已不再支援此瀏覽器。
請升級至 Microsoft Edge，以利用最新功能、安全性更新和技術支援。
針對每個問題選擇最適合的答案。
診所的預約系統在員工預約時，立即提供爽約風險分數。 團隊應該部署模型到哪種端點類型？
批次端點
線上端點
私人端點
為什麼 Azure Machine Learning 能在資料科學團隊用 MLflow 記錄模型時自動產生評分腳本和環境？
因為 MLflow 模型格式儲存了 Azure Machine Learning 在部署時用來建置的元資料
因為註冊模型會將其轉換成不需要額外設定的 pickle 檔案
因為 Azure Machine Learning 只支援部署 MLflow 模型
團隊將 25% 的端點流量轉移到新模型部署。 其錯誤率急劇上升，而先前部署則保持良好狀態。 球隊應該先做什麼？
刪除之前的部署並重新建立端點
將所有流量路由回先前部署，然後再調查新版本
持續增加流量以判斷錯誤率是否穩定
團隊會自動部署並測試模型，但希望審查者在工作流程轉移生產流量前先批准。 團隊應該設定什麼？
一個受保護的 GitHub 生產環境，並附有必須的審查者
一個每次部署後都會執行的分支保護規則
一個記錄部署是否被批准的儲存庫變數
模型監測器報告持續的預測漂移訊號，診所人員確認被標記的患者並非真正高風險。 資料科學團隊接下來最合適的下一步是什麼？
忽略該訊號，因為端點的操作指標顯示錯誤率正常
調查該訊號，並考慮用較新的資料重新訓練模型
刪除端點，讓它停止提供預測
您必須先回答所有問題，才能檢查進度。
此頁面對您有幫助嗎？
需要本主題的協助嗎？
想要嘗試使用 Ask Learn 來釐清或引導您完成本主題嗎？