Тест на перекосы в обслуживании онлайн- и офлайн-функций

Ответы и пояснения появляются по мере прохождения теста.

1. Что такое перекос в обучении/обслуживании?
   • Когда модель обучается на графическом процессоре, но обслуживается на центральном процессоре
   • Когда модель слишком велика, чтобы поместиться в памяти
   • Когда функции, рассчитанные в автономном режиме во время обучения, отличаются от тех, которые используются онлайн в рабочей среде.
   • Когда обучение занимает больше времени, чем ожидалось
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. Что из перечисленного является классической причиной завышенной автономной точности, которая снижается в производстве?
   • Использование слишком малого количества обучающих примеров
   • Тренировка на более быстрой машине, чем подача
   • Хранение объектов в базе данных
   • Утечка данных, когда при обучении используется информация, недоступная во время прогнозирования.
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. Почему кэшированная онлайн-функция, такая как «заказы за последний час», представляет собой риск искажения?
   • Кэшированное значение может устареть и больше не соответствовать свежевычисленному значению, используемому при обучении.
   • Кэширование всегда повышает точность модели.
   • Кэширование делает невозможным вычисление функции в автономном режиме.
   • Кэшированные объекты не могут быть числовыми.
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