가이드 연계 퀴즈 · 하드 레벨

온라인 및 오프라인 기능 제공 왜곡 퀴즈

기능 제공 편향, 특정 시점 누출, 기록 학습 데이터와 실시간 요청 간의 최신성 불일치를 식별하는 연습을 하세요.

관련 가이드 경로온라인 및 오프라인 기능 제공 편향
질문 1 의 8

훈련/제공 편향이란 무엇입니까?

모든 질문 미리보기8 질문

퀴즈를 풀면 정답과 설명이 나타납니다.

  1. 훈련/제공 편향이란 무엇입니까?
    • 모델이 GPU에서 훈련되었지만 CPU에서 제공되는 경우
    • 모델이 너무 커서 메모리에 맞지 않는 경우
    • 훈련 중에 오프라인으로 계산된 특성이 프로덕션에서 온라인으로 제공되는 특성과 다른 경우
    • 훈련이 예상보다 오래 걸리는 경우
  2. 과거 학습 행을 구축할 때, 시점 조인은 어떤 피처 타임스탬프를 허용해야 합니까?
    • 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. 다음 중 생산 과정에서 오프라인 정확도가 부풀려지는 전형적인 원인은 무엇입니까?
    • 너무 적은 수의 훈련 예제 사용
    • 서빙보다 더 빠른 머신으로 훈련하기
    • 데이터베이스에 기능 저장
    • 훈련에서 예측 시 사용할 수 없는 정보를 사용하는 데이터 유출
  4. 로그된 라이브 피처 분포가 학습 데이터와 다릅니다. 피처 서빙 팀은 무엇을 먼저 추론해야 합니까?
    • 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. '최근 1시간 동안의 주문'과 같은 캐시된 온라인 기능이 편향 위험이 있는 이유는 무엇입니까?
    • 캐시된 값은 오래되어 훈련에 사용된 새로 계산된 값과 더 이상 일치하지 않을 수 있습니다.
    • 캐싱은 항상 모델 정확도를 향상시킵니다.
    • 캐싱으로 인해 기능을 오프라인으로 계산할 수 없습니다.
    • 캐시된 기능은 숫자일 수 없습니다.
  6. 배치 학습과 온라인 서빙 간에 피처 정의를 하나로 공유하는 이유는 무엇입니까?
    • 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