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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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