Gids-gekoppelde quiz · Middelmatig Niveau

CI/CD voor Machine Learning-quiz

Controleer hoe ML-leveringspijplijnen gegevens valideren, modellen trainen en evalueren, promotiepoorten toepassen en de implementatiestatus afstemmen.

Gerelateerde gidspadenCi-cd voor machinaal leren
Vraag 1 van 8

Wat voegt CI/CD voor machine learning toe naast de traditionele software CI/CD?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat voegt CI/CD voor machine learning toe naast de traditionele software CI/CD?
    • Automatisering van gegevens en modelkwesties, niet alleen code
    • Niets – het is identiek aan software CI/CD
    • Alleen snellere compilatie
    • Een nieuwe programmeertaal
  2. Waar staat de 'CT' in een ML-pijplijncontext meestal voor?
    • Code-overdracht
    • Continue training
    • Containertesten
    • Centrale Telemetrie
  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. Welke van deze is een tool die vaak wordt gebruikt om ML-pijplijnen te orkestreren?
    • Microsoft Woord
    • VLC-mediaspeler
    • WinRAR
    • Kubeflow-pijpleidingen
  5. Waarom kan een ML-pijplijn een validatiestap voor gegevensschema's bevatten?
    • Om verkeerd gevormde of afwijkende invoergegevens op te vangen voordat deze de training beschadigen
    • Om de GPU koeler te laten werken
    • Om de gegevensset te comprimeren
    • Om de kolommen willekeurig te hernoemen
  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