Рэй для викторины по распределенному ИИ

Ответы и пояснения появляются по мере прохождения теста.

1. Какую проблему в первую очередь решает Рэй?
   • Масштабирование рабочих нагрузок Python и искусственного интеллекта с одной машины на большой кластер с минимальным изменением кода.
   • Автоматическая маркировка изображений
   • Сжатие файлов модели
   • Проектирование архитектур нейронных сетей
2. В чем разница между «задачей» и «актером» в Рэе?
   • Задачи предназначены для изображений, а актеры — для текста.
   • Задача — это параллельный вызов функции без сохранения состояния; актер — это работник с состоянием, который хранит состояние
   • Они идентичны
   • Задачи выполняются только на процессорах, а актеры — только на принтерах.
3. Что Рэй возвращает сразу при запуске удаленной задачи?
   • Конечный результат всегда
   • Сообщение об ошибке
   • Будущее (ссылка на объект), которое вы позже разрешаете с помощью ray.get().
   • Копия всего кластера
4. Какая библиотека Ray предназначена для распределенного поиска гиперпараметров?
   • Рэй Сёрв
   • Рэй Дейта
   • RLlib
   • Рэй Тьюн
5. Which object type do Ray’s docs explicitly say can be read from same-node object-store memory without a copy?
   • A NumPy array stored in Ray’s object store
   • Any Python object whenever an ObjectRef is passed
   • An object requested from another node with no network transfer
   • Only actor handles stored in a separate database
6. Какую библиотеку Ray вы бы использовали для развертывания моделей за масштабируемой конечной точкой с автоматическим масштабированием?
   • Рэй Тьюн
   • Рэй Сёрв
   • Рэй Трейн
   • Рэй Дейта
7. How does Ray Serve decide when to add replicas in its built-in request-driven autoscaling?
   • It reads the model’s training loss
   • It changes the number of model parameters
   • It monitors ongoing requests or queue demand against configured targets
   • It scales only when a human edits the deployment
8. How does Ray move an object when a task on a different node needs it?
   • It shares the owner’s local memory directly across every node
   • It automatically copies all objects into each node’s GPU memory
   • It sends only an ObjectRef and never transfers the object data
   • It transfers the object over the cluster network; serialization, locality, and object size affect cost