本番環境 ML システム: 知識をテストする

1. ML を使用して、ユニコーンの出現を予測する分類モデルを構築しています。このデータセットには、ユニコーンの出現が 10,000 回、不出現が 10,000 回含まれています。このデータセットには、場所、時刻、標高、気温、湿度、樹木被覆、虹の有無、その他の特徴が含まれています。
   
   ユニコーンの外観予測ツールを起動した後、新しいデータで再トレーニングして、モデルを最新の状態に保つ必要があります。トレーニングに使用する新しいデータが多すぎるため、新しいデータを一定の時間枠でサンプリングしてトレーニング データを制限することにしました。また、ユニコーンの出現の日別パターンと年間パターンも考慮する必要があります。どの時間枠を選択しますか？

   ある日、ウィンドウを大きくすると大量のデータが生成され、モデルのトレーニングに時間がかかりすぎるため。

   データセットが大きすぎないように 1 週間。ただし、パターンを滑らかに整えることもできます。

   1 年間: モデルが年間パターンによってバイアスを受けないようにします。

2. ユニコーンの外観予測ツールを起動しました。うまくいってる！あなたは休暇に出て 3 週間後に戻り、モデルの品質が大幅に低下していることがわかりました。ユニコーンの行動が 3 週間で大幅に変化することはないと仮定します。品質の低下について、最も考えられる原因は何ですか。

   トレーニング サービング スキュー: モデルがサービングを開始した後、ある時点でサービング データの形式が徐々に変化しました。

   トレーニング中の指標として精度を使用しました。

   モデルは最新ではありません。

   上記のいずれでもない。

3. 南極大陸におけるモデルの予測をレビューしたところ、モデルが本番環境にリリースされて以来、南極大陸での予測精度が低いことに気付きました。この問題の原因となる可能性があるものは次のうちどれですか。

   南極向けのトレーニング サンプルが不足していました。

   静的トレーニングではなく動的トレーニングを使用した。

   モデルが古くなっている。

   上記すべて。

4. ユニコーンの出現予測器は 1 年間動作しています。多くの問題を修正し、品質が向上しています。しかし、小さいながらも問題が継続していることに気づきました。都市部では、モデルの品質がわずかに低下しています。考えられる原因は何ですか？

   予測の質が高いと、ユーザーがユニコーンを見つけやすくなります。これは、ユニコーンの見え方そのものに影響します。

   都市部はモデル化が困難です。

   人口の多い地域ではユニコーンの出現が複数回報告されるため、トレーニング データに歪みが生じます。

5. あらゆるトラブルシューティングを通じて、ユニコーン モデルの予測品質が大幅に向上し、その結果、使用量が 10 倍に増加しました。ところが、このモデルが非常に遅いという不満がユーザーから寄せられています。通常、推論リクエストで予測が返されるまでに 30 秒以上かかります。この問題の解決に役立つ変更は、次のうちどれですか。

   モデルを動的トレーニングから静的トレーニングに切り替える。

   モデルを動的推論から静的推論に切り替える。

   サービング前にモデルの品質を検証する。

   上記の解決策はどれも役に立ちません。

解答を送信