Тест за изкривяване на онлайн и офлайн обслужване на функции

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какво е изкривяване при обучение/сервиране?
   • Когато модел се обучава на GPU, но се обслужва на CPU
   • Когато моделът е твърде голям, за да се побере в паметта
   • Когато функциите, изчислени офлайн по време на обучение, се различават от тези, обслужвани онлайн в производството
   • Когато обучението отнема повече време от очакваното
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. Кое от следните е класическа причина за повишена офлайн точност, която се срива в производството?
   • Използване на твърде малко примери за обучение
   • Трениране на по-бърза машина от сервиране
   • Съхраняване на функции в база данни
   • Изтичане на данни, при което обучението използва информация, която не е налична към момента на прогнозиране
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. Защо кеширана онлайн функция като „поръчки през последния час“ представлява риск от изкривяване?
   • Кешираната стойност може да остарее и вече да не съответства на прясно изчислената стойност, използвана в обучението
   • Кеширането винаги подобрява точността на модела
   • Кеширането прави функцията невъзможна за изчисление офлайн
   • Кешираните функции не могат да бъдат числени
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