Questo browser non è più supportato.
Esegui l'aggiornamento a Microsoft Edge per sfruttare i vantaggi di funzionalità più recenti, aggiornamenti della sicurezza e supporto tecnico.
Scegliere la risposta migliore per ogni domanda.
Il sistema di pianificazione di una clinica deve disporre di un punteggio immediato del rischio di mancata presentazione nel momento in cui il personale prenota un appuntamento. In quale tipo di endpoint il team deve distribuire il modello?
Endpoint batch
Endpoint in linea
Endpoint privato
Perché Azure Machine Learning può generare automaticamente lo script di scoring e l'ambiente quando un team di data science registra un modello con MLflow?
Poiché il formato del modello MLflow archivia i metadati usati Azure Machine Learning per compilarli durante la distribuzione
Poiché la registrazione del modello lo converte in un file pickle che non richiede alcuna configurazione aggiuntiva
Poiché Azure Machine Learning supporta solo la distribuzione di modelli MLflow
Un team sposta il 25% del traffico degli endpoint verso la distribuzione di un nuovo modello. Il suo tasso di errore aumenta bruscamente, mentre la distribuzione precedente rimane stabile. Cosa deve fare prima il team?
Eliminare la distribuzione precedente e ricreare l'endpoint
Instradare tutto il traffico verso la distribuzione precedente, quindi analizzare la nuova versione
Continuare ad aumentare il traffico per determinare se la frequenza degli errori si stabilizza
Un team distribuisce e testa automaticamente un modello, ma vuole che un revisore lo approvi prima che il flusso di lavoro sposti il traffico di produzione. Cosa deve configurare il team?
Un ambiente di produzione protetto GitHub con un revisore obbligatorio
Regola di protezione del ramo che viene eseguita dopo ogni distribuzione
Variabile del repository che registra se la distribuzione è stata approvata
Un monitoraggio del modello segnala un segnale di deriva della previsione sostenuta e il personale della clinica conferma che i pazienti contrassegnati non sono effettivamente ad alto rischio. Qual è il passaggio successivo più appropriato per il team di data science?
Ignorare il segnale, poiché le metriche operative dell'endpoint mostrano una frequenza di errore normale
Analizzare il segnale e valutare la possibilità di ripetere il training del modello sui dati più recenti
Elimina l'endpoint in modo che smetta di fornire previsioni
Devi rispondere a tutte le domande prima di controllare il lavoro svolto.
Questa pagina è stata utile?
Serve aiuto con questo argomento?
Provare a usare Ask Learn per chiarire o guidare l'utente in questo argomento?