Modulbewertung

1.

Das Planungssystem einer Klinik benötigt eine sofortige No-Show-Risikobewertung, wenn mitarbeiter einen Termin buchen. Für welchen Endpunkttyp sollte das Team das Modell bereitstellen?

Batch-Endpunkt

Onlineendpunkt

Privater Endpunkt

2.

Warum kann Azure Machine Learning das Bewertungsskript und die Umgebung automatisch generieren, wenn ein Data Science-Team ein Modell mit MLflow protokolliert?

Da das MLflow-Modellformat Metadaten speichert, die Azure Machine Learning bei der Bereitstellung zum Erstellen der Modelle verwendet

Da die Registrierung des Modells dieses in eine Pickle-Datei umwandelt, die keine zusätzliche Konfiguration erfordert

Da Azure Machine Learning nur die Bereitstellung von MLflow-Modellen unterstützt

3.

Ein Team leitet 25 % des Endpunktdatenverkehrs auf eine neue Modellbereitstellung um. Die Fehlerrate steigt stark an, hingegen bleibt die vorherige Bereitstellung stabil. Was sollte das Team zuerst tun?

Löschen sie die vorherige Bereitstellung, und erstellen Sie den Endpunkt neu.

Leiten Sie den gesamten Datenverkehr zurück zur vorherigen Bereitstellung, und untersuchen Sie dann die neue Version.

Erhöhen Sie den Datenverkehr weiter, um festzustellen, ob sich die Fehlerrate stabilisiert.

4.

Ein Team stellt ein Modell automatisch bereit und testet es, möchte aber, dass es von einem Prüfer genehmigt wird, bevor der Workflow den Produktionsdatenverkehr umleitet. Was sollte das Team konfigurieren?

Eine geschützte GitHub Produktionsumgebung mit einem erforderlichen Prüfer

Eine Branch-Schutzregel, die nach jeder Bereitstellung greift

Eine Repositoryvariable, die aufzeichnet, ob die Bereitstellung genehmigt wurde

5.

Ein Modellmonitor meldet ein anhaltendes Vorhersageabweichungssignal, und Klinikmitarbeiter bestätigen, dass die gekennzeichneten Patienten nicht wirklich ein hohes Risiko darstellen. Was ist der am besten geeignete nächste Schritt für das Data Science-Team?

Ignorieren des Signals, da die betriebstechnischen Metriken des Endpunkts eine normale Fehlerrate anzeigen

Untersuchen Sie das Signal, und ziehen Sie in Betracht, das Modell auf neuere Daten umzugestalten.

Löschen Sie den Endpunkt, damit er keine Vorhersagen mehr ausliefert

Feedback