Онлайн і офлайн Тест щодо обслуговування функцій

Відповіді та пояснення з’являються під час виконання тесту.

1. Що таке перекіс тренування/подачі?
   • Коли модель навчається на GPU, але обслуговується на CPU
   • Коли модель занадто велика, щоб поміститися в пам’ять
   • Коли функції, обчислені в режимі офлайн під час навчання, відрізняються від тих, які обслуговуються в режимі онлайн у виробництві
   • Коли навчання займає більше часу, ніж очікувалося
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. Що з наведеного нижче є класичною причиною завищеної офлайн-точності, яка падає у виробництві?
   • Використання занадто мало навчальних прикладів
   • Тренування на швидшому тренажері, ніж подача
   • Зберігання ознак у базі даних
   • Витік даних, коли навчання використовує інформацію, недоступну на момент прогнозування
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. Чому така кешована онлайн-функція, як «замовлення за останню годину», є ризиком спотворення?
   • Кешоване значення може застаріти та більше не збігатися зі щойно обчисленим значенням, яке використовується під час навчання
   • Кешування завжди підвищує точність моделі
   • Кешування унеможливлює обчислення в режимі офлайн
   • Кешовані функції не можуть бути числовими
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