Test legat de ghid · Mediu Nivel

CI/CD pentru testul de învățare automată

Check how ML delivery pipelines validate data, train and evaluate models, apply promotion gates, and reconcile deployment state.

Căi de ghidare aferenteCi Cd Pentru Machine Learning
Întrebare 1 de 8

Ce adaugă CI/CD pentru învățarea automată dincolo de software-ul tradițional CI/CD?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce adaugă CI/CD pentru învățarea automată dincolo de software-ul tradițional CI/CD?
    • Automatizarea preocupărilor privind datele și modelele, nu doar codul
    • Nimic – este identic cu software-ul CI/CD
    • Doar o compilare mai rapidă
    • Un nou limbaj de programare
  2. Ce înseamnă de obicei „CT” într-un context de pipeline ML?
    • Transfer de cod
    • Formare continuă
    • Testarea containerelor
    • Telemetrie centrală
  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. Care dintre acestea este un instrument folosit în mod obișnuit pentru a orchestra conducte ML?
    • Microsoft Cuvânt
    • VLC Media Player
    • WinRAR
    • Conducte Kubeflow
  5. De ce ar putea un pipeline ML să includă un pas de validare a schemei de date?
    • Pentru a captura date de intrare malformate sau în derivă înainte ca acestea să corupă antrenamentul
    • Pentru a face GPU-ul să funcționeze mai rece
    • Pentru a comprima setul de date
    • Pentru a redenumi aleatoriu coloanele
  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