancien nom de KServe avant qu'il ne devienne un projet autonome ?

Prévisualisez chaque question8 des questions

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

  1. Quel était l'ancien nom de KServe avant qu'il ne devienne un projet autonome ?
    • KFSServir
    • KubeML
    • ModèleMesh
    • Modèles natifs
  2. Quelle est la principale ressource personnalisée Kubernetes que vous définissez pour déployer un modèle avec KServe ?
    • ModèleDéploiement
    • Service d'inférence
    • PrédirePod
    • Graphique de service
  3. Quelle fonctionnalité permet aux modèles KServe inactifs de consommer zéro calcul jusqu'à l'arrivée d'une requête ?
    • Déploiement Canary
    • Partage
    • Mise à l'échelle jusqu'à zéro
    • Inférence par lots
  4. Quel projet sous-jacent fournit la mise à l'échelle automatique basée sur les requêtes de KServe ?
    • Prométhée
    • Heaume
    • Argo
    • Native
  5. Comment KServe obtient-il généralement les artefacts de modèle dans un pod de service au démarrage ?
    • Via un initialiseur de stockage qui extrait du stockage d'objets
    • En insérant des modèles dans l'image du conteneur uniquement
    • En envoyant par email le fichier modèle
    • Via une copie manuelle de Kubectl
  6. Quelle norme KServe utilise-t-il pour que les clients puissent appeler différents modèles de la même manière ?
    • Fédération GraphQL
    • Le protocole d'inférence ouvert
    • SAVON
    • JDBC
  7. In KServe’s InferenceService pipeline, which component can apply pre- or post-processing around the predictor?
    • The storage initializer
    • The Knative autoscaler
    • Le transformateur
    • The Kubernetes scheduler
  8. What is a typical trade-off of scaling a model deployment down to zero replicas?
    • The model becomes permanently unavailable
    • Every request avoids model loading
    • The Kubernetes API is replaced
    • Idle compute is reduced, but the next request may incur a cold-start delay