اسکیو کوئز پیش کرنے والی آن لائن اور آف لائن فیچر

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. ٹریننگ/سرونگ سکیو کیا ہے؟
   • جب ایک ماڈل کو GPU پر تربیت دی جاتی ہے لیکن اسے CPU پر پیش کیا جاتا ہے۔
   • جب کوئی ماڈل میموری میں فٹ ہونے کے لیے بہت بڑا ہو۔
   • جب تربیت کے دوران آف لائن شمار کی گئی خصوصیات پیداوار میں آن لائن پیش کی جانے والی خصوصیات سے مختلف ہوتی ہیں۔
   • جب تربیت میں توقع سے زیادہ وقت لگتا ہے۔
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. مندرجہ ذیل میں سے کون سی فلائیٹڈ آف لائن درستگی کی ایک کلاسک وجہ ہے جو پیداوار میں گر جاتی ہے؟
   • بہت کم تربیتی مثالیں استعمال کرنا
   • خدمت کرنے سے زیادہ تیز مشین پر تربیت
   • ڈیٹا بیس میں خصوصیات کو ذخیرہ کرنا
   • ڈیٹا کا رساو، جہاں تربیت پیشین گوئی کے وقت دستیاب نہ ہونے والی معلومات کا استعمال کرتی ہے۔
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. کیش شدہ آن لائن فیچر جیسے 'آخری گھنٹے میں آرڈرز' ایک ترچھا خطرہ کیوں ہے؟
   • کیشڈ ویلیو باسی ہو سکتی ہے اور ٹریننگ میں استعمال ہونے والی تازہ شمار شدہ قدر سے مماثلت نہیں رکھتی
   • کیشنگ ہمیشہ ماڈل کی درستگی کو بہتر بناتی ہے۔
   • کیشنگ خصوصیت کو آف لائن شمار کرنا ناممکن بنا دیتا ہے۔
   • کیش شدہ خصوصیات عددی نہیں ہوسکتی ہیں۔
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