A. incoming_df를 Kafka 소스에서 readStream()을 기반으로 하는 데이터프레임으로 변경하면 write_table() 메서드가 이 데이터에 대해 지연 시간이 짧은 조회를 제공합니다.

B. incoming_df를 Kafka 소스에서 readStream()을 기반으로 하는 데이터프레임으로 변경하고 스트리밍 옵션을 True로 설정하여 테이블을 온라인 테이블로 게시합니다.

C. 트리거된 워크플로를 실행하여 Kafka 데이터를 기존 write_table() 명령에서 사용할 수 있는 데이터프레임으로 가져옵니다.

D. Kafka 스트림의 결과를 처리하여 온디맨드 특징 계산을 수행하는 사용자 지정 pyfunc MLflow 모델을 생성합니다.

A. fs.score_batch(model_uri, df)

B. df = fs.get_missing_features(spark_df, model_uri)
fs.score_batch(model_uri, df)
df = fs.get_missing_features(spark_df)

C. fs.score_batch(model_uri, spark_df)

D. fs.score_model(model_uri, spark_df)

E. df = fs.get_missing_features(spark_df, model_uri)
fs.score_model(model_uri, df)

A. 피처 스토어에 새로운 피처 테이블이 추가되었습니다

B. 비용 효율적인 새로운 SQL 엔드포인트 출시

C. 비용 효율적인 새로운 일자리 클러스터 출시

D. MLflow 모델 레지스트리에 새로운 모델 버전이 추가되었습니다.

E. 머신러닝 파이프라인에는 CI/CD 파이프라인이 필요하지 않습니다.

A. MLflow 실험에서 프로젝트별로 실행을 구성하는 데 사용할 수 있는 규칙입니다.

B. 배포 도구가 전처리 로직을 모델로 묶는 데 사용할 수 있는 규칙입니다.

C. MLflow 모델 레지스트리가 프로젝트별로 모델을 정리하는 데 사용할 수 있는 규칙입니다.

D. 배포 도구가 모델을 이해하는 데 사용할 수 있는 규칙

E. MLflow 모델 레지스트리가 모델 버전을 관리하는 데 사용할 수 있는 규칙입니다.

A. 코드 시작 부분에 mlflow.autolog()를 활성화하고, 이를 통해 사용자 지정 메트릭, 매개변수 및 시각화 파일을 자동으로 감지하고 로깅하도록 설정하세요.

B. 하이퍼파라미터를 YAML 파일에 저장하고, 메트릭을 CSV 파일에 저장한 다음, mlflow.log_artifact()를 사용하여 두 파일 모두를 추적 서버에 아티팩트로 업로드합니다.

C. 학습 중에 모든 사용자 지정 메트릭 및 매개변수를 표준 출력으로 기록하고 MLflow의 추적 서버가 이러한 출력을 수집하도록 구성합니다.

D. 활성 MLflow 실행 컨텍스트 내에서 mlflow.log_metric("adjusted_f1", value), mlflow.log_params(nested_config) 및 mlflow.log_artifact("drift_plot.pdf")를 사용하고, mlflow.autolog()를 활성화하여 모델별 메타데이터를 자동으로 캡처합니다.