Διαδικτυακό και εκτός σύνδεσης κουίζ προβολής λειτουργιών Skew

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Τι είναι το λοξό εκπαίδευσης/σερβιρίσματος;
   • Όταν ένα μοντέλο εκπαιδεύεται σε GPU αλλά εξυπηρετείται σε CPU
   • Όταν ένα μοντέλο είναι πολύ μεγάλο για να χωράει στη μνήμη
   • Όταν τα χαρακτηριστικά που υπολογίζονται εκτός σύνδεσης κατά τη διάρκεια της εκπαίδευσης διαφέρουν από εκείνα που προσφέρονται στο διαδίκτυο στην παραγωγή
   • Όταν η προπόνηση διαρκεί περισσότερο από το αναμενόμενο
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. Ποιο από τα παρακάτω είναι μια κλασική αιτία διογκωμένης ακρίβειας εκτός σύνδεσης που καταρρέει στην παραγωγή;
   • Χρησιμοποιώντας πολύ λίγα παραδείγματα εκπαίδευσης
   • Εκπαίδευση σε πιο γρήγορο μηχάνημα από το σερβίρισμα
   • Αποθήκευση λειτουργιών σε μια βάση δεδομένων
   • Διαρροή δεδομένων, όπου η εκπαίδευση χρησιμοποιεί πληροφορίες που δεν είναι διαθέσιμες τη στιγμή της πρόβλεψης
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. Γιατί μια διαδικτυακή λειτουργία αποθηκευμένη στην κρυφή μνήμη, όπως "παραγγελίες την τελευταία ώρα" είναι κίνδυνος λοξής;
   • Η τιμή που έχει αποθηκευτεί στην κρυφή μνήμη μπορεί να είναι μπαγιάτικη και να μην ταιριάζει πλέον με την πρόσφατα υπολογισμένη τιμή που χρησιμοποιείται στην προπόνηση
   • Η προσωρινή αποθήκευση βελτιώνει πάντα την ακρίβεια του μοντέλου
   • Η προσωρινή αποθήκευση καθιστά αδύνατο τον υπολογισμό της δυνατότητας εκτός σύνδεσης
   • Οι λειτουργίες που αποθηκεύονται στην κρυφή μνήμη δεν μπορούν να είναι αριθμητικές
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