Quiz połączony z przewodnikiem · Średni Poziom

Quiz CI/CD dotyczący uczenia maszynowego

Sprawdź, jak potoki dostarczania uczenia maszynowego weryfikują dane, szkolą i oceniają modele, stosują bramki promocji i uzgadniają stan wdrożenia.

Powiązane ścieżki prowadząceCi CD do uczenia maszynowego
Pytanie 1 z 8

Co CI/CD w uczeniu maszynowym dodaje poza tradycyjnym oprogramowaniem CI/CD?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Co CI/CD w uczeniu maszynowym dodaje poza tradycyjnym oprogramowaniem CI/CD?
    • Automatyzacja problemów związanych z danymi i modelami, a nie tylko kodem
    • Nic — jest identyczne z oprogramowaniem CI/CD
    • Tylko szybsza kompilacja
    • Nowy język programowania
  2. Co zwykle oznacza „CT” w kontekście potoku ML?
    • Przesyłanie kodu
    • Ciągłe szkolenie
    • Testowanie kontenerów
    • Centralna telemetria
  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. Które z nich jest narzędziem powszechnie używanym do organizowania potoków uczenia maszynowego?
    • Microsoft Słowo
    • Odtwarzacz multimediów VLC
    • WinRARA
    • Rurociągi Kubeflow
  5. Dlaczego potok uczenia maszynowego może zawierać etap sprawdzania poprawności schematu danych?
    • Aby wychwycić zniekształcone lub przesunięte dane wejściowe, zanim zaszkodzą one szkoleniu
    • Aby procesor graficzny działał chłodniej
    • Aby skompresować zbiór danych
    • Aby losowo zmienić nazwy kolumn
  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