Útmutatóhoz kapcsolódó kvíz · Kemény Szint

Seldon Core és következtetési grafikonok kvíz

Checks Seldon inference-graph components, routing, aggregation, DAG structure, serving protocols and observability signals.

Kapcsolódó útmutató utakSeldon mag és következtetési grafikonok
kérdés 1 -ból 8

Mi az a meghatározó tulajdonság, amely megkülönbözteti a Seldon Core-t az egymodellű szerverektől?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi az a meghatározó tulajdonság, amely megkülönbözteti a Seldon Core-t az egymodellű szerverektől?
    • Több komponenst láncoló következtetési gráfok
    • Beépített modell képzés
    • Egy szabadalmaztatott GPU illesztőprogram
    • Automatikus adatcímkézés
  2. Melyik Seldon gráfkomponens dönti el, hogy melyik gyermekcsomóponthoz küldjön kérést, engedélyezve az A/B teszteket?
    • Transzformátor
    • Router
    • Kombinátor
    • Modell
  3. Melyik alkatrésztípus aggregálja több modell kimenetét az összeállításhoz?
    • Router
    • Transzformátor
    • Kombinátor
    • Inicializáló
  4. Milyen gráfszerkezetet alkot egy Seldon-következtető gráf?
    • Ciklikus háló
    • Lapos lista
    • Csak egy bináris fa
    • Irányított aciklikus gráf (DAG)
  5. A Seldon Core v2-ben melyik szerver és protokoll teszi lehetővé a többmodelles kiszolgálást a grafikonon keresztül?
    • MLServer és az Open Inference Protocol
    • TensorFlow szolgáltatás és csak gRPC
    • Nginx és REST
    • Szikra és parketta
  6. In the Seldon Core 1 Router documentation, what can shift traffic toward better-performing models over time?
    • Nightly retraining only
    • A multi-armed bandit using live reward signals
    • Increasing the pod CPU limit
    • Caching every response
  7. Which Seldon graph component can preprocess a request or postprocess a model response?
    • Kombinátor
    • Router
    • Transzformátor
    • Explainer
  8. Which description of Seldon Core 2 observability is accurate?
    • Metrics, tracing and payload logging are all automatically enabled for every REST/gRPC prediction
    • It provides only GPU metrics and no tracing
    • Payload logging always stores every model request in a local file
    • Metrics are exposed; tracing requires configuration, and payload logging is limited to configured Kafka-backed pipeline paths