Tính năng trực tuyến và ngoại tuyến phục vụ bài kiểm tra nghiêng

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

1. Độ lệch đào tạo/phục vụ là gì?
   • Khi một mô hình được đào tạo trên GPU nhưng được phục vụ trên CPU
   • Khi một mô hình quá lớn để vừa với bộ nhớ
   • Khi các tính năng được tính toán ngoại tuyến trong quá trình đào tạo khác với các tính năng được cung cấp trực tuyến trong sản xuất
   • Khi quá trình đào tạo mất nhiều thời gian hơn dự kiến
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. Nguyên nhân nào sau đây là nguyên nhân kinh điển khiến độ chính xác ngoại tuyến bị tăng cao dẫn đến sụp đổ trong quá trình sản xuất?
   • Sử dụng quá ít ví dụ đào tạo
   • Đào tạo trên máy nhanh hơn giao bóng
   • Lưu trữ các tính năng trong cơ sở dữ liệu
   • Rò rỉ dữ liệu, trong đó quá trình đào tạo sử dụng thông tin không có sẵn tại thời điểm dự đoán
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. Tại sao tính năng trực tuyến được lưu trong bộ nhớ đệm như 'đơn đặt hàng trong giờ qua' lại có nguy cơ sai lệch?
   • Giá trị được lưu trong bộ nhớ đệm có thể cũ và không còn khớp với giá trị mới được tính toán được sử dụng trong quá trình đào tạo
   • Bộ nhớ đệm luôn cải thiện độ chính xác của mô hình
   • Bộ nhớ đệm khiến tính năng này không thể tính toán ngoại tuyến
   • Các tính năng được lưu trong bộ nhớ đệm không thể là số
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