Funkcje online i offline służące do pochylania się nad quizem

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Co to jest zniekształcenie treningu/serwowania?
   • Gdy model jest szkolony na procesorze graficznym, ale obsługiwany na procesorze
   • Gdy model jest zbyt duży, aby zmieścić się w pamięci
   • Gdy funkcje obliczone w trybie offline podczas szkolenia różnią się od funkcji udostępnianych online w środowisku produkcyjnym
   • Kiedy trening trwa dłużej niż oczekiwano
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. Która z poniższych sytuacji jest klasyczną przyczyną zawyżonej dokładności w trybie offline, która załamuje się w produkcji?
   • Używanie zbyt małej liczby przykładów szkoleniowych
   • Trening na szybszej maszynie niż serwowanie
   • Przechowywanie cech w bazie danych
   • Wyciek danych, gdy szkolenie wykorzystuje informacje niedostępne w momencie przewidywania
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. Dlaczego buforowana funkcja online, taka jak „zamówienia z ostatniej godziny”, wiąże się z ryzykiem wypaczenia?
   • Wartość w pamięci podręcznej może utracić ważność i nie odpowiadać świeżo obliczonej wartości używanej podczas uczenia
   • Buforowanie zawsze poprawia dokładność modelu
   • Buforowanie uniemożliwia wykonanie obliczeń w trybie offline
   • Funkcje buforowane nie mogą być numeryczne
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