گائیڈ سے منسلک کوئز · آسان سطح
AI ماڈلز نے کوئز کی وضاحت کی۔
ٹیسٹ ماڈل ان پٹ اور آؤٹ پٹس، سیکھے گئے پیرامیٹرز، ہائپر پیرامیٹر، بازیافت، فائن ٹیوننگ، اور ٹاسک پر مبنی ماڈل کا انتخاب ماپا ثبوت کا استعمال کرتے ہوئے۔
سوال 1 کی 8
AI ایپلیکیشن کا کون سا جزو خود مشین لرننگ ماڈل ہے؟
ہر سوال کا جائزہ لیں۔8 سوالات
جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔
- AI ایپلیکیشن کا کون سا جزو خود مشین لرننگ ماڈل ہے؟
- ایک ریاضی کا نظام نقشہ سازی کا ایک ڈھانچہ اور سیکھے ہوئے پیرامیٹرز کے ساتھ آؤٹ پٹس میں داخل کرتا ہے۔
- ایک صارف انٹرفیس جس میں ہر پروڈکٹ کی خصوصیت ہوتی ہے۔
- ویب سائٹس کا ایک سیٹ ماڈل کو دیکھنے کی اجازت ہے۔
- ایک پالیسی دستاویز جو اس بات کی وضاحت کرتی ہے کہ ٹیم AI کو کس طرح استعمال کرتی ہے۔
- ایک ٹیم کے پاس ایک فرم 100 ms تاخیر کی حد ہے۔ گائیڈ کے مثالی امتحان میں، کون سا امیدوار اس پر پورا اترتا ہے؟
- Model B at 94% accuracy and 400 ms
- Model A at 92% accuracy and 30 ms
- Neither, because accuracy must be 100%
- Both, because they score above 90%
- کون سا آئٹم سیکھے ہوئے پیرامیٹر کے بجائے ہائپر پیرامیٹر ہے؟
- A weight value adjusted during training
- A coefficient the fitted model uses for an input
- A tree-depth limit selected through validation
- A prediction returned for one example
- تلاش کا نظام استفسار کے وقت ماڈل کو بازیافت شدہ دستاویز فراہم کرتا ہے۔ دوبارہ تربیت کے بغیر کیا تبدیلیاں آتی ہیں؟
- It necessarily retrains model weights
- It fine-tunes the model on every query
- It permanently changes the model version
- It adds available evidence without changing model weights
- ایک ڈویلپر اضافی مثالوں پر ایک ماڈل کو ٹھیک کرتا ہے۔ کیا تبدیلیاں؟
- Model weights, without guaranteeing the information is current
- Only the text retrieved for one query
- The application’s user interface but never the model
- The validation set but not model behavior
- A team adapts a foundation model to a new document task. Which statement about this reuse is accurate?
- It is necessarily the first AI model ever built
- It can be adapted to multiple tasks, but still needs evaluation
- It is only a model for building construction
- It must be fine-tuned before it can answer any prompt
- Why should a team re-evaluate after changing a model version?
- Interfaces always change whenever versions change
- A new version makes latency measurements unnecessary
- Behavior can change even while interfaces stay stable
- A model name proves it is more accurate
- How should a team choose among candidate models for a defined application?
- Select the largest parameter count by default
- Use a leaderboard score without checking its errors
- Choose the newest version without testing
- Compare representative inputs, errors and operating constraints, then prefer the simplest adequate option