기능 엔지니어링 파이프라인 및 데이터 버전 관리 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 기능 엔지니어링 파이프라인의 주요 목적은 무엇입니까?
   • 나중에 배포하기 위해 훈련된 모델 가중치를 저장하려면
   • 클러스터 전체에서 GPU 작업을 예약하려면
   • 원시 데이터를 모델이 사용하는 구조화된 특성으로 변환하려면
   • 미사용 데이터 세트를 암호화하려면
2. Why compare a dataset’s content hash instead of relying only on its filename?
   • A hash guarantees every record is accurate
   • The filename can stay the same while its stored contents change
   • A filename contains all transformations
   • Hashing removes access restrictions
3. 기능 파이프라인은 일반적으로 어떤 종류의 구조로 표현됩니까?
   • 매번 다시 실행해야 하는 SQL 쿼리의 단일 단순 목록
   • 관계형 데이터베이스 테이블
   • 숨겨진 레이어가 있는 신경망
   • 변환 단계의 방향성 비순환 그래프(DAG)
4. A model behaves differently after a data update. What can version history help investigate?
   • Which data and transformation versions were used, with other runtime factors checked separately
   • A guaranteed identical rerun without environment records
   • Proof the update was authorized
   • A universal legal-compliance certificate
5. 다음 중 특성 저장소 또는 데이터 버전 관리에 특별히 사용되는 예시 도구는 무엇인가요?
   • 포토샵
   • Microsoft 단어
   • FFmpeg
   • 피스트(또는 DVC/LakeFS)
6. 훈련과 생산 중에 동일한 기능 논리가 실행되는 것이 왜 중요한가요?
   • 클라우드 스토리지 비용을 줄이기 위해
   • 자동으로 모델을 더 크고 더 정확하게 만들기 위해
   • 모델이 일관되게 계산된 기능을 확인하고 훈련/제공 불일치를 방지하도록 보장
   • 프로덕션 서버는 Python을 실행할 수 없기 때문에
7. A team has the same data and code but a changed random state. What remains possible?
   • Different computed outputs despite matching versions
   • Versioning forces every random choice to match
   • The dataset filename must change
   • All models become deterministic
8. A reviewer asks which input record and transform produced a feature at a particular time. What record addresses that question?
   • Only the final prediction text
   • Feature lineage with source, transform version and timestamp
   • Only the dataset filename
   • Only a model parameter count