Kuis ML 1 - Day 27 (Deployment MLops 1)

Apa perbedaan utama antara "Machine Learning Operations" dan "DevOps"?

• DevOps hanya berfokus pada pengembangan perangkat lunak, sementara MLOps mencakup pengelolaan model machine learning.

• MLOps hanya berfokus pada model machine learning, sedangkan DevOps mencakup semua aspek pengembangan perangkat lunak.

• Tidak ada perbedaan antara keduanya.

• DevOps dan MLOps identik, hanya istilah yang berbeda.

Apa yang membedakan MLOps dengan pengembangan model machine learning tradisional?

• MLOps hanya berfokus pada pengembangan model

• MLOps tidak menangani data

• MLOps menggunakan bahasa pemrograman yang berbeda

• MLOps membantu automatisasi secara end to end dari pengembangan model, deployment model, monitoring model

Apa peran utama MLOps dalam siklus hidup pengembangan model?

• Pelatihan model

• Implementasi model

• Manajemen model

• Evaluasi model

Mengapa penting memahami konsep MLOps dalam pengembangan model machine learning?

• Meningkatkan kecepatan komputasi

• Memastikan keamanan data

• Menjamin keberlanjutan dan kinerja model

• Mempercepat penerapan model

Apa keuntungan utama Continuous Integration (CI) dalam konteks pengembangan model machine learning?

• Penyusunan kode yang lebih cepat

• Pengujian otomatis yang konsisten

• Penyusunan model yang lebih akurat

• Pengelolaan dataset yang lebih efisien

Apa perbedaan antara Continuous Integration (CI) dan Continuous Deployment (CD)?

• CI hanya melibatkan pengujian, CD melibatkan penerapan otomatis

• CI dan CD adalah hal yang sama

• CI fokus pada pelatihan model, CD fokus pada implementasi model

• CI melibatkan pengujian manual, CD melibatkan pengujian otomatis

Bagaimana Continuous Integration (CI) dapat membantu dalam mendeteksi masalah lebih awal dalam pengembangan model?

• Melalui pengujian otomatis dan integrasi kode secara terus-menerus

• Dengan meningkatkan kompleksitas model

• Hanya melalui pengujian manual

• Dengan mengurangi frekuensi pengujian.

Apa tujuan utama dari penggunaan pipeline dalam pengembangan model machine learning?

• Meningkatkan akurasi model

• Mengelola aliran kerja pengembangan

• Mengurangi kompleksitas kode

• Memilih algoritma yang tepat

Manfaat apa yang didapatkan dengan menggunakan pipeline untuk MLOps?

• Memudahkan manage experiments, data, model, dan code dalam pengembangan machine learning

• Mengurangi kompleksitas pengelolaan data

• Menjamin akurasi model yang tinggi

• Memilih model yang paling kompleks

Bagaimana sebuah pipeline dapat membantu dalam menangani masalah yang terkait dengan distribusi data yang besar?

• Dengan mengabaikan masalah distribusi data

• Dengan mengurangi jumlah data yang digunakan

• Dengan membagi proses pengembangan menjadi tahapan yang terpisah

• Dengan meningkatkan kompleksitas model