Prueba de detección de deriva del modelo

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

1. ¿Cuál es la diferencia entre deriva de datos y deriva de conceptos?
   • La deriva de datos cambia la distribución de las entradas; La deriva conceptual cambia la relación entrada-salida.
   • Son dos nombres para lo mismo.
   • La deriva de datos sólo afecta a las imágenes; la deriva del concepto sólo afecta al texto
   • La deriva de datos ocurre durante el entrenamiento; La deriva del concepto ocurre en las pruebas.
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. ¿Por qué la detección de deriva basada en entradas puede dar una alerta temprana?
   • Porque las entradas siempre son incorrectas primero
   • Porque las entradas son archivos más pequeños
   • Porque las etiquetas de verdad sobre el terreno suelen llegar mucho más tarde que las predicciones.
   • Porque los modelos ignoran las etiquetas por completo
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. ¿Qué escenario es un claro ejemplo de deriva conceptual?
   • Lo que los usuarios consideran "spam" cambia con el tiempo, incluso para correos electrónicos de apariencia similar
   • Una cámara produce imágenes ligeramente más brillantes.
   • Las edades de los clientes en el conjunto de datos siguen siendo las mismas
   • El conjunto de datos se almacena en un nuevo formato de archivo.
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