Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ
CI/CD cho bài kiểm tra học máy
Kiểm tra cách quy trình phân phối ML xác thực dữ liệu, đào tạo và đánh giá các mô hình, áp dụng các cổng quảng cáo và điều chỉnh trạng thái triển khai.
Câu hỏi 1 của 8
CI/CD cho máy học bổ sung thêm gì ngoài CI/CD phần mềm truyền thống?
Xem trước mọi câu hỏi8 câu hỏi
Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.
- CI/CD cho máy học bổ sung thêm gì ngoài CI/CD phần mềm truyền thống?
- Tự động hóa các mối quan tâm về dữ liệu và mô hình, không chỉ mã
- Không có gì - nó giống hệt với phần mềm CI/CD
- Chỉ biên dịch nhanh hơn
- Một ngôn ngữ lập trình mới
- 'CT' trong bối cảnh đường ống ML thường có nghĩa là gì?
- Chuyển mã
- Đào tạo liên tục
- Kiểm tra vùng chứa
- Đo từ xa trung tâm
- 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
- Công cụ nào sau đây thường được sử dụng để điều phối quy trình ML?
- Microsoft Từ
- Trình phát đa phương tiện VLC
- WinRAR
- Đường ống Kubeflow
- Tại sao quy trình ML có thể bao gồm bước xác thực lược đồ dữ liệu?
- Để nắm bắt dữ liệu đầu vào không đúng định dạng hoặc bị sai lệch trước khi nó làm hỏng quá trình đào tạo
- Để GPU chạy mát hơn
- Để nén tập dữ liệu
- Để đổi tên các cột ngẫu nhiên
- 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
- 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
- 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