Quiz collegato alla guida · Medio Livello

CI/CD per quiz sull'apprendimento automatico

Controlla in che modo le pipeline di distribuzione ML convalidano i dati, addestrano e valutano i modelli, applicano cancelli di promozione e riconciliano lo stato di distribuzione.

Percorsi guida correlatiCd Ci per l'apprendimento automatico
Domanda 1 di 8

Cosa aggiunge CI/CD per il machine learning oltre al tradizionale CI/CD software?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Cosa aggiunge CI/CD per il machine learning oltre al tradizionale CI/CD software?
    • Automazione dei dati e problemi del modello, non solo del codice
    • Niente: è identico al software CI/CD
    • Solo compilazione più veloce
    • Un nuovo linguaggio di programmazione
  2. Cosa significa solitamente il "CT" in un contesto di pipeline ML?
    • Trasferimento del codice
    • Formazione continua
    • Test sui contenitori
    • Telemetria centrale
  3. 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
  4. Quale di questi è uno strumento comunemente utilizzato per orchestrare le pipeline ML?
    • Microsoft Parola
    • Lettore multimediale VLC
    • WinRAR
    • Pipeline Kubeflow
  5. Perché una pipeline ML potrebbe includere una fase di convalida dello schema dei dati?
    • Per individuare dati di input non corretti o deviati prima che danneggino l'addestramento
    • Per far funzionare la GPU più fresca
    • Per comprimere il set di dati
    • Per rinominare le colonne in modo casuale
  6. 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
  7. 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
  8. 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