Gids-gekoppelde quiz · Middelmatig Niveau

Feature Stores-quiz

Oefen met feature-storegeschiedenis, online frisheid en entiteitsjoins, inclusief hoe gedeelde definities scheefheid verminderen zonder identieke invoer te garanderen.

Gerelateerde gidspadenFunctiewinkels
Vraag 1 van 8

Why use shared feature definitions for training and online serving?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  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. Wat is het verschil tussen de offline en online winkels?
    • Offline bevat historische gegevens voor training; online biedt snel de nieuwste waarden voor live voorspellingen
    • Offline is voor afbeeldingen, online is voor tekst
    • Ze zijn identiek met verschillende namen
    • Offline draait in het weekend, online draait op weekdagen
  3. Waarom zijn point-in-time joins belangrijk bij het bouwen van trainingsgegevens?
    • Ze zorgen ervoor dat de database sneller werkt
    • Ze vertalen functies naar andere talen
    • Ze voorkomen gegevenslekken door functiewaarden te gebruiken zoals ze waren op het moment van elke gebeurtenis
    • Ze verkleinen de bestandsgrootte van het model
  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. Wat is in deze context een 'kenmerk'?
    • Een invoervariabele die is afgeleid van gegevens, zoals de gemiddelde uitgaven over 30 dagen
    • Een bug in de modelcode
    • Het kleurenschema van een dashboard
    • Een type GPU
  6. Welk extra voordeel biedt een gedeelde featurecatalogus?
    • Het verwijdert elk uur automatisch oude gegevens
    • Het vervangt de noodzaak van elke modeltraining
    • Hiermee kunnen functies die voor één model zijn gebouwd, worden ontdekt en hergebruikt door andere modellen
    • Het codeert de e-mail van het bedrijf
  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