Çevrimiçi ve Çevrimdışı Özellik Sunumu Skew Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Eğitim/sunum çarpıklığı nedir?
   • Bir model GPU'da eğitilip CPU'da sunulduğunda
   • Bir model belleğe sığmayacak kadar büyük olduğunda
   • Eğitim sırasında çevrimdışı olarak hesaplanan özellikler, üretimde çevrimiçi olarak sunulan özelliklerden farklı olduğunda
   • Eğitim beklenenden uzun sürdüğünde
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. Aşağıdakilerden hangisi üretimde çöken aşırı çevrimdışı doğruluğun klasik nedenidir?
   • Çok az eğitim örneği kullanma
   • Hizmet vermekten daha hızlı bir makinede eğitim
   • Özelliklerin veritabanında saklanması
   • Eğitimin tahmin zamanında mevcut olmayan bilgileri kullandığı veri sızıntısı
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. 'Son saatteki siparişler' gibi önbelleğe alınmış bir çevrimiçi özellik neden çarpıklık riski taşıyor?
   • Önbelleğe alınan değer eskiyebilir ve eğitimde kullanılan yeni hesaplanan değerle artık eşleşmeyebilir
   • Önbelleğe alma her zaman model doğruluğunu artırır
   • Önbelleğe alma, özelliğin çevrimdışı hesaplanmasını imkansız hale getirir
   • Önbelleğe alınan özellikler sayısal olamaz
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