Útmutatóhoz kapcsolódó kvíz · Közepes Szint

CI/CD a gépi tanulási kvízhez

Check how ML delivery pipelines validate data, train and evaluate models, apply promotion gates, and reconcile deployment state.

Kapcsolódó útmutató utakCi Cd gépi tanuláshoz
kérdés 1 -ból 8

Mit ad a gépi tanuláshoz használt CI/CD a hagyományos szoftveres CI/CD-n túl?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit ad a gépi tanuláshoz használt CI/CD a hagyományos szoftveres CI/CD-n túl?
    • Az adatok és a modellek automatizálása, nem csak a kód
    • Semmi – megegyezik a szoftveres CI/CD-vel
    • Csak gyorsabb összeállítás
    • Egy új programozási nyelv
  2. Mit jelent általában a „CT” egy ML-folyamatkörnyezetben?
    • Kód átvitele
    • Folyamatos képzés
    • Konténer tesztelése
    • Központi telemetria
  3. What is a common evaluation gate before promoting a candidate ML model?
    • Promote it whenever training completes
    • Compare only model file sizes
    • Compare it with the production baseline on agreed metrics and promote only if policy thresholds pass
    • Skip evaluation if the code tests pass
  4. Ezek közül melyik az az eszköz, amelyet gyakran használnak ML-folyamatok hangszerelésére?
    • Microsoft Word
    • VLC médialejátszó
    • WinRAR
    • Kubeflow csővezetékek
  5. Miért tartalmazhat egy ML-folyamat adatséma-érvényesítési lépést?
    • Rosszul formázott vagy elsodródott bemeneti adatok elfogására, mielőtt azok megrongálják a képzést
    • Hogy a GPU hűvösebben működjön
    • Az adatkészlet tömörítéséhez
    • Az oszlopok véletlenszerű átnevezése
  6. In Flux GitOps, what does reconciliation aim to do?
    • Retrain every model whenever code is committed
    • Make the deployed environment match the declared desired state
    • Automatically change a model’s evaluation labels
    • Replace version-controlled configuration with manual edits
  7. What is a useful model-artifact versioning practice?
    • Ignore training inputs after a model is deployed
    • Replace validation with a deployment timestamp
    • Version model artifacts with source data, code, and evaluation metadata
    • Use a schema check as a guarantee of model quality
  8. What is a typical trigger for continuous training in an ML pipeline?
    • Every inference request must retrain the model
    • A model file being downloaded by a user
    • A CPU core reaching a particular temperature
    • A scheduled run, new approved data, or a monitoring signal such as drift