Fitur Online dan Offline Menyajikan Kuis Miring

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa yang dimaksud dengan kemiringan pelatihan/servis?
   • Saat model dilatih pada GPU tetapi disajikan pada CPU
   • Ketika suatu model terlalu besar untuk dimasukkan ke dalam memori
   • Ketika fitur yang dihitung secara offline selama pelatihan berbeda dengan fitur yang disajikan secara online dalam produksi
   • Ketika pelatihan memakan waktu lebih lama dari yang diharapkan
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. Manakah dari berikut ini yang merupakan penyebab klasik peningkatan akurasi offline yang menyebabkan penurunan produksi?
   • Menggunakan terlalu sedikit contoh pelatihan
   • Pelatihan pada mesin yang lebih cepat daripada servis
   • Menyimpan fitur dalam database
   • Kebocoran data, dimana pelatihan menggunakan informasi yang tidak tersedia pada waktu prediksi
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. Mengapa fitur online yang di-cache seperti 'pesanan dalam satu jam terakhir' memiliki risiko yang tidak tepat?
   • Nilai yang di-cache bisa menjadi basi dan tidak lagi cocok dengan nilai yang baru dihitung yang digunakan dalam pelatihan
   • Caching selalu meningkatkan akurasi model
   • Caching membuat fitur ini tidak mungkin dihitung secara offline
   • Fitur yang di-cache tidak boleh berupa angka
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