Quiz sur la détection de dérive de modèle

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

1. Quelle est la différence entre la dérive des données et la dérive des concepts ?
   • La dérive des données modifie la distribution des entrées ; la dérive conceptuelle modifie la relation entrée-sortie
   • Ce sont deux noms pour la même chose
   • La dérive des données n'affecte que les images ; la dérive des concepts n'affecte que le texte
   • La dérive des données se produit lors de la formation ; une dérive conceptuelle se produit lors des tests
2. Comment une équipe doit-elle interpréter une valeur PSI telle que 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. Pourquoi la détection de dérive basée sur les entrées peut-elle donner une alerte précoce ?
   • Parce que les entrées sont toujours fausses en premier
   • Parce que les entrées sont des fichiers plus petits
   • Parce que les étiquettes de vérité terrain arrivent souvent bien plus tard que les prédictions
   • Parce que les modèles ignorent complètement les étiquettes
4. Que compare un test de Kolmogorov-Smirnov à deux échantillons ?
   • 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. Quel scénario est un exemple clair de dérive conceptuelle ?
   • Ce que les utilisateurs considèrent comme du « spam » change au fil du temps, même pour des e-mails d'apparence similaire
   • Une caméra produit des images légèrement plus lumineuses
   • L'âge des clients dans l'ensemble de données reste le même
   • L'ensemble de données est stocké dans un nouveau format de fichier
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