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.

Percorsi guida correlatiMonitoraggio 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.

  1. 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
  2. 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
  3. Quale dei seguenti è uno strumento popolare per il monitoraggio degli esperimenti?
    • Photoshop
    • Kubernetes
    • MLflow
    • PostgreSQL
  4. 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
  5. 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
  6. 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
  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