A. Snowflake에서 사용하는 웨어하우스 크기를 늘립니다. 이렇게 하면 UDF 실행에 더 많은 리소스가 제공됩니다.

B. Snowpark API의 오버헤드를 피하기 위해 Snowpark 대신 SQL로 UDF를 다시 작성합니다.

C. 단일 호출로 여러 행을 처리할 수 있는 벡터화된 UDF를 활용하여 Snowflake의 병렬 처리 기능을 더욱 활용하세요. 입력과 출력 모두에 대해 올바른 데이터 유형을 지원하는지 확인하세요. Python이 기반 언어인 경우 Pandas UDF 사용을 고려하세요.

D. Snowflake의 결과 캐싱 기능을 사용하여 UDF 결과를 캐싱합니다. 이렇게 하면 동일한 입력 값에 대해 UDF를 다시 실행할 필요가 없습니다.

E. 입력 데이터에 행 수준 보안을 구현합니다. 이렇게 하면 보안이 강화되고, 모델이 승인된 데이터만 처리하므로 쿼리 성능이 향상됩니다.

A. 

B. 

C. 
{<디>}:

A. 정확도: 모델의 전반적인 정확성을 측정합니다. 정밀도: 실제로 정확한 양성 반응의 비율을 측정합니다. 재현율: 실제로 정확한 양성 반응의 비율을 측정합니다. Fl 점수: 정밀도와 재현율의 조화 평균입니다.

B. 평균 제곱 오차(MSE): 예측값과 실제값의 차이의 평균 제곱입니다. R 제곱: 독립변수에서 예측 가능한 종속변수의 분산 비율을 나타냅니다. 회귀 분석에 유용합니다.

C. AUC-ROC: 모델의 클래스 구분 능력을 측정합니다. 정확도보다 클래스 불균형에 덜 민감합니다. 로그 손실: 예측 입력이 0과 1 사이의 확률 값인 분류 모델의 성능을 측정합니다.

D. 혼동 행렬: 참 양성, 참 음성, 거짓 양성, 거짓 음성 예측 횟수를 표시하여 분류 모델의 성능을 설명하는 표입니다. 이는 지표가 아니라 지표 자체를 나타내는 것입니다.

E. 정밀도, 재현율, F I 점수, AUC-ROC 및 로그 손실: 정밀도는 긍정적 예측의 정확도에 초점을 맞추고, 재현율은 긍정적 예측의 완전성에 초점을 맞추고, F I 점수는 정밀도와 재현율의 균형을 맞춥니다. AUC-ROC는 클래스의 분리 가능성을 평가하고, 로그 손실은 확률의 정확도를 정량화합니다. 특히 불균형 데이터 세트에 유용한데, 정확도만 사용하는 경우보다 성능에 대한 보다 섬세한 관점을 제공하기 때문입니다.

A. 마지막 교육 실행 이후의 변경 사항을 캡처하기 위해 거래 데이터 테이블에 Snowflake Stream을 만듭니다.

B. 드리프트 지표(예: 개체군 안정 지수)를 주기적으로 계산하고 임계값을 초과하면 재학습을 트리거하는 Python UDF를 개발합니다. Snowflake의 작업 기능을 사용하여 UDF 실행을 예약합니다.

C. Snowpark의 모델 레지스트리 기능을 사용하여 Snowflake 스테이지의 기존 모델 아티팩트를 새로 학습된 모델로 교체합니다.

D. Snowflake의 데이터 계보 기능을 구성하여 재현성을 위해 입력 데이터와 모델 계보를 자동으로 추적합니다.

E. 새 모델을 포함하고, 재교육 시마다 새 Docker 이미지를 빌드하고 배포하고, 새 이미지를 가리키도록 외부 함수 정의를 업데이트합니다.

A. 옵션 A

B. 옵션 B

C. 옵션 C

D. 옵션 D

E. 옵션 E