A. 이탈을 지난 달 거래 내역이 없는 고객으로 정의합니다. 지난 1년 평균 거래 금액, 지난 달 거래 건수, 최근성(마지막 거래 이후 경과 시간)과 같은 변수를 생성합니다.

B. 이탈을 전월 대비 거래 금액이 크게 감소한(예: 50%) 고객으로 정의합니다. 다른 Snowflake 테이블에서 조인한 인구 통계 데이터와 고객 세분화 정보를 기반으로 피처를 생성합니다.

C. 사전 정의된 기간 동안 총 거래 금액의 고정 임계값을 기준으로 이탈률을 정의합니다. 특성 엔지니어링은 Snowflake의 내장 함수를 사용한 시계열 분해로만 구성되어야 합니다.

D. 이탈을 지난 6개월 동안 거래를 한 적이 없는 고객으로 정의합니다. 고객이 지금까지 한 총 거래 건수를 나타내는 단일 피처를 생성합니다.

E. 다음 달(예측 대상)에 거래가 없는 고객을 이탈 고객으로 정의합니다. 최근성(마지막 거래 이후 일수), 빈도(지난 3개월 동안의 거래 횟수), 금전적 가치(지난 3개월 동안의 평균 거래 금액), 그리고 거래 금액 추세(지난 6개월 동안의 선형 회귀 기울기 사용)를 포함한 변수를 생성합니다.

A. Python으로 작성된 UDF(사용자 정의 함수)를 사용하여 정규 표현식에 따라 전화번호를 포맷하고 이를 DataFrame에 적용합니다. NULL 값의 경우 기본값인 'UNKNOWN'으로 바꿉니다.

B. Snowpark DataFrame에서 일련의 및 메서드를 사용하여 DataFrame 작업 내에서 NULL 값과 다양한 전화번호 형식을 직접 처리합니다.

C. 정규 표현식과 'CASE' 문을 사용하여 "PHONE_NUMBER" 열의 형식을 지정하고 NULL 값을 대체하는 Snowflake 저장 프로시저를 SQL로 작성합니다. Snowpark Python 스크립트에서 이 저장 프로시저를 호출합니다.

D. Snowflake의 데이터 마스킹 정책을 활용하여 유효하지 않은 전화번호를 마스킹하고 NULL 값을 '알 수 없음'으로 대체하는 뷰를 생성합니다. 이 방법은 기존 데이터를 수정하지는 않지만 문제를 숨깁니다.

E. COPY INTO 문과 COPY INTO 문 내의 SQL 함수를 사용하여 전화번호 형식을 지정하고 데이터 로드 중 NULL 값을 대체하는 변환을 포함하는 Snowflake Pipe를 생성합니다. 또한, 기존 데이터를 수정하기 위한 Python UDF를 구현합니다.

A. 옵션 A

B. 옵션 B

C. 옵션 C

D. 옵션 D

E. 옵션 E

A. 데이터를 샘플링하여 입력 DataFrame의 크기를 줄입니다.

B. 일반적인 변환의 재계산을 방지하기 위해 또는 'persist()'를 사용하여 중간 DataFrames를 캐시합니다.

C. Snowpark 내에서 'pandas' API를 사용하여 Python UDF를 벡터화된 Python UDF로 다시 작성하여 일괄 처리를 활용합니다.

D. 각 변환 후 DataFrame에서 실행하여 Snowpark의 지연 평가를 비활성화합니다.

E. 가능하면 Python UDF를 Snowflake SQL UDF로 바꾸세요. Snowflake의 최적화 기능 덕분에 SQL UDF가 더 나은 성능을 제공하는 경우가 많습니다.

A. UDTF 내의 'cachetools' 라이브러리를 사용하여 중간 결과를 캐시하고 각 함수 호출 중 중복 계산을 줄이세요. 데이터 볼륨에 적합한 최대 크기와 제거 정책으로 캐시를 구성하세요.

B. UDTF 내에서 각 행에 대해 모델을 점진적으로 업데이트하는 대신, 들어오는 데이터를 더 큰 청크로 배치하고 해당 배치에 대해서만 모델 업데이트를 수행합니다. Snowflake의 VARIANT 데이터 유형을 사용하여 이러한 배치를 임시로 저장합니다.

C. 각 배치 업데이트 후 학습된 모델을 Snowflake 단계에 유지합니다. 새 데이터를 처리하기 전에 별도의 UDF(사용자 정의 함수)를 사용하여 단계에서 모델을 로드합니다. 이렇게 하면 모델 학습과 추론이 분리됩니다.

D. Snowflake의 외부 함수와 클라우드 기반 ML 플랫폼(예: SageMaker, Vertex A1)을 활용하여 모델 학습 프로세스의 부담을 덜어줍니다. 그러면 UDTF는 데이터 준비 및 외부 함수 호출만 담당하게 됩니다.

E. UDTF를 Java 또는 Scala로 다시 작성하세요. 이러한 언어는 일반적으로 계산 집약적인 작업에서 Python보다 더 나은 성능을 제공합니다. Python에서 사용했던 것과 동일한 머신 러닝 라이브러리를 사용하세요.