yoklateknik mülakat
GelişimGeçmiş

ML Engineer Ml Deployment Serving Mülakat Soruları

75 doğrulanmış ML Engineer Ml Deployment Serving mülakat sorusu — cevaplarıyla çöz, açıklamalarıyla öğren, gerçek simülasyonda kendini test et.

Gerçek simülasyonu dene →

Örnek sorular

Ml Deployment ServingZorluk 1
Batch inference ile online (gerçek zamanlı) inference arasındaki temel fark nedir?
  • aBatch inference her zaman online inference'tan daha doğru tahminler üretir
  • bGirdileri bir zamanlamayla işlerken, online inference isteğe anında yanıt verir✓
  • cOnline inference yalnızca görüntü verisi için kullanılabilirken batch inference metin verisi için kullanılır
  • dBatch inference hiçbir hesaplama kaynağı gerektirmez çünkü tahminler sonsuza kadar önbelleklenir
Açıklama:Batch inference, büyük bir girdi kümesini genellikle tekrarlayan bir zamanlamayla birlikte skorlar ve sonuçlar daha sonra kullanılmak üzere saklanır. Online inference ise gelen her isteğe, genellikle bir gecikme gereksinimiyle, senkron biçimde tahmin döner.
Ml Deployment ServingZorluk 2
Bir ekip, tüm kullanıcılar için aynı anda gece boyunca hesaplanan, haftada bir kez gönderilen kişiselleştirilmiş bir e-posta özeti üretiyor. Bu ihtiyaca en uygun serving yaklaşımı hangisidir?
  • aBatch inference, çünkü tahminlere anlık değil sabit bir zamanlamada ihtiyaç var✓
  • bOnline inference, çünkü her kullanıcı istek attığı anda milisaniyeler içinde tahmin almalı
  • cShadow deployment, çünkü amaç iki modeli hiçbirini canlıya almadan karşılaştırmak
  • dCanary deployment, çünkü tahminleri yalnızca trafiğin küçük bir kısmı görmeli
Açıklama:Burada canlı bir isteğe saniyenin altında yanıt verme gereksinimi yok; tahminlerin yalnızca özet gönderilmeden önce hazır olması yeterli. Bu zamanlanmış, toplu doğa batch inference ile gerçek zamanlı serving'den çok daha iyi örtüşür.
Ml Deployment ServingZorluk 3
Bir ödeme sistemi her işlemi tamamlanmadan önce, birkaç yüz milisaniye içinde onaylamalı veya reddetmelidir. Burada batch yerine online inference'ın gerekli olmasının nedeni nedir?
  • aÇünkü online inference her veri kümesinde batch inference'tan daha yüksek doğruluk garanti eder
  • bÇünkü batch inference hiçbir kullanım durumunda günde birden fazla çalıştırılamaz
  • cÇünkü karar, işlem devam edebilmeden önce, o işleme özel ve senkron biçimde gerekiyor✓
  • dÇünkü batch inference sayısal girdi özelliklerini hiç desteklemez
Açıklama:Karar, şu anda gerçekleşen belirli bir işlemi kilitliyor; bu yüzden o tek istek için senkron biçimde üretilmelidir. İşlem henüz var olmadığından yanıtı önceden hesaplamak mümkün değildir.
Ml Deployment ServingZorluk 1
Ekipler dağıtılan her eğitilmiş modele neden bir versiyon tanımlayıcısı atar?
  • aVersiyon tanımlayıcıları modelin bir sonraki çalıştırmada daha hızlı eğitilmesini sağlar
  • bVersiyon tanımlayıcıları herhangi bir modelin yeniden eğitilme ihtiyacını tamamen ortadan kaldırır
  • cVersiyon tanımlayıcıları üretimde bulunan hataları otomatik olarak düzeltir
  • dSunulan artefaktı tanımlar ve gerekirse geri dönüşü sağlar✓
Açıklama:Model versiyonlama, dağıtılan bir artefaktı onu üreten tam eğitim çalışmasına, veriye ve konfigürasyona bağlar; davranışı izlenebilir kılan ve bilinen-iyi bir versiyona geri dönmeyi mümkün kılan şey de budur.
Ml Deployment ServingZorluk 2
Yeni dağıtılan bir model üretimde açıkça yanlış tahminler üretmeye başlıyor. Nöbetçi mühendis önceki davranışı hızlıca geri getirmek istiyor. Bunu mümkün kılan nedir?
  • aÖnceki versiyon dağıtılabilir bir artefakt olarak saklanmıştı, ona geri dönülebilir✓
  • bYeni model saniyeler içinde sıfırdan yeniden eğitilerek sorun çözülebilir
  • cTahminler olağandışı göründüğünde üretim trafiği kendiliğinden eski haline döner
  • dOnline inference sistemleri ilk dağıtıldıktan sonra değiştirilemez
Açıklama:Önceki davranışı hızlıca geri getirmek, daha önceki versiyonun hazır bir artefakt olarak saklanmış olmasına bağlıdır; bu yoksa geri dönülecek somut bir şey kalmaz ve kurtarma yavaş, sıfırdan bir yeniden eğitim döngüsü gerektirir.
Ml Deployment ServingZorluk 2
Bir ekip, dağıtılan her modelin yanında şu manifesti kaydediyor:
model_version: 14
training_data_snapshot: 2026-05-01
hyperparameters_hash: 9f2a1c
code_commit: a83e771

Bu alanları birlikte kaydetmenin temel amacı nedir?
  • aServing sisteminin bu model için otomatik olarak en ucuz donanımı seçmesini sağlamak
  • bBu modelin eğitim koşullarını yeniden üretilebilir ve izlenebilir kılmak✓
  • cEğitim bitince eğitim verisinin hemen silinmesine izin vermek
  • dEk bir eğitim yapmadan modelin tahmin doğruluğunu artırmak
Açıklama:Veri anlık görüntüsünü, hiperparametreleri ve kod commit'ini birlikte kaydetmek, belirli bir model versiyonunu yeniden üretmek veya denetlemek için gereken her şeyi yakalar; bir versiyonlama manifestinin temel amacı da budur.

Kıdeme göre

ML Engineer JuniorML Engineer MidML Engineer Senior

Diğer alanlar

BackendFrontendFullstackDevOps / CloudAI EngineerVeritabanıMobilGüvenlikQA / Test OtomasyonuData EngineerOyun Geliştirme

600 soruluk ML Engineer bankasında kendini sına.

Mülakata başla