Kuis Deteksi Model Drift

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa perbedaan antara penyimpangan data dan penyimpangan konsep?
   • Penyimpangan data mengubah distribusi masukan; penyimpangan konsep mengubah hubungan input-ke-output
   • Itu adalah dua nama untuk hal yang sama
   • Penyimpangan data hanya memengaruhi gambar; penyimpangan konsep hanya mempengaruhi teks
   • Penyimpangan data terjadi dalam pelatihan; penyimpangan konsep terjadi dalam pengujian
2. How should a team interpret a PSI value such as 0.30?
   • As a guarantee that model accuracy has fallen
   • As a signal to investigate under the chosen monitoring policy, not a universal proof of harmful drift
   • As an identical threshold for every feature and population
   • As proof that retraining must begin immediately
3. Mengapa deteksi penyimpangan berbasis masukan dapat memberikan peringatan dini?
   • Karena inputnya selalu salah dulu
   • Karena input adalah file yang lebih kecil
   • Karena label kebenaran dasar sering kali muncul lebih lambat dari perkiraan
   • Karena model mengabaikan label sepenuhnya
4. What does a two-sample Kolmogorov-Smirnov test compare?
   • The average accuracy of two classifiers only
   • The class labels predicted by a single model
   • The parameter values of two neural networks
   • The empirical cumulative distribution functions of two samples
5. Skenario manakah yang merupakan contoh nyata penyimpangan konsep?
   • Apa yang pengguna anggap sebagai 'spam' berubah seiring waktu bahkan untuk email yang tampak serupa
   • Kamera menghasilkan gambar yang sedikit lebih cerah
   • Usia pelanggan dalam kumpulan data tetap sama
   • Kumpulan data disimpan dalam format file baru
6. What is a safe first response when an input-drift monitor triggers?
   • Automatically deploy a newly retrained model without evaluation
   • Investigate the data and impact, then decide whether retraining or another action is justified
   • Delete the reference data
   • Assume every shift is harmful concept drift
7. What can TensorFlow Data Validation check in an ML pipeline?
   • The causal effect of a feature
   • Whether every model prediction is correct
   • Data schemas and statistics, including unexpected changes
   • The absolute accuracy of an unlabeled dataset
8. What does the Population Stability Index (PSI) measure in a drift-monitoring setup?
   • The model’s accuracy on labeled examples
   • A causal effect of an input feature
   • A universal pass/fail threshold for all models
   • A numerical summary of how binned feature distributions differ between reference and current data