Gids-gekoppelde quiz · Middelmatig Niveau

KServe en modelpresentatie op Kubernetes Quiz

Controleert de InferenceService van KServe, het laden van modelartefacten, het automatisch schalen van runtime, het bedienen van componenten en het gestandaardiseerde voorspellingsprotocol.

Vraag 1 van 8

Wat was de vorige naam van KServe voordat het een op zichzelf staand project werd?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat was de vorige naam van KServe voordat het een op zichzelf staand project werd?
    • KFServing
    • KubeML
    • ModelMesh
    • Knatieve modellen
  2. Wat is de primaire aangepaste Kubernetes-bron die u definieert om een model met KServe te implementeren?
    • Modelimplementatie
    • InferentieService
    • PredictPod
    • Serveergrafiek
  3. Welke mogelijkheid zorgt ervoor dat inactieve KServe-modellen geen rekenkracht verbruiken totdat er een verzoek binnenkomt?
    • Uitrol van de kanarie
    • Scherven
    • Schalen naar nul
    • Batch-gevolgtrekking
  4. Welk onderliggend project biedt de verzoekgestuurde automatische schaling van KServe?
    • Prometheus
    • Roer
    • Argo
    • Knatief
  5. Hoe krijgt KServe normaal gesproken modelartefacten in een serveerpod bij het opstarten?
    • Via een opslaginitialisator die gegevens uit de objectopslag haalt
    • Door modellen alleen in de containerafbeelding te bakken
    • Door het modelbestand te e-mailen
    • Via een handmatige kubectl-kopie
  6. Welke standaard gebruikt KServe zodat clients verschillende modellen op dezelfde manier kunnen aanroepen?
    • GraphQL-federatie
    • Het Open Inference Protocol
    • ZEEP
    • JDBC
  7. In KServe’s InferenceService pipeline, which component can apply pre- or post-processing around the predictor?
    • The storage initializer
    • The Knative autoscaler
    • De transformator
    • The Kubernetes scheduler
  8. What is a typical trade-off of scaling a model deployment down to zero replicas?
    • The model becomes permanently unavailable
    • Every request avoids model loading
    • The Kubernetes API is replaced
    • Idle compute is reduced, but the next request may incur a cold-start delay