Quiz collegato alla guida · Medio Livello
Quiz sul monitoraggio degli esperimenti
Copre metadati di esecuzione, metriche, artefatti, identità del set di dati, acquisizione dell'ambiente e cosa possono supportare i record degli esperimenti.
Domanda 1 di 8
Qual è lo scopo principale del monitoraggio degli esperimenti nell'apprendimento automatico?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Qual è lo scopo principale del monitoraggio degli esperimenti nell'apprendimento automatico?
- Rendere le corse riproducibili e confrontabili registrandone l'intero contesto
- Per velocizzare l'addestramento dei modelli sulla GPU
- Per distribuire automaticamente i modelli in produzione
- Per comprimere i pesi del modello per l'archiviazione
- Quale combinazione è fondamentale per rendere davvero riproducibile un singolo allenamento?
- Solo il numero di precisione finale
- Versione del codice, set di dati e iperparametri
- La temperatura della GPU e la velocità della ventola
- Il nome dello scienziato dei dati
- Quale dei seguenti è uno strumento popolare per il monitoraggio degli esperimenti?
- Photoshop
- Kubernetes
- MLflow
- PostgreSQL
- In che modo la maggior parte dei tracker degli esperimenti in genere acquisisce le metriche durante l'addestramento?
- Successivamente copiando manualmente i numeri in un foglio di calcolo
- Facendo screenshot del terminale
- Leggendo il codice sorgente del modello
- Attraverso la registrazione delle chiamate API inserite nel ciclo di addestramento che vengono trasmesse a un backend
- Dove vengono solitamente archiviati gli artefatti di grandi dimensioni, come i pesi dei modelli salvati, da un sistema di tracciamento?
- Nell'archiviazione di oggetti/artefatti, con riferimenti conservati nell'archivio dei metadati
- All'interno della riga del database delle metriche
- Nella memoria della GPU in modo permanente
- Non vengono affatto memorizzati
- Come si sta evolvendo il monitoraggio degli esperimenti nell’era dei grandi modelli linguistici?
- Viene abbandonato perché i LLM non necessitano di monitoraggio
- Ora acquisisce anche versioni rapide, tracce di valutazione e output qualitativi
- Adesso tiene traccia solo dei costi della GPU
- Si è fuso interamente nel software di editing video
- 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
- 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