ميزة على الإنترنت وغير متصل تخدم مسابقة الانحراف

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. ما هو التدريب/الخدمة الانحراف؟
   • عندما يتم تدريب النموذج على وحدة معالجة الرسومات ولكن يتم تقديمه على وحدة المعالجة المركزية
   • عندما يكون النموذج كبيرًا جدًا بحيث لا يتناسب مع الذاكرة
   • عندما تختلف الميزات المحسوبة دون الاتصال بالإنترنت أثناء التدريب عن تلك التي يتم تقديمها عبر الإنترنت في الإنتاج
   • عندما يستغرق التدريب وقتًا أطول من المتوقع
2. When building a historical training row, which feature timestamps should a point-in-time join allow?
   • Values available at or before that row’s prediction time
   • Values recorded only after the outcome
   • The latest values regardless of historical time
   • Only values from the next calendar month
3. أي مما يلي يعد سببًا كلاسيكيًا لتضخم الدقة في وضع عدم الاتصال بالإنترنت والذي ينهار أثناء الإنتاج؟
   • استخدام عدد قليل جدًا من الأمثلة التدريبية
   • التدريب على آلة أسرع من الخدمة
   • تخزين الميزات في قاعدة البيانات
   • تسرب البيانات، حيث يستخدم التدريب معلومات غير متوفرة في وقت التنبؤ
4. A logged live feature distribution differs from training. What should the feature-serving team infer first?
   • The serving code is certainly defective
   • There is a mismatch to investigate; it may be drift or serving skew
   • The feature has no predictive value
   • The model must be running on different hardware
5. لماذا تعتبر ميزة مخبأة عبر الإنترنت مثل "الطلبات في الساعة الأخيرة" بمثابة خطر انحراف؟
   • يمكن أن تصبح القيمة المخزنة مؤقتًا قديمة ولم تعد تتطابق مع القيمة المحسوبة حديثًا المستخدمة في التدريب
   • يعمل التخزين المؤقت دائمًا على تحسين دقة النموذج
   • التخزين المؤقت يجعل من المستحيل حساب الميزة في وضع عدم الاتصال
   • لا يمكن أن تكون الميزات المخزنة مؤقتًا رقمية
6. Why share one feature definition across batch training and online serving?
   • To guarantee every cached value is fresh
   • To eliminate changes in incoming populations
   • To make timestamp checks unnecessary
   • To reduce differences caused by separate transformation implementations
7. A transaction model uses a chargeback flag recorded days after purchase. Why is its offline feature join invalid?
   • The flag is categorical rather than numerical
   • The flag was unavailable when the purchase prediction was made
   • Chargeback flags cannot be stored historically
   • Only GPU models may use transaction features
8. Training recomputes a one-hour order count, but serving reads a ten-minute-old cached count. Which check targets this skew?
   • Increase the number of model parameters
   • Remove all timestamps from the feature store
   • Compare counts for matching entities and times while recording cache freshness
   • Switch both paths to a different programming language