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.
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.
- 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
- Mit jelent általában a „CT” egy ML-folyamatkörnyezetben?
- Kód átvitele
- Folyamatos képzés
- Konténer tesztelése
- Központi telemetria
- 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
- Ezek közül melyik az az eszköz, amelyet gyakran használnak ML-folyamatok hangszerelésére?
- Microsoft Word
- VLC médialejátszó
- WinRAR
- Kubeflow csővezetékek
- 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
- 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
- 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
- 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