แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

CI/CD สำหรับแบบทดสอบการเรียนรู้ของเครื่อง

ตรวจสอบว่าไปป์ไลน์การนำส่ง ML ตรวจสอบข้อมูล ฝึกอบรมและประเมินโมเดล ใช้ช่องทางโปรโมชัน และกระทบยอดสถานะการปรับใช้อย่างไร

เส้นทางแนะนำที่เกี่ยวข้องCi Cd สำหรับการเรียนรู้ของเครื่อง
คำถาม 1 ของ 8

CI/CD สำหรับแมชชีนเลิร์นนิงเพิ่มอะไรนอกเหนือจากซอฟต์แวร์ CI/CD แบบเดิม

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. CI/CD สำหรับแมชชีนเลิร์นนิงเพิ่มอะไรนอกเหนือจากซอฟต์แวร์ CI/CD แบบเดิม
    • การทำงานอัตโนมัติของข้อมูลและโมเดลเกี่ยวข้องกับ ไม่ใช่แค่โค้ด
    • ไม่มีอะไร — มันเหมือนกับซอฟต์แวร์ CI/CD
    • การรวบรวมที่เร็วขึ้นเท่านั้น
    • ภาษาโปรแกรมใหม่
  2. 'CT' ในบริบทไปป์ไลน์ ML มักจะหมายถึงอะไร
    • การโอนรหัส
    • การฝึกอบรมอย่างต่อเนื่อง
    • การทดสอบคอนเทนเนอร์
    • เซ็นทรัลเทเลเมทรี
  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. ข้อใดต่อไปนี้เป็นเครื่องมือที่ใช้กันทั่วไปในการเตรียมการไปป์ไลน์ ML
    • Microsoft คำพูด
    • VLC มีเดียเพลเยอร์
    • WinRAR
    • ไปป์ไลน์ Kubeflow
  5. เหตุใดไปป์ไลน์ ML จึงอาจมีขั้นตอนการตรวจสอบสคีมาข้อมูลด้วย
    • เพื่อตรวจจับข้อมูลอินพุตที่มีรูปแบบไม่ถูกต้องหรือลอยไปก่อนที่การฝึกอบรมจะเสียหาย
    • เพื่อให้ GPU ทำงานเย็นลง
    • เพื่อบีบอัดชุดข้อมูล
    • เพื่อเปลี่ยนชื่อคอลัมน์แบบสุ่ม
  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