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.
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.
- 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
- Waar staat de 'CT' in een ML-pijplijncontext meestal voor?
- Code-overdracht
- Continue training
- Containertesten
- Centrale Telemetrie
- 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
- Welke van deze is een tool die vaak wordt gebruikt om ML-pijplijnen te orkestreren?
- Microsoft Woord
- VLC-mediaspeler
- WinRAR
- Kubeflow-pijpleidingen
- 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
- 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
- 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
- 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