Κουίζ ανίχνευσης ολίσθησης μοντέλου

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Ποια είναι η διαφορά μεταξύ του data drift και του concept drift;
   • Η μετατόπιση δεδομένων αλλάζει την κατανομή των εισροών. Η μετατόπιση εννοιών αλλάζει τη σχέση εισόδου-εξόδου
   • Είναι δύο ονόματα για το ίδιο πράγμα
   • Η μετατόπιση δεδομένων επηρεάζει μόνο τις εικόνες. Η μετατόπιση εννοιών επηρεάζει μόνο το κείμενο
   • Η μετατόπιση δεδομένων συμβαίνει στην προπόνηση. Η μετατόπιση της έννοιας συμβαίνει στις δοκιμές
2. How should a team interpret a PSI value such as 0.30?
   • As a guarantee that model accuracy has fallen
   • As a signal to investigate under the chosen monitoring policy, not a universal proof of harmful drift
   • As an identical threshold for every feature and population
   • As proof that retraining must begin immediately
3. Γιατί η ανίχνευση μετατόπισης βάσει εισόδου μπορεί να δώσει έγκαιρη προειδοποίηση;
   • Επειδή οι εισροές είναι πάντα λανθασμένες πρώτα
   • Επειδή οι είσοδοι είναι μικρότερα αρχεία
   • Επειδή οι ετικέτες βασικής αλήθειας φτάνουν συχνά πολύ αργότερα από τις προβλέψεις
   • Επειδή τα μοντέλα αγνοούν εντελώς τις ετικέτες
4. What does a two-sample Kolmogorov-Smirnov test compare?
   • The average accuracy of two classifiers only
   • The class labels predicted by a single model
   • The parameter values of two neural networks
   • The empirical cumulative distribution functions of two samples
5. Ποιο σενάριο είναι σαφές παράδειγμα εννοιολογικής μετατόπισης;
   • Αυτό που οι χρήστες θεωρούν «spam» αλλάζει με την πάροδο του χρόνου ακόμη και για παρόμοια μηνύματα ηλεκτρονικού ταχυδρομείου
   • Μια κάμερα παράγει ελαφρώς φωτεινότερες εικόνες
   • Οι ηλικίες των πελατών στο σύνολο δεδομένων παραμένουν οι ίδιες
   • Το σύνολο δεδομένων αποθηκεύεται σε νέα μορφή αρχείου
6. What is a safe first response when an input-drift monitor triggers?
   • Automatically deploy a newly retrained model without evaluation
   • Investigate the data and impact, then decide whether retraining or another action is justified
   • Delete the reference data
   • Assume every shift is harmful concept drift
7. What can TensorFlow Data Validation check in an ML pipeline?
   • The causal effect of a feature
   • Whether every model prediction is correct
   • Data schemas and statistics, including unexpected changes
   • The absolute accuracy of an unlabeled dataset
8. What does the Population Stability Index (PSI) measure in a drift-monitoring setup?
   • The model’s accuracy on labeled examples
   • A causal effect of an input feature
   • A universal pass/fail threshold for all models
   • A numerical summary of how binned feature distributions differ between reference and current data