フィーチャー ストアに関するクイズ

クイズに答えると、答えと解説が表示されます。

1. Why use shared feature definitions for training and online serving?
   • To guarantee every cached value is always fresh
   • To reduce skew caused by separate transformation implementations
   • To eliminate the need for timestamps
   • To choose a GPU model automatically
2. オフライン ストアとオンライン ストアの違いは何ですか?
   • オフラインではトレーニング用の履歴データが保持されます。オンラインではライブ予測のために最新の値を迅速に提供します
   • オフラインでは画像、オンラインではテキストが表示されます
   • 名前は違っても同じものです
   • オフラインは週末に実行され、オンラインは平日に実行されます
3. トレーニング データを構築する際にポイントインタイム結合が重要なのはなぜですか?
   • データベースの実行速度が向上します
   • 機能を他の言語に翻訳します
   • 各イベント時の特徴量をそのまま使用することでデータ漏洩を防止します
   • モデルのファイルサイズを削減します
4. Which storage pattern commonly supports low-latency feature lookup by entity key?
   • An archival tape read for every request
   • A printed document catalog
   • A model-weight-only file
   • A key-value online store such as Redis or DynamoDB
5. この文脈における「機能」とは何でしょうか?
   • データから派生した入力変数 (30 日間の平均支出など)
   • モデルコードのバグ
   • ダッシュボードの配色
   • GPUの一種
6. 共有機能カタログにはどのような追加の利点がありますか?
   • 古いデータは1時間ごとに自動的に削除されます
   • モデルのトレーニングが不要になります
   • あるモデル用に構築された機能を他のモデルで検出して再利用できるようにします。
   • 会社のメールを暗号化します
7. A feature’s event time precedes a loan decision, but the value only arrived afterward. What must a historical training join consider?
   • Only whether its column name is short
   • A rule that every past event was already known
   • Only the current online value
   • Whether that value was actually available at prediction time
8. An online feature has not been refreshed after new events arrived. Which property should a feature-store monitor inspect?
   • The font size of the registry page
   • Feature freshness relative to the prediction’s needs
   • The model’s number of attention heads only
   • Whether the feature name contains a digit