Cuestionario vinculado a una guía · Medio Nivel

Monitoreo de la calidad de los datos en el cuestionario de producción

Detecte problemas de esquema, frescura, falta y servicio de trenes antes de la inferencia, mientras distingue la calidad de la entrada del rendimiento del modelo.

Rutas de guía relacionadasMonitoreo de la calidad de los datos en producción
Pregunta 1 de 8

¿Qué detecta una verificación de esquema en una fuente de inferencia en vivo?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué detecta una verificación de esquema en una fuente de inferencia en vivo?
    • Unexpected field names, types or structures
    • A guaranteed drop in model accuracy
    • A causal change in user behavior
    • The model's calibration error
  2. ¿Qué detecta un monitor de frescura?
    • A change in model weights
    • Data that have not been updated within the expected time
    • A label mismatch in a training batch
    • An unexpected prediction class
  3. ¿Cómo se debe manejar un valor categórico invisible?
    • Drop the model silently
    • Map it randomly to a known category
    • Apply an explicit unknown-category policy and monitor its rate
    • Assume the value is always invalid
  4. ¿Qué desajuste es un ejemplo de sesgo en el servicio de trenes?
    • A difference between two model architectures
    • A change in GPU memory usage
    • A delayed ground-truth label
    • A difference between how features are computed in training and inference
  5. ¿Por qué un umbral de distribución demasiado estricto puede causar problemas de producción?
    • It guarantees detection of every defect
    • Legitimate seasonal changes may trigger false alarms or blocks
    • It prevents all schema changes
    • It improves model calibration automatically
  6. What does passing data-quality checks establish?
    • The feature relationships are unchanged
    • The model is fair across all groups
    • Inputs met the configured checks, not that predictions are accurate
    • The data are causally valid
  7. Where might latency-sensitive data checks run?
    • In a dashboard without storing results
    • All validation only after labels arrive
    • Only in the model-training notebook
    • Critical schema checks inline, with heavier analysis asynchronously or in batches
  8. What should a team do when a production data alert fires?
    • Trace the source and determine whether the change is expected before updating rules
    • Change the schema immediately to silence the alert
    • Retrain automatically without checking data
    • Delete the alert history