Викторина, связанная с руководством · Средний Уровень

KServe и обслуживание моделей в викторине Kubernetes

Проверяет KServe InferenceService, загрузку артефактов модели, автомасштабирование во время выполнения, обслуживающие компоненты и стандартизированный протокол прогнозирования.

Связанные направляющие путиKserve и обслуживание моделей в Kubernetes
Вопрос 1 из 8

Как назывался KServe до того, как он стал самостоятельным проектом?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Как назывался KServe до того, как он стал самостоятельным проектом?
    • КФСервинг
    • КубеML
    • МодельMesh
    • Кнативные модели
  2. Какой основной пользовательский ресурс Kubernetes вы определяете для развертывания модели с помощью KServe?
    • МодельРазвертывание
    • Служба вывода
    • PredictPod
    • Диаграмма обслуживания
  3. Какая возможность позволяет бездействующим моделям KServe потреблять нулевую вычислительную мощность до тех пор, пока не поступит запрос?
    • Канарское внедрение
    • Шардинг
    • Масштабирование до нуля
    • Пакетный вывод
  4. Какой базовый проект обеспечивает автоматическое масштабирование KServe на основе запросов?
    • Прометей
    • Шлем
    • Арго
    • Родной
  5. Как KServe обычно передает артефакты модели в обслуживающий модуль при запуске?
    • Через инициализатор хранилища, который извлекает данные из объектного хранилища.
    • Запекая модели только в образ контейнера
    • Отправив файл модели по электронной почте
    • Через ручное копирование kubectl
  6. Какой стандарт использует KServe, чтобы клиенты могли одинаково вызывать разные модели?
    • Федерация GraphQL
    • Открытый протокол вывода
    • МЫЛО
    • JDBC
  7. In KServe’s InferenceService pipeline, which component can apply pre- or post-processing around the predictor?
    • The storage initializer
    • The Knative autoscaler
    • Трансформатор
    • The Kubernetes scheduler
  8. What is a typical trade-off of scaling a model deployment down to zero replicas?
    • The model becomes permanently unavailable
    • Every request avoids model loading
    • The Kubernetes API is replaced
    • Idle compute is reduced, but the next request may incur a cold-start delay