Quiz Kubernetes pour les charges de travail ML

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

1. Quelle est la tâche principale du planificateur Kubernetes pour les charges de travail ML ?
   • Rédaction du code de formation pour les data scientists
   • Décider quel nœud du cluster exécute chaque pod conteneurisé
   • Étiquetage automatique des données d'entraînement
   • Choisir l'architecture du réseau de neurones
2. Comment Kubernetes met-il généralement les GPU à disposition d'un pod ?
   • Via des plugins de périphériques qui annoncent des ressources comme nvidia.com/gpu
   • En envoyant un e-mail au fournisseur de GPU pour obtenir une licence
   • Les GPU ne peuvent pas être utilisés dans Kubernetes
   • En convertissant les cœurs de processeur en GPU au moment de l'exécution
3. With a NoSchedule taint on a GPU node, what does a matching pod toleration do?
   • Forces the pod onto that node regardless of capacity
   • Changes the model’s optimizer
   • Allows the pod to be considered for that node without guaranteeing placement
   • Encrypts every GPU tensor
4. Quel outil ajoute des fonctionnalités spécifiques au ML, telles que les opérateurs de formation distribuée, en plus de Kubernetes ?
   • Microsoft Mot
   • Apache pour servir des pages Web statiques
   • Une macro de feuille de calcul
   • Kubeflow
5. Pourquoi Kubernetes est-il bien adapté aux charges de travail de ML en rafale ?
   • Il planifie les tâches sur des ressources libres et libère ce matériel une fois les tâches terminées.
   • Il réserve en permanence tous les GPU à un seul utilisateur
   • Cela empêche toute tâche de diminuer
   • Il n'exécute qu'un seul conteneur par cluster
6. Que signifie « mettre à l'échelle un point de terminaison d'inférence à zéro » sur Kubernetes ?
   • Supprimer définitivement le modèle
   • Régler la précision à zéro pour cent
   • Exécuter zéro copie lorsqu'il n'y a pas de trafic, puis lancer la requête suivante
   • Réduire les paramètres du modèle à zéro
7. One ML pod requests four GPUs, while two nodes each have only two available. Can ordinary scheduling combine those nodes for that one pod?
   • Yes; every pod automatically spans all cluster nodes
   • Yes; the scheduler converts CPU cores into the missing GPUs
   • Only if the pod name contains the word distributed
   • No; the pod must fit on one eligible node
8. An inference service scales to zero while idle. Which user-facing delay should its team test when traffic resumes?
   • The training-set labeling speed
   • Cold-start delay while a serving replica becomes ready
   • The file size of an unrelated notebook
   • The number of discarded vocabulary tokens