Викторина, связанная с руководством · Средний Уровень

Викторина по CI/CD для машинного обучения

Проверьте, как конвейеры доставки машинного обучения проверяют данные, обучают и оценивают модели, применяют шлюзы продвижения и согласовывают состояние развертывания.

Связанные направляющие путиCi Cd для машинного обучения
Вопрос 1 из 8

Что дает CI/CD для машинного обучения помимо традиционного программного обеспечения CI/CD?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Что дает CI/CD для машинного обучения помимо традиционного программного обеспечения CI/CD?
    • Автоматизация данных и моделей, а не только кода
    • Ничего — идентично программному обеспечению CI/CD.
    • Только более быстрая компиляция
    • Новый язык программирования
  2. Что обычно означает «CT» в контексте конвейера машинного обучения?
    • Передача кода
    • Непрерывное обучение
    • Тестирование контейнеров
    • Центральная телеметрия
  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. Какой из этих инструментов обычно используется для организации конвейеров машинного обучения?
    • Microsoft Слово
    • VLC Медиаплеер
    • WinRAR
    • Трубопроводы Kubeflow
  5. Почему конвейер машинного обучения может включать этап проверки схемы данных?
    • Чтобы обнаружить искаженные или смещенные входные данные, прежде чем они испортят обучение.
    • Чтобы графический процессор работал холоднее
    • Чтобы сжать набор данных
    • Чтобы переименовать столбцы случайным образом
  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