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.
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.
- Как назывался KServe до того, как он стал самостоятельным проектом?
- КФСервинг
- КубеML
- МодельMesh
- Кнативные модели
- Какой основной пользовательский ресурс Kubernetes вы определяете для развертывания модели с помощью KServe?
- МодельРазвертывание
- Служба вывода
- PredictPod
- Диаграмма обслуживания
- 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
- Какой базовый проект обеспечивает автоматическое масштабирование KServe на основе запросов?
- Прометей
- Шлем
- Арго
- Родной
- 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
- Какой стандарт использует KServe, чтобы клиенты могли одинаково вызывать разные модели?
- Федерация GraphQL
- Открытый протокол вывода
- МЫЛО
- JDBC
- 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
- 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