Kuis Pelacakan Eksperimen

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa tujuan utama pelacakan eksperimen dalam pembelajaran mesin?
   • Untuk membuat proses berjalan dapat direproduksi dan dibandingkan dengan mencatat konteks keseluruhannya
   • Untuk membuat model berlatih lebih cepat pada GPU
   • Untuk menyebarkan model ke produksi secara otomatis
   • Untuk mengompresi bobot model untuk penyimpanan
2. Kombinasi mana yang penting agar satu latihan benar-benar dapat direproduksi?
   • Hanya angka akurasi akhir
   • Versi kode, kumpulan data, dan hyperparameter
   • Suhu GPU dan kecepatan kipas
   • Nama ilmuwan data
3. Manakah dari alat pelacakan eksperimen berikut yang populer?
   • photoshop
   • Kubernet
   • aliran ml
   • PostgreSQL
4. Bagaimana sebagian besar pelacak eksperimen biasanya menangkap metrik selama pelatihan?
   • Dengan menyalin angka secara manual ke dalam spreadsheet sesudahnya
   • Dengan mengambil tangkapan layar terminal
   • Dengan membaca kode sumber model
   • Melalui logging panggilan API dimasukkan ke dalam loop pelatihan yang dialirkan ke backend
5. Di manakah artefak besar seperti bobot model tersimpan yang biasanya disimpan oleh sistem pelacakan?
   • Dalam penyimpanan objek/artefak, dengan referensi disimpan di penyimpanan metadata
   • Di dalam baris database metrik
   • Di memori GPU secara permanen
   • Mereka tidak disimpan sama sekali
6. Bagaimana pelacakan eksperimen berkembang di era model bahasa yang besar?
   • Hal ini ditinggalkan karena LLM tidak memerlukan pelacakan
   • Sekarang juga menangkap versi cepat, jejak evaluasi, dan keluaran kualitatif
   • Ini hanya melacak biaya GPU sekarang
   • Itu telah digabungkan sepenuhnya ke dalam perangkat lunak pengeditan video
7. Why record a dataset version or content hash with an ML run?
   • To prove the model is unbiased
   • To guarantee identical GPU arithmetic
   • So the run can be linked to the exact data snapshot used
   • To replace the code version
8. In MLflow Tracking, where are large model files typically stored relative to parameters and metrics?
   • Only inside the metric names
   • Always embedded in the database row for each parameter
   • They are not recorded by a tracking system
   • In an artifact store, while run metadata is kept in a backend store