Ray dla quizu dotyczącego rozproszonej sztucznej inteligencji

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaki problem rozwiązuje przede wszystkim Ray?
   • Skalowanie obciążeń Pythona i AI z pojedynczej maszyny do dużego klastra przy minimalnej zmianie kodu
   • Automatyczne etykietowanie obrazów
   • Kompresja plików modeli
   • Projektowanie architektur sieci neuronowych
2. Jaka jest w przypadku Raya różnica między „zadaniem” a „aktorem”?
   • Zadania dotyczą obrazów, a aktorzy – tekstu
   • Zadanie to bezstanowe wywołanie funkcji równoległej; aktor jest państwowym pracownikiem, który sprawuje władzę
   • Są identyczne
   • Zadania działają tylko na procesorach, a aktorzy tylko na drukarkach
3. Co Ray zwraca natychmiast po uruchomieniu zadania zdalnego?
   • Zawsze ostateczny wynik
   • Komunikat o błędzie
   • Przyszłość (odniesienie do obiektu), którą później rozwiążesz za pomocą ray.get()
   • Kopia całego klastra
4. Która biblioteka Ray jest przeznaczona do rozproszonego wyszukiwania hiperparametrów?
   • Ray Serve
   • Dane Raya
   • RLlib
   • Ray Tune
5. Which object type do Ray’s docs explicitly say can be read from same-node object-store memory without a copy?
   • A NumPy array stored in Ray’s object store
   • Any Python object whenever an ObjectRef is passed
   • An object requested from another node with no network transfer
   • Only actor handles stored in a separate database
6. Której biblioteki Ray użyłbyś do wdrożenia modeli za skalowalnym, automatycznie skalowanym punktem końcowym?
   • Ray Tune
   • Ray Serve
   • Pociąg Raya
   • Dane Raya
7. How does Ray Serve decide when to add replicas in its built-in request-driven autoscaling?
   • It reads the model’s training loss
   • It changes the number of model parameters
   • It monitors ongoing requests or queue demand against configured targets
   • It scales only when a human edits the deployment
8. How does Ray move an object when a task on a different node needs it?
   • It shares the owner’s local memory directly across every node
   • It automatically copies all objects into each node’s GPU memory
   • It sends only an ObjectRef and never transfers the object data
   • It transfers the object over the cluster network; serialization, locality, and object size affect cost