此浏览器不再受支持。
请升级到 Microsoft Edge 以使用最新的功能、安全更新和技术支持。
为各个问题选择最佳答案。
诊所的排班系统需要在员工预约时立即生成失约风险评分。 团队应将模型部署到哪个终结点类型？
批处理终结点
联机端点
专用终结点
当数据科学团队使用 MLflow 记录模型时，为什么Azure 机器学习自动生成评分脚本和环境？
因为 MLflow 模型格式存储了 Azure 机器学习 在部署期间用于构建模型的元数据
因为注册模型时会将其转换为无需额外配置的 Pickle 文件
因为Azure 机器学习仅支持部署 MLflow 模型
团队将终结点流量的 25% 转移到新的模型部署。 其错误率急剧上升，而以前的部署仍然正常运行。 团队应该先做什么？
删除以前的部署并重新创建终结点
将所有流量路由回以前的部署，然后调查新版本
继续增加流量，以确定错误率是否稳定
团队自动部署和测试模型，但希望审阅者在工作流转移生产流量之前批准该模型。 团队应配置哪些内容？
具有必需审阅者的受保护的 GitHub 生产环境
每次部署后都会执行的分支保护规则
一个存储库变量，用于记录部署是否已获得批准
模型监视器报告持续预测偏移信号，诊所工作人员确认标记的患者实际上没有高风险。 数据科学团队最合适的下一步是什么？
忽略信号，因为终结点的操作指标显示正常错误率
分析该信号，并考虑使用更新近的数据重新训练该模型
删除终结点，使其停止提供预测
在检查工作前，必须回答所有问题。
此页面是否有帮助？
需要有关本主题的帮助？
想要尝试使用 Ask Learn 阐明或指导你完成本主题？