ऑनलाइन और ऑफलाइन फ़ीचर सर्विंग स्क्यू क्विज़

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. ट्रेनिंग/सर्विंग स्क्यू क्या है?
   • जब किसी मॉडल को GPU पर प्रशिक्षित किया जाता है लेकिन उसे CPU पर परोसा जाता है
   • जब कोई मॉडल मेमोरी में फिट होने के लिए बहुत बड़ा हो
   • जब प्रशिक्षण के दौरान ऑफ़लाइन गणना की गई सुविधाएँ उत्पादन में ऑनलाइन परोसी गई सुविधाओं से भिन्न होती हैं
   • जब प्रशिक्षण में अपेक्षा से अधिक समय लगता है
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. निम्नलिखित में से कौन-सा ऑफ़लाइन सटीकता में वृद्धि का एक क्लासिक कारण है जो उत्पादन में गिरावट का कारण बनता है?
   • बहुत कम प्रशिक्षण उदाहरणों का उपयोग करना
   • सेवा देने की तुलना में तेज़ मशीन पर प्रशिक्षण
   • डेटाबेस में सुविधाओं को संग्रहीत करना
   • डेटा रिसाव, जहां प्रशिक्षण पूर्वानुमान के समय उपलब्ध नहीं होने वाली जानकारी का उपयोग करता है
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. 'अंतिम घंटे में ऑर्डर' जैसी कैश्ड ऑनलाइन सुविधा एक विषम जोखिम क्यों है?
   • कैश्ड मान पुराना हो सकता है और प्रशिक्षण में उपयोग किए गए ताज़ा गणना किए गए मान से मेल नहीं खा सकता है
   • कैशिंग हमेशा मॉडल सटीकता में सुधार करती है
   • कैशिंग से सुविधा की ऑफ़लाइन गणना करना असंभव हो जाता है
   • कैश्ड विशेषताएँ संख्यात्मक नहीं हो सकतीं
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