Quiz dotyczący silników personalizacji AI

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Na czym przede wszystkim opiera się filtrowanie wspólne?
   • Wzorce u wielu użytkowników, np. „ludzie, którzy lubili X, lubili także Y”
   • Tylko opis tekstowy każdego elementu
   • Poziom naładowania baterii urządzenia użytkownika
   • Stała redakcyjna lista 10 najlepszych artykułów
2. Na czym polega „problem zimnego startu” w personalizacji?
   • Serwery uruchamiają się zbyt długo
   • Posiadanie niewielkiej ilości danych lub brak danych o nowym użytkowniku lub nowym elemencie
   • Zalecenia pracy tylko w zimie
   • Użytkownicy często się wylogowują
3. Do czego służy pierwszy etap (generowanie kandydatów) w typowej architekturze dwuetapowej?
   • Precyzyjnie szereguje tylko dziesięć pozycji
   • Tworzy końcowe opisy produktów
   • Szybko zawęża miliony pozycji do kilkuset
   • Usuwa nieaktywne konta użytkowników
4. Why might a recommender add a diversity objective to a ranked list?
   • To guarantee every item receives equal clicks
   • To remove all user-history signals
   • To make every recommendation random
   • To avoid filling the list with near-duplicate items and broaden the alternatives shown
5. Czym są „osadzenia” w systemie rekomendacji?
   • Wektory reprezentujące użytkowników i przedmioty, więc bliskość sygnalizuje znaczenie
   • Fizyczne chipy w serwerze
   • Pliki cookies przechowywane w przeglądarce
   • Tematy e-maili
6. Dlaczego ukryte opinie (kliknięcia, czas oglądania) są często ważniejsze niż bezpośrednie oceny w postaci gwiazdek?
   • Łatwiej jest sfałszować
   • Jest znacznie liczniejszy i odzwierciedla rzeczywiste zachowanie
   • Jest to wymagane przez prawo
   • Oceny w postaci gwiazdek są nielegalne
7. What does content-based filtering use to recommend items?
   • Only other users’ passwords
   • Random item order
   • Features of items a user has liked or interacted with
   • The device’s battery history
8. What does normalized discounted cumulative gain (NDCG) evaluate?
   • The number of users who created accounts
   • The model’s training duration
   • Whether an item description is grammatically correct
   • The quality of a ranked list, giving higher weight to relevant items near the top