Quiz collegato alla guida · Difficile Livello

Funzionalità online e offline per il quiz inclinato

Esercitati a identificare le distorsioni nella distribuzione delle funzionalità, le perdite point-in-time e le discrepanze di aggiornamento tra i dati di addestramento cronologici e le richieste in tempo reale.

Domanda 1 di 8

Che cos'è l'inclinazione dell'allenamento/del servizio?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Che cos'è l'inclinazione dell'allenamento/del servizio?
    • Quando un modello viene addestrato su una GPU ma servito su una CPU
    • Quando un modello è troppo grande per essere contenuto nella memoria
    • Quando le funzionalità calcolate offline durante il training differiscono da quelle offerte online in produzione
    • Quando la formazione richiede più tempo del previsto
  2. Quando si crea una riga di addestramento storica, quali timestamp di funzionalità dovrebbe consentire un'unione temporizzata?
    • 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. Quale delle seguenti è una classica causa di eccessiva precisione offline che crolla in produzione?
    • Usare troppo pochi esempi di formazione
    • Allenarsi su una macchina più veloce del servizio
    • Memorizzazione delle funzionalità in un database
    • Perdita di dati, in cui l'addestramento utilizza informazioni non disponibili al momento della previsione
  4. La distribuzione di funzionalità live registrata è diversa dall'addestramento. Cosa dovrebbe dedurre innanzitutto il team che si occupa delle funzionalità?
    • 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. Perché una funzionalità online memorizzata nella cache come "ordini nell'ultima ora" rappresenta un rischio di distorsione?
    • Il valore memorizzato nella cache può diventare obsoleto e non corrispondere più al valore appena calcolato utilizzato nell'addestramento
    • La memorizzazione nella cache migliora sempre la precisione del modello
    • La memorizzazione nella cache rende impossibile il calcolo della funzionalità offline
    • Le funzionalità memorizzate nella cache non possono essere numeriche
  6. Perché condividere una definizione di funzionalità nell'addestramento in batch e nel servizio online?
    • 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