A. 컨텍스트 매개변수를 사용하면 사용자가 비즈니스 사례의 관련 세부정보를 포함하여 다운스트림 사용자가 모델의 목적을 이해할 수 있습니다.

B. 컨텍스트 매개변수를 사용하면 사용자는 지정된 애플리케이션의 현재 시나리오에 따라 사용해야 하는 등록된 MLflow 모델의 버전을 지정할 수 있습니다.

C. 컨텍스트 매개변수를 사용하면 사용자는 주어진 애플리케이션의 현재 시나리오에 대해 완전히 사용자 정의된 if-else 논리를 모델에 제공할 수 있습니다.

D. 컨텍스트 매개변수를 사용하면 사용자가 전처리 모델 또는 사용자 정의 구성 파일과 같은 객체에 대한 모델 액세스를 제공할 수 있습니다.

E. 컨텍스트 매개변수를 사용하면 사용자가 모델이 배포된 후 모델의 성능을 문서화할 수 있습니다.

A. mlflow.spark.autolog()

B. Spark.conf.set("autologging", True)

C. MLflow 실행을 자동으로 기록할 수 없습니다.

D. mlflow.autolog()

E. mlflow.sklearn.autolog()

A. mlflow.shap

B. client.log_artifact

C. mlflow.shap.log_explanation

D. mlflow.log_Figure

E. 이러한 작업 중 어느 것도 작업을 수행할 수 없습니다.

A. python_function을 사용하여 MLmodel 파일에 모델을 저장할 수 있습니다.

B. python_function을 사용하여 병렬화 가능한 방식으로 모델을 배포할 수 있습니다.

C. python_function을 사용하면 모델을 생성하는 데 어떤 라이브러리가 사용되었는지 걱정하지 않고 모델을 배포할 수 있습니다.

D. python_function을 사용하면 모델이 배치, 스트리밍 또는 실시간 환경에 배포되는지 여부에 대해 걱정하지 않고 모델을 배포할 수 있습니다.

E. python_function은 내장된 라이브러리별 모델 버전에 비해 이점을 제공하지 않습니다.

A. 더 이상 파이프라인과 같은 기계 학습 객체가 필요하지 않습니다.

B. 이 접근 방식은 다운스트림 배포를 위해 기록된 Pvfunc 모델을 로드할 때 영향을 미치지 않습니다.

C. fit을 호출할 때 동일한 전처리 논리가 자동으로 적용됩니다.

D. pvfunc 모델을 사용하여 병렬화 가능한 방식으로 모델을 배포할 수 있습니다.

E. 예측을 호출할 때 동일한 전처리 논리가 자동으로 적용됩니다.