Quiz collegato alla guida · Medio Livello
Quiz su Apache Airflow per flussi di lavoro ML
Applica le dipendenze, i nuovi tentativi e i backfill delle attività Airflow ai flussi di lavoro ML, incluse le regole di attivazione che determinano quando le attività sono pronte per essere eseguite.
Domanda 1 di 8
In Apache Airflow, qual è l'astrazione principale utilizzata per definire un flusso di lavoro?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- In Apache Airflow, qual è l'astrazione principale utilizzata per definire un flusso di lavoro?
- Un manifesto YAML
- Una vista SQL
- Un DAG (grafico aciclico diretto) scritto in Python
- Un taccuino Jupyter
- Quale ruolo gioca più comunemente Airflow in una pipeline ML?
- Orchestra e pianifica le attività eseguite su altri sistemi
- Addestra modelli di deep learning direttamente sulle GPU
- Memorizza i vettori delle funzionalità in memoria
- Fornisce previsioni del modello su HTTP
- Quale costrutto Airflow viene utilizzato per attendere una condizione esterna, ad esempio l'arrivo di un file nell'archivio?
- Una variabile
- Un pool di connessioni
- Una macro
- Un sensore
- Cosa ti consente di fare un "riempimento" di Airflow?
- Elimina il vecchio DAG in modo permanente
- Esegui un DAG su un intervallo di date passate per rielaborare i dati storici
- Crittografare il database dei metadati
- Disabilitare temporaneamente lo scheduler
- Which Airflow component determines when eligible task instances should be scheduled?
- Lo schedulatore
- The graph view in the web UI
- A model’s feature encoder
- The artifact file itself
- Cos'è la "pianificazione basata sui dati" introdotta nelle versioni più recenti di Airflow?
- Crittografia di tutti i dati passati tra le attività
- Etichettatura automatica dei dati di addestramento
- Ridurre il numero di GPU per attività
- Attivazione dei DAG quando un set di dati viene aggiornato anziché su un orologio fisso
- An Airflow cleanup task must run after upstream tasks finish even if one fails. Which setting controls this behavior?
- The number of model layers
- The cleanup task’s trigger rule
- The feature normalization method
- The UI theme selected for the DAG
- A team backfills three months of ML feature data in Airflow. What makes repeating an interrupted task safer?
- Appending duplicate outputs each time it retries
- Ignoring the run’s historical date
- An idempotent operation with the correct historical inputs
- Changing the training labels on every retry