Quiz lié à un guide · Moyen Niveau

Quiz sur l'orchestration de Kubeflow et ML Pipeline

Testez les composants du pipeline Kubeflow, la compilation KFP v2 et les décisions de mise en cache, y compris la manière dont les graphiques de dépendances coordonnent les charges de travail Kubernetes.

Chemins de guidage associésOrchestration de pipelines Kubeflow et ML
Question 1 de 8

Sur quelle plate-forme sous-jacente Kubeflow exécute-t-il les workflows de machine learning ?

Prévisualisez chaque question8 des questions

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

  1. Sur quelle plate-forme sous-jacente Kubeflow exécute-t-il les workflows de machine learning ?
    • Apache Hadoop
    • Un cluster Slurm nu
    • Kubernetes
    • Une seule machine virtuelle
  2. Dans Kubeflow Pipelines, comment chaque étape d'un workflow est-elle généralement conditionnée ?
    • En tant que composant conteneurisé exécuté dans un pod
    • En tant que procédure stockée dans une base de données
    • En tant que fonction sans serveur sur un CDN
    • En tant qu'écriture monolithique unique
  3. Quelle structure un pipeline Kubeflow utilise-t-il pour exprimer l'ordre et les dépendances des étapes ?
    • Une liste plate exécutée de haut en bas
    • Une boucle événementielle circulaire
    • Un schéma relationnel
    • Un graphe acyclique orienté (DAG)
  4. Quel composant Kubeflow est dédié au réglage automatisé des hyperparamètres ?
    • KServe
    • Katib
    • MinIO
    • Argo
  5. With KFP caching enabled, why might a rerun reuse a previous component result?
    • A matching eligible execution already has cached outputs
    • KFP never executes a component more than once
    • KFP ignores every input change
    • KFP randomly chooses which pods to skip
  6. Quel composant Kubeflow est principalement utilisé pour servir des modèles entraînés à des fins d'inférence ?
    • Katib
    • Serveurs de blocs-notes
    • CD Argo
    • KServe
  7. A team adopts KFP v2. What does the normal compiler output represent?
    • A trained model checkpoint
    • A PipelineSpec serialized as Intermediate Representation YAML
    • A universal Argo Workflows specification for every KFP version
    • A SQL query plan for the artifact database
  8. A Kubeflow step reads a file overwritten at an unchanged URI. Why might its cache need to be disabled or the input version changed?
    • Kubernetes forbids external files
    • Every pipeline input is automatically content-hashed
    • The tracked input can stay the same while the file’s contents change
    • Caching always reruns components on every request