Función en línea y fuera de línea que ofrece prueba de sesgo

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

1. ¿Qué es el sesgo de capacitación/servicio?
   • Cuando un modelo se entrena en una GPU pero se sirve en una CPU
   • Cuando un modelo es demasiado grande para caber en la memoria
   • Cuando las funciones calculadas fuera de línea durante la capacitación difieren de las que se ofrecen en línea en producción
   • Cuando el entrenamiento dura más de lo esperado
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. ¿Cuál de las siguientes es una causa clásica de precisión fuera de línea inflada que colapsa en producción?
   • Usar muy pocos ejemplos de entrenamiento
   • Entrenar en una máquina más rápida que sacar
   • Almacenamiento de características en una base de datos
   • Fuga de datos, donde el entrenamiento utiliza información que no está disponible en el momento de la predicción.
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. ¿Por qué una función en línea almacenada en caché como "pedidos en la última hora" supone un riesgo sesgado?
   • El valor almacenado en caché puede volverse obsoleto y ya no coincidir con el valor recién calculado utilizado en el entrenamiento.
   • El almacenamiento en caché siempre mejora la precisión del modelo
   • El almacenamiento en caché hace que la función sea imposible de calcular sin conexión
   • Las funciones almacenadas en caché no pueden ser numéricas
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