A. 

B. 

C. 
{<디>}:

D. 

A. 'customer_segment'로 분할하는 것은 세그먼트별로 이탈 패턴이 크게 다를 경우 유용하며, 각 세그먼트에 대해 별도의 모델을 학습할 수 있습니다. 그러나 특정 세그먼트의 이탈 고객이 매우 적은 경우, 해당 세그먼트에 대한 과적합 또는 신뢰할 수 없는 모델이 발생할 수 있습니다.

B. '가입_날짜'를 기준으로 분할하는 것은 이탈 행동의 시간적 종속성을 파악하는 데 이상적이며, 최신 데이터로 모델을 쉽게 재학습할 수 있도록 합니다. 또한, 워크포워드 검증 방식과 자연스럽게 부합합니다. 하지만 이탈 요인이 가입 날짜와 무관한 경우에는 효과적이지 않을 수 있습니다.

C. '지역'별 파티셔닝은 이탈률이 지리적 요인(예: 지역 시장 상황)의 영향을 크게 받는 경우 유용합니다. 지역별 필터링 시 학습 및 추론 과정에서 쿼리 성능을 향상시킬 수 있습니다. 하지만 데이터 사일로가 생성되어 지역 간 상호작용을 고려하는 글로벌 이탈 모델을 구축하기 어려워질 수 있습니다. 또한, '지역' 열은 카디널리티가 낮아야 합니다.

D. Snowflake에서 파티셔닝 위에 클러스터링을 사용하면 쿼리 패턴에 관계없이 항상 쿼리 성능이 크게 향상되고 컴퓨팅 비용이 절감됩니다.

E. 파티셔닝을 구현하려면 기존 데이터 로딩 파이프라인을 수정해야 하며, 데이터 관리에 추가적인 오버헤드가 발생할 수 있습니다. 파티셔닝 비용이 성능 향상보다 크다면 Snowflake 내장 마이크로 파티셔닝에만 의존하는 것이 좋습니다. 또한, 파티션 키의 데이터 불균형도 중요한 문제입니다.

A. Snowpark DataFrame의 메서드를 사용하여 중복 거래를 효율적으로 제거할 수 있으며, 'transaction_id'를 하위 집합으로 지정합니다. 금액 범주를 생성하려면 단일 'when' 절에 로직을 효율적으로 포함할 수 없으므로 사용자 정의 함수(UDF)를 사용해야 합니다.

B. 'transactions' 및 'merchant_location' 테이블을 조인하려면 LEFT JOIN을 사용해야 하며, 'merchant_location' 테이블에 일부 판매자 ID가 없더라도 모든 거래가 포함되어야 합니다.

C. Snowpark의 구성은 UDF가 필요 없이 DataFrame 변환 내에서 직접 'amount_category' 기능을 생성하는 데 사용할 수 있습니다.

D. 'CASE WHEN' 문을 사용하여 'amount_category'를 계산하기 위해 SQL UDF를 등록할 수 있습니다.

E. Snowpark DataFrame의 메서드를 사용하여 중복 거래를 효율적으로 제거할 수 있으며, 'transaction_id'를 하위 집합으로 지정합니다. 금액 범주 생성은 'when' 절과 여러 개의 'otherwise' 절을 사용하여 완료할 수 있습니다.

A. Snowflake의 통계 함수(예: APPROX_COUNT DISTINCT, &AVG', 'STDDEV')를 사용하여 'LOAN_APPLICATIONS' 테이블의 입력 특성 분포를 원본 학습 데이터 세트의 특성 분포와 비교합니다. 유의미한 편차는 데이터 드리프트를 나타냅니다.

B. 모델의 예측 및 실제 대출 결과(제공되는 경우)를 기반으로 구축된 전용 모니터링 대시보드를 사용하여 모델의 정확도와 재현율을 모니터링합니다. 두 지표 중 하나가 사전 정의된 임계값 아래로 떨어지면 작동하는 Snowflake 알림을 생성합니다.

C. 'LOAN_APPLICATIONS' 테이블에서 정기적으로 데이터를 샘플링하여 원본 학습 데이터와 수동으로 비교합니다. 이를 통해 잠재적인 변경 사항에 대한 정성적인 평가를 제공합니다.

D. 'LOAN_APPLICATIONS' 테이블을 입력으로 사용하여 원래 모델 학습 코드를 다시 실행하고, 결과 모델 계수를 배포된 모델의 계수와 비교합니다. 유의미한 차이는 모델 붕괴를 나타냅니다.

E. 경제 상황의 변화로 인해 모델이 더 이상 유효하지 않다고 가정하고 추가 조사 없이 최신 사용 가능한 데이터로 모델을 즉시 다시 학습합니다.

A. 

B. 

C. 
{<디>}:

D.