Quiz: MLOps

Question 1

Cosa differenzia MLOps dal classico DevOps?

Accepted Answer

MLOps aggiunge la gestione di dati, modelli e esperimenti al ciclo DevOps, affrontando il data drift e il model decay come sfide specifiche

Question 2

Cos'e il "data drift" in un sistema ML in produzione?

Accepted Answer

Il fenomeno per cui la distribuzione dei dati in input cambia rispetto a quella usata nel training, degradando le performance del modello

Question 3

Qual e lo scopo di un Feature Store in un'architettura MLOps?

Accepted Answer

Un repository centralizzato per calcolare, archiviare e servire features in modo consistente tra training e serving, eliminando il training-serving skew

Question 4

Cosa si intende per "model versioning" e perche e essenziale in MLOps?

Accepted Answer

Tracciare e archiviare ogni versione di un modello con i relativi parametri, dati di training e metriche, per garantire riproducibilita e rollback

Question 5

Qual e la differenza tra batch inference e online inference?

Accepted Answer

Batch inference elabora grandi volumi di dati periodicamente con alta latenza accettabile; online inference risponde a singole richieste in real-time con latenza minima