Rehber bağlantılı sınav · Orta Seviye

Makine Öğrenimi Testi için CI/CD

ML teslim işlem hatlarının verileri nasıl doğruladığını, modelleri eğitip değerlendirdiğini, promosyon kapılarını nasıl uyguladığını ve dağıtım durumunu nasıl uzlaştırdığını kontrol edin.

İlgili kılavuz yollarıMakine Öğrenimi İçin Ci Cd
Soru 1 arasında 8

Makine öğrenimi için CI/CD, geleneksel yazılım CI/CD'sinin ötesine neler katıyor?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Makine öğrenimi için CI/CD, geleneksel yazılım CI/CD'sinin ötesine neler katıyor?
    • Yalnızca kodun değil, veri ve model kaygılarının otomasyonu
    • Hiçbir şey — yazılım CI/CD'siyle aynıdır
    • Yalnızca daha hızlı derleme
    • Yeni bir programlama dili
  2. Makine öğrenimi hattı bağlamında 'CT' genellikle neyi ifade eder?
    • Kod Transferi
    • Sürekli Eğitim
    • Konteyner Testi
    • Merkezi Telemetri
  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. Bunlardan hangisi makine öğrenimi ardışık düzenlerini düzenlemek için yaygın olarak kullanılan bir araçtır?
    • Microsoft Kelime
    • VLC Medya Oynatıcı
    • WinRAR
    • Kubeflow Boru Hatları
  5. Bir ML işlem hattı neden bir veri şeması doğrulama adımı içerebilir?
    • Yanlış biçimlendirilmiş veya sürüklenen giriş verilerini eğitimi bozmadan önce yakalamak için
    • GPU'nun daha serin çalışmasını sağlamak için
    • Veri kümesini sıkıştırmak için
    • Sütunları rastgele yeniden adlandırmak için
  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