모델 등록 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 모델 등록의 주요 목적은 무엇입니까?
   • 원시 훈련 데이터에 레이블을 지정하려면
   • 훈련된 모델에 대한 버전 관리 카탈로그 및 단일 정보 소스 역할을 합니다.
   • 서버의 GPU를 교체하려면
   • SQL 쿼리를 작성하려면
2. In current MLflow registry workflows, what can provide a named reference to a model version?
   • A reassignable model alias
   • A universal mandatory four-stage lifecycle in every registry
   • The training GPU’s display resolution
   • A random tensor without a model version
3. How can a registry support a model rollback?
   • By guaranteeing every server switches instantly
   • By deleting all previous versions
   • By retaining a previous artifact that the serving workflow can reload and validate
   • By changing the training labels automatically
4. 레지스트리의 모델 서명이란 무엇입니까?
   • 데이터 과학자의 자필 사인
   • 데이터베이스의 비밀번호
   • 모델의 학습 기간
   • 모델의 예상 입력 및 출력 유형을 설명하는 스키마
5. 기록된 계보(데이터 세트, 코드 커밋, 하이퍼파라미터)가 중요한 이유는 무엇입니까?
   • 각 버전의 구축 방식에 대한 재현성과 감사 가능성을 지원합니다.
   • 모델이 더 빠르게 실행되도록 합니다.
   • 모델의 정확도가 자동으로 향상됩니다.
   • 모델 파일을 압축합니다.
6. What connects a registered model decision to an actual application rollout?
   • A guarantee that registering a version deploys it everywhere
   • A required fax to the GPU vendor
   • A configured deployment workflow that loads and verifies the chosen artifact
   • A model signature alone with no serving system
7. A champion alias is reassigned, but a long-running server still has the old artifact loaded. What should an operator verify?
   • Only that the alias has a new value
   • That all servers reload automatically in every integration
   • Only the number of files in the registry
   • The artifact and version actually serving requests
8. A model signature expects numerical columns but a request sends strings. What can signature-aware validation help detect?
   • Whether the training labels are morally correct
   • An input schema or type mismatch
   • Every possible accuracy regression
   • A guarantee that all numerical inputs are in distribution