Bài kiểm tra phát hiện trôi dạt mô hình

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

1. Sự khác biệt giữa trôi dạt dữ liệu và trôi dạt khái niệm là gì?
   • Sự trôi dạt dữ liệu làm thay đổi sự phân bổ của đầu vào; Sự trôi dạt khái niệm làm thay đổi mối quan hệ đầu vào-đầu ra
   • Đó là hai cái tên cho cùng một thứ
   • Dữ liệu trôi dạt chỉ ảnh hưởng đến hình ảnh; khái niệm trôi dạt chỉ ảnh hưởng đến văn bản
   • Sự trôi dạt dữ liệu xảy ra trong quá trình đào tạo; sự trôi dạt khái niệm xảy ra trong quá trình thử nghiệm
2. How should a team interpret a PSI value such as 0.30?
   • As a guarantee that model accuracy has fallen
   • As a signal to investigate under the chosen monitoring policy, not a universal proof of harmful drift
   • As an identical threshold for every feature and population
   • As proof that retraining must begin immediately
3. Tại sao tính năng phát hiện sai lệch dựa trên đầu vào có thể đưa ra cảnh báo sớm?
   • Bởi vì đầu vào luôn sai đầu tiên
   • Bởi vì đầu vào là các tệp nhỏ hơn
   • Bởi vì các nhãn sự thật thường đến muộn hơn nhiều so với dự đoán
   • Bởi vì các mô hình hoàn toàn bỏ qua nhãn
4. What does a two-sample Kolmogorov-Smirnov test compare?
   • The average accuracy of two classifiers only
   • The class labels predicted by a single model
   • The parameter values of two neural networks
   • The empirical cumulative distribution functions of two samples
5. Kịch bản nào là ví dụ rõ ràng về sự trôi dạt khái niệm?
   • Những gì người dùng coi là 'thư rác' thay đổi theo thời gian ngay cả đối với các email có giao diện tương tự
   • Máy ảnh tạo ra hình ảnh sáng hơn một chút
   • Độ tuổi của khách hàng trong tập dữ liệu không đổi
   • Tập dữ liệu được lưu trữ ở định dạng tệp mới
6. What is a safe first response when an input-drift monitor triggers?
   • Automatically deploy a newly retrained model without evaluation
   • Investigate the data and impact, then decide whether retraining or another action is justified
   • Delete the reference data
   • Assume every shift is harmful concept drift
7. What can TensorFlow Data Validation check in an ML pipeline?
   • The causal effect of a feature
   • Whether every model prediction is correct
   • Data schemas and statistics, including unexpected changes
   • The absolute accuracy of an unlabeled dataset
8. What does the Population Stability Index (PSI) measure in a drift-monitoring setup?
   • The model’s accuracy on labeled examples
   • A causal effect of an input feature
   • A universal pass/fail threshold for all models
   • A numerical summary of how binned feature distributions differ between reference and current data