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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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