Kvíz spojený s průvodcem · Těžko úroveň

Online a offline funkce sloužící překroutit kvíz

Procvičte si identifikaci zkreslení v poskytování funkcí, úniků v určitém okamžiku a nesouladu v aktuálnosti mezi historickými trénovacími daty a aktuálními požadavky.

Otázka 1 z 8

Co je to trénink/serverování?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co je to trénink/serverování?
    • Když je model trénován na GPU, ale slouží na CPU
    • Když je model příliš velký a nevejde se do paměti
    • Když se funkce vypočítané offline během školení liší od funkcí poskytovaných online v produkci
    • Když trénink trvá déle, než se očekává
  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. Která z následujících možností je klasickou příčinou nafouknuté offline přesnosti, která se ve výrobě zhroutí?
    • Použití příliš málo příkladů školení
    • Trénink na rychlejším stroji než podávání
    • Ukládání prvků do databáze
    • Únik dat, kdy školení využívá informace, které nejsou k dispozici v době predikce
  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. Proč je online funkce uložená v mezipaměti jako „objednávky za poslední hodinu“ rizikem zkreslení?
    • Hodnota uložená v mezipaměti může být zastaralá a již nebude odpovídat čerstvě vypočítané hodnotě použité při trénování
    • Ukládání do mezipaměti vždy zlepšuje přesnost modelu
    • Ukládání do mezipaměti znemožňuje funkci počítat offline
    • Funkce uložené v mezipaměti nemohou být číselné
  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