Викторина, связанная с руководством · Средний Уровень

Викторина по A/B-тестированию моделей машинного обучения

Ознакомьтесь с основами онлайн-экспериментов с моделями, включая случайное назначение, проверку гипотез, адаптивное распределение и ограничения.

Связанные направляющие путиA B Тестирование для моделей машинного обучения
Вопрос 1 из 8

Почему команды A/B тестируют модели в производстве, а не доверяют офлайн-метрикам?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Почему команды A/B тестируют модели в производстве, а не доверяют офлайн-метрикам?
    • Модель с большей точностью в автономном режиме все равно может повредить реальным бизнес-показателям.
    • Офлайн-метрики являются незаконными
    • Производство дешевле, чем офлайн-тестирование
    • Офлайн-данных не существует
  2. Какую роль играет случайное распределение в A/B-тестировании?
    • Это ускоряет выполнение теста
    • It supports balance between groups in expectation, subject to design and implementation assumptions
    • Он удаляет предвзятых пользователей
    • Это уменьшает количество необходимых моделей.
  3. In a model A/B test, what usually happens in the treatment group?
    • The candidate scores requests but all outputs are withheld
    • Every user is assigned to both models for the same decision
    • The candidate model serves user-facing decisions for the randomly assigned group
    • The control model is removed before any comparison
  4. Under a null hypothesis and stated test assumptions, how is a p-value interpreted?
    • As the probability that the null hypothesis is true
    • As the probability that the treatment caused the observed result
    • As the probability that the experiment will replicate
    • As the probability of data at least this extreme if the null hypothesis holds
  5. How can a multi-armed bandit change an experiment while it runs?
    • It can allocate more traffic to variants with better observed outcomes and less to others
    • It keeps every variant at a fixed equal allocation throughout
    • It removes randomization from every assignment
    • It guarantees the best variant is identified without uncertainty
  6. Какова цель анализа мощности перед A/B-тестированием?
    • Подобрать логотип для эксперимента
    • Чтобы оценить, сколько пользователей необходимо для достоверного обнаружения реального эффекта.
    • Для шифрования трафика
    • Чтобы удалить группу управления
  7. What does a sample-ratio mismatch (SRM) signal during an A/B test?
    • The treatment model is necessarily better
    • The experiment has sufficient statistical power
    • Observed assignment counts differ materially from the configured allocation, which can indicate a data or randomization problem
    • The primary metric improved causally
  8. Why include guardrail metrics alongside an experiment’s primary success metric?
    • To guarantee the candidate wins on every metric
    • To replace the primary metric after results are observed
    • To avoid defining a decision rule before the test
    • To detect meaningful harms in other outcomes even when the primary metric improves