Lệch pha huấn luyện-phục vụ (Training-Serving Skew) xảy ra khi dữ liệu đầu vào lúc huấn luyện được xử lý theo một cách, nhưng khi phục vụ thực tế (serving/inference) lại được xử lý theo cách khác (ví dụ: công thức chuẩn hóa khác nhau, mã hóa thiếu nhãn...).
- Giải pháp tối ưu và dễ thực hiện (Đáp án B): Tái tạo đồng bộ chính xác logic tiền xử lý (pre-processing pipeline) đã dùng lúc huấn luyện vào pipeline suy luận (inference pipeline) để đảm bảo định dạng và phân phối dữ liệu đầu vào của mô hình luôn đồng nhất.
Chi tiết các lựa chọn khác:
- A: Viết custom handler trong Vertex AI Endpoint (ví dụ bằng custom container) làm tăng độ phức tạp kỹ thuật và khó bảo trì hơn so với việc đồng bộ logic trong mã pipeline.
- C: Lưu trữ dữ liệu thô không giải quyết được việc biến đổi dữ liệu trước khi đưa vào mô hình đầu vào.
- D: Việc lấy mẫu ngẫu nhiên không liên quan đến việc giải quyết sự lệch pha về logic tiền xử lý dữ liệu.
(Đáp án được gợi ý bởi AI)