Quiz lié à un guide · Moyen Niveau

Quiz MLflow et suivi du cycle de vie des modèles

Pratiquez le suivi des expériences MLflow, l'empaquetage de modèles et les références de versions de registre, y compris le rôle des alias dans les workflows de déploiement de modèles.

Chemins de guidage associésMlflow et suivi du cycle de vie des modèles
Question 1 de 8

Quel problème principal MLflow Tracking résout-il pour les data scientists ?

Prévisualisez chaque question8 des questions

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

  1. Quel problème principal MLflow Tracking résout-il pour les data scientists ?
    • Étiquetage automatique des données d'entraînement brutes
    • Chiffrement des poids du modèle au repos
    • Conserver un enregistrement comparable des paramètres, des métriques et des artefacts sur de nombreuses exécutions d'expériences
    • Remplacer le besoin d'un cluster Kubernetes
  2. Which MLflow component stores registered model versions and their tags or aliases?
    • Le registre des modèles
    • The learning-rate scheduler
    • The training-data labeler
    • The Kubernetes pod scheduler
  3. Qu'est-ce que cela signifie que MLflow est « indépendant du framework » ?
    • Cela ne fonctionne qu'avec TensorFlow
    • Cela nécessite de réécrire les modèles dans un langage personnalisé
    • Il fonctionne uniquement sur Databricks
    • Il fonctionne avec de nombreuses bibliothèques ML comme scikit-learn, PyTorch et XGBoost
  4. Quel est l'objectif du format de modèle MLflow ?
    • Pour compresser les données d'entraînement
    • Encapsuler un modèle entraîné avec sa version de framework et ses métadonnées afin qu'il puisse être déployé de plusieurs façons
    • Pour planifier des travaux de reconversion
    • Pour visualiser les couches de réseaux neuronaux
  5. Quelle entreprise a créé MLflow ?
    • Briques de données
    • Google
    • Netflix
    • Amazon
  6. Comment MLflow se développe-t-il pour prendre en charge les applications d'IA générative ?
    • En abandonnant la prise en charge des modèles ML classiques
    • En devenant un produit fermé
    • En remplaçant tous les cadres de formation
    • En ajoutant le traçage, la gestion des invites et l'évaluation pour les applications LLM
  7. A deployment resolves an MLflow model through a champion alias. What can reassignment of that alias change?
    • The recorded metrics inside every old experiment
    • The registered model version that the named reference resolves to
    • The model framework of all stored artifacts
    • The training labels in a historical dataset
  8. Two MLflow runs use different learning rates. What record helps compare their validation results?
    • Only the wall color of the training room
    • A registry alias without any run information
    • Each run’s logged parameters and validation metrics
    • A notebook filename without the experiment outputs