Gids-gekoppelde quiz · Moeilijk Niveau

Online en offline functie die Skew Quiz serveert

Oefen met het identificeren van scheeftrekken van functies, lekkage op een bepaald tijdstip en discrepanties in de versheid tussen historische trainingsgegevens en live-verzoeken.

Vraag 1 van 8

Wat is scheef trainen/serveren?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat is scheef trainen/serveren?
    • Wanneer een model wordt getraind op een GPU maar wordt bediend op een CPU
    • Wanneer een model te groot is om in het geheugen te passen
    • Wanneer de functies die tijdens de training offline worden berekend, verschillen van de functies die tijdens de productie online worden aangeboden
    • Wanneer de training langer duurt dan verwacht
  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. Welke van de volgende is een klassieke oorzaak van opgeblazen offline nauwkeurigheid die tijdens de productie instort?
    • Te weinig trainingsvoorbeelden gebruiken
    • Trainen op een snellere machine dan serveren
    • Kenmerken opslaan in een database
    • Gegevenslekken, waarbij bij de training gebruik wordt gemaakt van informatie die niet beschikbaar is op het moment van de voorspelling
  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. Waarom is een in het cachegeheugen opgeslagen online functie zoals 'bestellingen in het afgelopen uur' een scheef risico?
    • De in de cache opgeslagen waarde kan verouderd raken en niet langer overeenkomen met de nieuw berekende waarde die tijdens de training wordt gebruikt
    • Caching verbetert altijd de nauwkeurigheid van het model
    • Caching maakt het onmogelijk om de functie offline te berekenen
    • In de cache opgeslagen functies kunnen niet numeriek zijn
  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