অনলাইন এবং অফলাইন বৈশিষ্ট্য পরিবেশন Skew কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. প্রশিক্ষণ/সার্ভিং স্কু কি?
   • যখন একটি মডেলকে একটি GPU-তে প্রশিক্ষণ দেওয়া হয় কিন্তু একটি CPU-তে পরিবেশন করা হয়
   • যখন একটি মডেল মেমরিতে মাপসই করার জন্য খুব বড় হয়
   • যখন প্রশিক্ষণের সময় অফলাইনে গণনা করা বৈশিষ্ট্যগুলি উত্পাদনে অনলাইনে পরিবেশিত বৈশিষ্ট্যগুলির থেকে আলাদা হয়৷
   • যখন প্রশিক্ষণ প্রত্যাশার চেয়ে বেশি সময় নেয়
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. নিচের কোনটি স্ফীত অফলাইন নির্ভুলতার একটি ক্লাসিক কারণ যা উৎপাদনে ধসে পড়ে?
   • খুব কম প্রশিক্ষণ উদাহরণ ব্যবহার করে
   • পরিবেশন করার চেয়ে দ্রুত মেশিনে প্রশিক্ষণ
   • একটি ডাটাবেসে বৈশিষ্ট্য সংরক্ষণ করা
   • ডেটা ফাঁস, যেখানে প্রশিক্ষণ ভবিষ্যদ্বাণীর সময়ে উপলব্ধ নয় এমন তথ্য ব্যবহার করে
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. 'শেষ ঘন্টায় অর্ডার'-এর মতো একটি ক্যাশ করা অনলাইন বৈশিষ্ট্য কেন একটি তির্যক ঝুঁকি?
   • ক্যাশে করা মান বাসি হয়ে যেতে পারে এবং প্রশিক্ষণে ব্যবহৃত নতুন গণনা করা মানটির সাথে আর মেলে না
   • ক্যাশিং সবসময় মডেল নির্ভুলতা উন্নত করে
   • ক্যাশিং বৈশিষ্ট্য অফলাইনে গণনা করা অসম্ভব করে তোলে
   • ক্যাশে করা বৈশিষ্ট্য সংখ্যাসূচক হতে পারে না
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