Test explicativ pentru modelele AI

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Ce componentă a unei aplicații AI este modelul de învățare automată în sine?
   • Un sistem matematic care mapează intrările la ieșiri cu o structură și parametri învățați
   • O interfață de utilizator care conține fiecare caracteristică a produsului
   • Un set de site-uri web pe care modelul îi este permis să le viziteze
   • Un document de politică care definește modul în care o echipă folosește inteligența artificială
2. O echipă are o limită fermă de latență de 100 ms. În testul ilustrativ al ghidului, care candidat îl îndeplinește?
   • Model B at 94% accuracy and 400 ms
   • Model A at 92% accuracy and 30 ms
   • Neither, because accuracy must be 100%
   • Both, because they score above 90%
3. Care articol este mai degrabă un hiperparametru decât un parametru învățat?
   • A weight value adjusted during training
   • A coefficient the fitted model uses for an input
   • A tree-depth limit selected through validation
   • A prediction returned for one example
4. Un sistem de căutare furnizează un document preluat unui model în momentul interogării. Ce se schimbă fără recalificare?
   • It necessarily retrains model weights
   • It fine-tunes the model on every query
   • It permanently changes the model version
   • It adds available evidence without changing model weights
5. Un dezvoltator ajustează un model pe exemple suplimentare. Ce se schimba?
   • Model weights, without guaranteeing the information is current
   • Only the text retrieved for one query
   • The application’s user interface but never the model
   • The validation set but not model behavior
6. A team adapts a foundation model to a new document task. Which statement about this reuse is accurate?
   • It is necessarily the first AI model ever built
   • It can be adapted to multiple tasks, but still needs evaluation
   • It is only a model for building construction
   • It must be fine-tuned before it can answer any prompt
7. Why should a team re-evaluate after changing a model version?
   • Interfaces always change whenever versions change
   • A new version makes latency measurements unnecessary
   • Behavior can change even while interfaces stay stable
   • A model name proves it is more accurate
8. How should a team choose among candidate models for a defined application?
   • Select the largest parameter count by default
   • Use a leaderboard score without checking its errors
   • Choose the newest version without testing
   • Compare representative inputs, errors and operating constraints, then prefer the simplest adequate option