Đào tạo NHNN_Tổng quan MLOps

Một trong các mục tiêu chính của MLOps là gì?

• Làm tăng chi phí vận hành hệ thống

• Làm chậm quá trình triển khai mô hình

• Cải thiện độ tin cậy và khả năng mở rộng của hệ thống AI

• Giảm độ chính xác mô hình để phù hợp thực tế

Trong quá trình huấn luyện, feature engineering là:

• Lựa chọn mô hình phù hợp

• Mã hóa nhãn đầu ra

• Xây dựng đặc trưng từ dữ liệu thô

• Kiểm tra chất lượng mô hình

Loại triển khai nào giúp giảm rủi ro bằng cách áp dụng dần mô hình mới?

• A/B Testing

• Canary Release

• Full Rollout

• Blue-Green Deployment

Trong đánh giá mô hình, việc đánh giá trên tập validation nhằm mục đích gì?

• Giảm thời gian huấn luyện

• Đảm bảo mô hình không overfit dữ liệu huấn luyện

• Tăng độ chính xác trên tập training

• Giảm số lượng siêu tham số

Trong Shadow Deployment, mô hình mới:

• Thay thế hoàn toàn mô hình cũ

• Không được triển khai

• Chạy song song nhưng không ảnh hưởng người dùng

• Chạy thử trên dữ liệu ảo

Trong batch deployment, mô hình:

• Được triển khai theo thời gian thực

• Phù hợp với các ứng dụng gợi ý sản phẩm ngay lập tức

• Chạy theo chu kỳ định sẵn như hàng tuần/tháng

• Không yêu cầu kiểm thử

Đâu là thách thức phổ biến nhất khi thiếu quy trình MLOps?

• Tăng tốc độ xử lý

• Thiếu kiểm soát phiên bản mô hình

• Tăng độ chính xác mô hình

• Dễ dàng mở rộng quy mô

Trong lựa chọn thuật toán mô hình, điều gì KHÔNG phải là tiêu chí đánh giá?

• Khả năng giải thích

• Độ chính xác

• Khả năng tương thích với dữ liệu

• Tên gọi của thuật toán

Một hệ thống MLOps hoàn chỉnh cần có khả năng:

• Huấn luyện mô hình 1 lần là đủ

• Tự động trigger huấn luyện khi hiệu suất suy giảm

• Bỏ qua bước kiểm thử A/B

• Không cần theo dõi hiệu suất

Giai đoạn đầu tiên trong quy trình MLOps là gì?

• Triển khai mô hình

• Thu thập và xử lý dữ liệu

• Giám sát mô hình

• Quản lý metadata