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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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