Викторина, связанная с руководством · Средний Уровень

Викторина по MLflow и отслеживанию жизненного цикла модели

Практикуйте отслеживание экспериментов MLflow, упаковку моделей и ссылки на версии реестра, включая роль псевдонимов в рабочих процессах развертывания моделей.

Связанные направляющие путиMlflow и отслеживание жизненного цикла модели
Вопрос 1 из 8

Какую основную проблему для специалистов по обработке данных решает MLflow Tracking?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какую основную проблему для специалистов по обработке данных решает MLflow Tracking?
    • Автоматическая маркировка необработанных данных обучения
    • Шифрование весов модели в состоянии покоя
    • Ведение сопоставимой записи параметров, показателей и артефактов во многих экспериментах.
    • Замена необходимости в кластере Kubernetes
  2. Which MLflow component stores registered model versions and their tags or aliases?
    • Модельный реестр
    • The learning-rate scheduler
    • The training-data labeler
    • The Kubernetes pod scheduler
  3. Что означает, что MLflow не зависит от платформы?
    • Он работает только с TensorFlow.
    • Требуется переписать модели на специальном языке.
    • Он работает только на Databricks
    • Он работает со многими библиотеками машинного обучения, такими как scikit-learn, PyTorch и XGBoost.
  4. Какова цель формата модели MLflow?
    • Сжатие обучающих данных
    • Обернуть обученную модель ее инфраструктурой и метаданными, чтобы ее можно было развернуть разными способами.
    • Запланировать работу по переподготовке
    • Для визуализации слоев нейронной сети
  5. Какая компания создала MLflow?
    • Блоки данных
    • Google
    • Нетфликс
    • Amazon
  6. Как MLflow расширяется для поддержки генеративных приложений искусственного интеллекта?
    • Отказ от поддержки классических моделей машинного обучения.
    • Став продуктом с закрытым исходным кодом
    • Путем замены всех тренировочных рамок
    • Добавляя отслеживание, управление подсказками и оценку для приложений LLM.
  7. A deployment resolves an MLflow model through a champion alias. What can reassignment of that alias change?
    • The recorded metrics inside every old experiment
    • The registered model version that the named reference resolves to
    • The model framework of all stored artifacts
    • The training labels in a historical dataset
  8. Two MLflow runs use different learning rates. What record helps compare their validation results?
    • Only the wall color of the training room
    • A registry alias without any run information
    • Each run’s logged parameters and validation metrics
    • A notebook filename without the experiment outputs