Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Nyilvánvalóan mesterséges intelligencia a nyílt forráskódú modellfigyelő kvízhez

Ismerje meg, hogy az Evidently jelentések mit tesztelhetnek, hogyan alakítják a referenciaadatkészletek az eltolódási eredményeket, és hogy a címkézetlen jelentések miért nem tudják bizonyítani a pontosságot.

Kapcsolódó útmutató utakNyilvánvalóan AI modellfigyelés
kérdés 1 -ból 8

Mit hasonlít össze a referencia-aktuális eltolódási jelentés?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit hasonlít össze a referencia-aktuális eltolódási jelentés?
    • Kiválasztott adateloszlások két időszak vagy adatkészlet között
    • Modellpontosság célcímkék nélkül
    • Csak az edzésveszteség görbe
    • A telepítési és forráskód ágak
  2. Miért kell egy jelentésnek rögzítenie a referenciaablakot és a jellemző kiválasztását?
    • Ezek határozzák meg a modell rejtett rétegeit
    • Ezek a választások befolyásolják, hogy mely változásokat mérjük és hogyan értelmezzük az eredményeket
    • Biztosítják, hogy minden drift pontszám p-érték legyen
    • Kiküszöbölik a mintaméret hatását
  3. Mit állapíthat meg egy címkézetlen eltolódási jelentés?
    • Hogy a modell igazságtalan
    • Ez az előrejelzés pontossága csökkent
    • Változás a kiválasztott adateloszlásokban a konfigurált módszerek alatt
    • Hogy az új adatok hibásak
  4. Melyik elvárást igazolja az adatszerződés-teszt?
    • A címkék azonnal megérkeznek-e
    • Minden modell kimenet helyes-e
    • Hogy a sodródás mindig káros-e
    • Hogy a bemenetek megfelelnek-e a meghatározott séma vagy minőségi elvárásoknak
  5. Miért hoz létre zajos riasztásokat a szigorú eltolódási küszöb?
    • A könyvtár figyelmen kívül hagy minden funkciót
    • A várható szezonalitás vagy mintavételi eltérés változási jelet válthat ki
    • Az eltolódási jelentések automatikusan tartalmazzák az alapigazságot
    • Referencia adatokra nincs szükség
  6. Hogyan kell a késleltetett célcímkéket használni a monitoring során?
    • Használjon címkézetlen bemeneteket az eredmény igazságának helyettesítésére
    • A hiányzó legutóbbi címkéket helytelen előrejelzésként kezelje
    • Csatlakoztassa őket az előrejelzésekhez a megfelelő modellverzióval és eredményablakkal
    • Dobj el minden történelmi előrejelzést
  7. Miért kell frissíteni a jelentés konfigurációját és a könyvtár verzióját?
    • Megváltoztatja a referenciaeloszlást
    • Mindig ugyanazt a bemeneti adatot garantálja
    • Megszünteti a címkék szükségességét
    • Az alapértelmezések és a módszerek változhatnak, ami befolyásolja a reprodukálhatóságot
  8. Hogyan reagáljon a csapat egy sikertelen adatminőségi tesztre?
    • Vizsgálja meg, hogy a bemenet sért-e egy értelmes szerződést, vagy várható változást tükröz-e
    • Automatikus újraképzés az adatokon
    • Hagyja figyelmen kívül a tesztet minden jövőbeli futtatásnál
    • Jelölje ki a modellt pontatlannak címkék nélkül