La dificultad de aprender relaciones en secuencias largas.

La incapacidad de procesar imágenes.

La falta de paralelismo durante el entrenamiento.

El alto consumo de memoria en procesadores de texto.

El DL descubre automáticamente representaciones útiles de los datos brutos.

El DL utiliza redes menos profundas para facilitar la interpretación.

El ML es más eficaz con datos no estructurados.

El ML requiere hardware especializado como TPUs.

Ninguna de las otras opciones es correcta.

Para aumentar el ancho de banda.

Porque el Edge tiene más potencia elástica que la nube.

Para reducir la latencia y permitir uso sin conexión.

Entrenar un modelo pequeño para que imite a uno grande.

Reducir la precisión numérica de los pesos y activaciones.

Aumentar el número de parámetros para mejorar la precisión.

Eliminar conexiones o neuronas que aportan poco al modelo.

Permite entrenar modelos sin necesidad de hardware.

Elimina el sesgo algorítmico automáticamente.

Garantiza que el modelo global sea siempre más pequeño.

Los datos privados nunca salen del dispositivo original.

Aprendizaje Auto-supervisado.

Aprendizaje por Refuerzo.

Aprendizaje Supervisado.

Aprendizaje No Supervisado.

MLOps es solo para investigación, LLMOps es para producción.

LLMOps elimina la necesidad de ingenieros de datos.

LLMOps no requiere monitorización de rendimiento.

Se enfoca en los retos de los modelos fundacionales y LLMs.

Ninguna de las otras opciones es correcta.

Tangente hiperbólica.

ReLU y sus variantes.

Sigmoide.