Ray pour le quiz sur l'IA distribuée

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

1. Quel problème Ray résout-il principalement ?
   • Faire évoluer les charges de travail Python et IA d'une seule machine vers un grand cluster avec un minimum de changement de code
   • Étiquetage automatique des images
   • Compression des fichiers de modèle
   • Concevoir des architectures de réseaux de neurones
2. Dans Ray, quelle est la différence entre une « tâche » et un « acteur » ?
   • Les tâches sont pour les images et les acteurs sont pour le texte
   • Une tâche est un appel de fonction parallèle sans état ; un acteur est un travailleur étatique qui détient l'État
   • Ils sont identiques
   • Les tâches s'exécutent uniquement sur les processeurs et les acteurs uniquement sur les imprimantes
3. Que renvoie Ray immédiatement lorsque vous lancez une tâche distante ?
   • Le résultat final, toujours
   • Un message d'erreur
   • Un futur (référence d'objet) que vous résolvez plus tard avec ray.get()
   • Une copie de l'intégralité du cluster
4. Quelle bibliothèque Ray est conçue pour la recherche distribuée d'hyperparamètres ?
   • Ray Servir
   • Données de rayon
   • RLlib
   • Rayonnage
5. Which object type do Ray’s docs explicitly say can be read from same-node object-store memory without a copy?
   • A NumPy array stored in Ray’s object store
   • Any Python object whenever an ObjectRef is passed
   • An object requested from another node with no network transfer
   • Only actor handles stored in a separate database
6. Quelle bibliothèque Ray utiliseriez-vous pour déployer des modèles derrière un point de terminaison évolutif et à mise à l'échelle automatique ?
   • Rayonnage
   • Ray Servir
   • Ray Train
   • Données de rayon
7. How does Ray Serve decide when to add replicas in its built-in request-driven autoscaling?
   • It reads the model’s training loss
   • It changes the number of model parameters
   • It monitors ongoing requests or queue demand against configured targets
   • It scales only when a human edits the deployment
8. How does Ray move an object when a task on a different node needs it?
   • It shares the owner’s local memory directly across every node
   • It automatically copies all objects into each node’s GPU memory
   • It sends only an ObjectRef and never transfers the object data
   • It transfers the object over the cluster network; serialization, locality, and object size affect cost