Quiz sur les fonctionnalités en ligne et hors ligne

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

1. Qu'est-ce que le biais formation/service ?
   • Lorsqu'un modèle est entraîné sur un GPU mais servi sur un CPU
   • Lorsqu'un modèle est trop volumineux pour tenir en mémoire
   • Lorsque les fonctionnalités calculées hors ligne pendant la formation diffèrent de celles servies en ligne en production
   • Quand la formation prend plus de temps que prévu
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. Parmi les éléments suivants, lequel est une cause classique d'une précision hors ligne excessive qui s'effondre en production ?
   • Utiliser trop peu d’exemples de formation
   • S'entraîner sur une machine plus rapide que servir
   • Stockage des fonctionnalités dans une base de données
   • Fuite de données, où la formation utilise des informations non disponibles au moment de la prédiction
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. Pourquoi une fonctionnalité en ligne mise en cache telle que « commandes de la dernière heure » présente-t-elle un risque de distorsion ?
   • La valeur mise en cache peut devenir obsolète et ne plus correspondre à la valeur fraîchement calculée utilisée lors de l'entraînement.
   • La mise en cache améliore toujours la précision du modèle
   • La mise en cache rend la fonctionnalité impossible à calculer hors ligne
   • Les fonctionnalités mises en cache ne peuvent pas être numériques
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