Quiz dotyczący inżynierii funkcji i wersjonowania danych

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaki jest główny cel potoku inżynierii cech?
   • Aby przechowywać przeszkolone wagi modeli do późniejszego wdrożenia
   • Aby zaplanować zadania procesora GPU w klastrze
   • Aby przekształcić surowe dane w ustrukturyzowane funkcje wykorzystywane przez model
   • Aby zaszyfrować zbiory danych w stanie spoczynku
2. Why compare a dataset’s content hash instead of relying only on its filename?
   • A hash guarantees every record is accurate
   • The filename can stay the same while its stored contents change
   • A filename contains all transformations
   • Hashing removes access restrictions
3. Potok funkcji jest powszechnie przedstawiany jako jaki rodzaj struktury?
   • Pojedyncza płaska lista zapytań SQL, które za każdym razem muszą zostać uruchomione ponownie
   • Tabela relacyjnej bazy danych
   • Sieć neuronowa z ukrytymi warstwami
   • Skierowany wykres acykliczny (DAG) etapów transformacji
4. A model behaves differently after a data update. What can version history help investigate?
   • Which data and transformation versions were used, with other runtime factors checked separately
   • A guaranteed identical rerun without environment records
   • Proof the update was authorized
   • A universal legal-compliance certificate
5. Które z nich jest przykładowym narzędziem używanym specjalnie do przechowywania funkcji lub wersjonowania danych?
   • Photoshopa
   • Microsoft Słowo
   • FFmpeg
   • Święto (lub DVC / LakeFS)
6. Dlaczego ważne jest, aby ta sama logika funkcji działała zarówno podczas szkolenia, jak i produkcji?
   • Aby obniżyć koszty przechowywania w chmurze
   • Aby model był większy i dokładniejszy automatycznie
   • Aby mieć pewność, że model widzi konsekwentnie obliczone funkcje i pozwala uniknąć niedopasowań w zakresie trenowania/wyświetlania
   • Ponieważ na serwerach produkcyjnych nie można uruchomić języka Python
7. A team has the same data and code but a changed random state. What remains possible?
   • Different computed outputs despite matching versions
   • Versioning forces every random choice to match
   • The dataset filename must change
   • All models become deterministic
8. A reviewer asks which input record and transform produced a feature at a particular time. What record addresses that question?
   • Only the final prediction text
   • Feature lineage with source, transform version and timestamp
   • Only the dataset filename
   • Only a model parameter count