분산 AI 퀴즈를 위한 Ray

퀴즈를 풀면 정답과 설명이 나타납니다.

1. Ray는 주로 어떤 문제를 해결합니까?
   • 최소한의 코드 변경으로 Python 및 AI 워크로드를 단일 시스템에서 대규모 클러스터로 확장
   • 이미지에 자동으로 라벨 지정
   • 모델 파일 압축
   • 신경망 아키텍처 설계
2. Ray에서 '과제'와 '배우'의 차이점은 무엇인가요?
   • 작업은 이미지용이고 액터는 텍스트용입니다.
   • 작업은 상태가 없는 병렬 함수 호출입니다. 행위자는 상태를 보유하는 상태 저장 작업자입니다.
   • 그들은 동일하다
   • 태스크는 CPU에서만 실행되고 액터는 프린터에서만 실행됩니다.
3. 원격 작업을 시작하면 Ray가 즉시 무엇을 반환합니까?
   • 최종 결과는 항상
   • 오류 메시지
   • 나중에 ray.get()으로 확인하는 미래(객체 참조)
   • 전체 클러스터의 복사본
4. 분산 하이퍼파라미터 검색을 위해 설계된 Ray 라이브러리는 무엇입니까?
   • 레이 서브
   • 레이 데이터
   • RLlib
   • 레이 튠
5. Which object type do Ray’s docs explicitly say can be read from same-node object-store memory without a copy?
   • A NumPy array stored in Ray’s object store
   • Any Python object whenever an ObjectRef is passed
   • An object requested from another node with no network transfer
   • Only actor handles stored in a separate database
6. 확장 가능한 자동 확장 엔드포인트 뒤에 모델을 배포하는 데 어떤 Ray 라이브러리를 사용하시겠습니까?
   • 레이 튠
   • 레이 서브
   • 레이 트레인
   • 레이 데이터
7. How does Ray Serve decide when to add replicas in its built-in request-driven autoscaling?
   • It reads the model’s training loss
   • It changes the number of model parameters
   • It monitors ongoing requests or queue demand against configured targets
   • It scales only when a human edits the deployment
8. How does Ray move an object when a task on a different node needs it?
   • It shares the owner’s local memory directly across every node
   • It automatically copies all objects into each node’s GPU memory
   • It sends only an ObjectRef and never transfers the object data
   • It transfers the object over the cluster network; serialization, locality, and object size affect cost