Útmutatóhoz kapcsolódó kvíz · Közepes Szint

KServe és modellszolgáltatás a Kubernetes kvízen

Checks KServe’s InferenceService, model artifact loading, runtime autoscaling, serving components and standardized prediction protocol.

kérdés 1 -ból 8

Mi volt a KServe korábbi neve, mielőtt önálló projektté vált?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi volt a KServe korábbi neve, mielőtt önálló projektté vált?
    • KFServing
    • KubeML
    • ModelMesh
    • Knatív modellek
  2. Mi az az elsődleges egyéni Kubernetes-erőforrás, amelyet a KServe-vel való modell telepítéséhez határoz meg?
    • ModelDeployment
    • InferenceService
    • PredictPod
    • Kiszolgálódiagram
  3. Melyik képesség teszi lehetővé, hogy a tétlen KServe modellek nulla számítási felhasználást végezzenek a kérés megérkezéséig?
    • Kanári kiterjesztés
    • Felosztás
    • Skála nullára
    • Kötegelt következtetés
  4. Melyik mögöttes projekt biztosítja a KServe kérésvezérelt automatikus skálázását?
    • Prométheusz
    • Helm
    • Argo
    • Knative
  5. Hogyan helyezi el a KServe a modellműtermékeket egy kiszolgáló podba indításkor?
    • Tárolás-inicializálón keresztül, amely az objektumtárolóból lehívja
    • Csak úgy, hogy modelleket süt a tartály képébe
    • A modellfájl e-mailben történő elküldésével
    • Kézi kubectl másolaton keresztül
  6. Milyen szabványt használ a KServe, hogy a kliensek egyformán hívhassák a különböző modelleket?
    • GraphQL Föderáció
    • A nyílt következtetési protokoll
    • SZAPPAN
    • JDBC
  7. In KServe’s InferenceService pipeline, which component can apply pre- or post-processing around the predictor?
    • The storage initializer
    • The Knative autoscaler
    • A transzformátor
    • The Kubernetes scheduler
  8. What is a typical trade-off of scaling a model deployment down to zero replicas?
    • The model becomes permanently unavailable
    • Every request avoids model loading
    • The Kubernetes API is replaced
    • Idle compute is reduced, but the next request may incur a cold-start delay