Kuiz Skew Penyajian Ciri Dalam Talian dan Luar Talian

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Apakah yang dimaksudkan dengan latihan/serving skew?
   • Apabila model dilatih pada GPU tetapi disampaikan pada CPU
   • Apabila model terlalu besar untuk dimuatkan dalam ingatan
   • Apabila ciri yang dikira di luar talian semasa latihan berbeza daripada ciri yang disajikan dalam talian dalam pengeluaran
   • Apabila latihan mengambil masa lebih lama daripada jangkaan
2. When building a historical training row, which feature timestamps should a point-in-time join allow?
   • 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. Antara berikut, yang manakah merupakan punca klasik ketepatan luar talian yang melambung yang runtuh dalam pengeluaran?
   • Menggunakan terlalu sedikit contoh latihan
   • Latihan pada mesin yang lebih pantas daripada servis
   • Menyimpan ciri dalam pangkalan data
   • Kebocoran data, di mana latihan menggunakan maklumat yang tidak tersedia pada masa ramalan
4. A logged live feature distribution differs from training. What should the feature-serving team infer first?
   • 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. Mengapakah ciri dalam talian yang dicache seperti 'pesanan dalam sejam terakhir' berisiko menyerong?
   • Nilai cache boleh menjadi basi dan tidak lagi sepadan dengan nilai yang baru dikira yang digunakan dalam latihan
   • Caching sentiasa meningkatkan ketepatan model
   • Caching menjadikan ciri mustahil untuk dikira di luar talian
   • Ciri dicache tidak boleh berbentuk berangka
6. Why share one feature definition across batch training and online serving?
   • 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