Quiz Kubernetes dotyczący obciążeń ML

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jakie jest główne zadanie harmonogramu Kubernetes dla obciążeń ML?
   • Pisanie kodu szkoleniowego dla analityków danych
   • Decydowanie, który węzeł w klastrze uruchamia każdy konteneryzowany pod
   • Automatyczne etykietowanie danych szkoleniowych
   • Wybór architektury sieci neuronowej
2. W jaki sposób Kubernetes zazwyczaj udostępnia procesory graficzne dla kapsuły?
   • Za pośrednictwem wtyczek do urządzeń reklamujących zasoby, takie jak nvidia.com/gpu
   • Wysyłając wiadomość e-mail do dostawcy procesora graficznego w celu uzyskania licencji
   • W Kubernetesie nie można używać procesorów graficznych
   • Konwertując rdzenie procesora na procesory graficzne w czasie wykonywania
3. With a NoSchedule taint on a GPU node, what does a matching pod toleration do?
   • Forces the pod onto that node regardless of capacity
   • Changes the model’s optimizer
   • Allows the pod to be considered for that node without guaranteeing placement
   • Encrypts every GPU tensor
4. Które narzędzie dodaje funkcje specyficzne dla uczenia maszynowego, takie jak operatory rozproszonego szkolenia, w oparciu o Kubernetes?
   • Microsoft Słowo
   • Apache do obsługi statycznych stron internetowych
   • Makro arkusza kalkulacyjnego
   • Kubeflow
5. Dlaczego Kubernetes dobrze nadaje się do dużych obciążeń ML?
   • Planuje zadania w oparciu o wolne zasoby i zwalnia ten sprzęt po zakończeniu zadań
   • Rezerwuje na stałe wszystkie procesory graficzne dla jednego użytkownika
   • Zapobiega zmniejszaniu skali zadania
   • Działa tylko jeden kontener na klaster
6. Co oznacza „skalowanie punktu końcowego wnioskowania do zera” w Kubernetesie?
   • Trwałe usunięcie modelu
   • Ustawianie dokładności na zero procent
   • Uruchamianie kopii zerowych, gdy nie ma ruchu, a następnie uruchamianie przy następnym żądaniu
   • Redukcja parametrów modelu do zera
7. One ML pod requests four GPUs, while two nodes each have only two available. Can ordinary scheduling combine those nodes for that one pod?
   • Yes; every pod automatically spans all cluster nodes
   • Yes; the scheduler converts CPU cores into the missing GPUs
   • Only if the pod name contains the word distributed
   • No; the pod must fit on one eligible node
8. An inference service scales to zero while idle. Which user-facing delay should its team test when traffic resumes?
   • The training-set labeling speed
   • Cold-start delay while a serving replica becomes ready
   • The file size of an unrelated notebook
   • The number of discarded vocabulary tokens