Útmutatóhoz kapcsolódó kvíz · Kemény Szint

Online és offline jellemzők ferde kvíz

Practice identifying feature-serving skew, point-in-time leakage, and freshness mismatches between historical training data and live requests.

kérdés 1 -ból 8

Mi az a képzés/adagolás ferde?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi az a képzés/adagolás ferde?
    • Amikor egy modellt GPU-ra tanítanak, de CPU-n szolgálják ki
    • Ha egy modell túl nagy ahhoz, hogy elférjen a memóriában
    • Amikor a képzés során offline módban kiszámított szolgáltatások eltérnek az éles környezetben online kiszolgált funkcióktól
    • Amikor az edzés a vártnál tovább tart
  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. Az alábbiak közül melyik a klasszikus oka a túlzott offline pontosságnak, amely összeomlik a termelés során?
    • Túl kevés képzési példa használata
    • Edzés egy gyorsabb gépen, mint a kiszolgálás
    • Jellemzők tárolása adatbázisban
    • Adatszivárgás, ahol a képzés az előrejelzés időpontjában nem elérhető információkat használ fel
  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. Miért jelent ferdítési kockázatot egy gyorsítótárazott online szolgáltatás, mint például a „rendelések az elmúlt órában”?
    • A gyorsítótárazott érték elavulttá válhat, és már nem egyezik meg az edzés során használt frissen számított értékkel
    • A gyorsítótárazás mindig javítja a modell pontosságát
    • A gyorsítótárazás lehetetlenné teszi a funkció offline számítását
    • A gyorsítótárazott funkciók nem lehetnek numerikusak
  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