Quiz sur les pipelines d'ingénierie de fonctionnalités et la gestion des versions de données

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Quel est l’objectif principal d’un pipeline d’ingénierie de fonctionnalités ?
   • Pour stocker les poids des modèles entraînés pour un déploiement ultérieur
   • Pour planifier des tâches GPU sur un cluster
   • Pour transformer les données brutes en fonctionnalités structurées qu'un modèle consomme
   • Pour chiffrer des ensembles de données au repos
2. Why compare a dataset’s content hash instead of relying only on its filename?
   • A hash guarantees every record is accurate
   • The filename can stay the same while its stored contents change
   • A filename contains all transformations
   • Hashing removes access restrictions
3. Un pipeline de fonctionnalités est généralement représenté par quel type de structure ?
   • Une seule liste plate de requêtes SQL qui doivent toutes être réexécutées à chaque fois
   • Une table de base de données relationnelle
   • Un réseau de neurones avec des couches cachées
   • Un graphe acyclique orienté (DAG) des étapes de transformation
4. A model behaves differently after a data update. What can version history help investigate?
   • Which data and transformation versions were used, with other runtime factors checked separately
   • A guaranteed identical rerun without environment records
   • Proof the update was authorized
   • A universal legal-compliance certificate
5. Lequel de ces outils est un exemple spécifiquement utilisé pour les magasins de fonctionnalités ou la gestion des versions de données ?
   • Photoshop
   • Microsoft Mot
   • FFmpeg
   • Fête (ou DVC / LakeFS)
6. Pourquoi est-il important que la même logique de fonctionnalités s’exécute pendant la formation et la production ?
   • Pour réduire le coût du stockage cloud
   • Pour rendre automatiquement le modèle plus grand et plus précis
   • Pour garantir que le modèle voit les fonctionnalités calculées de manière cohérente et évite les inadéquations de formation/diffusion
   • Parce que les serveurs de production ne peuvent pas exécuter Python
7. A team has the same data and code but a changed random state. What remains possible?
   • Different computed outputs despite matching versions
   • Versioning forces every random choice to match
   • The dataset filename must change
   • All models become deterministic
8. A reviewer asks which input record and transform produced a feature at a particular time. What record addresses that question?
   • Only the final prediction text
   • Feature lineage with source, transform version and timestamp
   • Only the dataset filename
   • Only a model parameter count