ML系统设计面试

和传统系统设计面试的区别

1. 案例类型
   ML系统设计（下称为MLSD）顾名思义通常会以一个典型的ML案例而非软件或者功能设计案例来推动整场面试。这样的ML案例通常会包含一个比较笼统的任务描述，一些提供给你的数据/特征集，和一些随后而来推动设计进度的问题。
2. 重点设计节点
   MLSD的重点通常都是围绕特征集和模型这两点展开的。特征集的产生，变换和存储；模型的选择和训练，这些是着重考察的点。
3. 系统评估标准
   成功的MLSD通常需要面试者能做到这样几点：顺利理解任务要求，能评判性地分析任务；进行合适的特征筛选，对不同特征类型做到正确的预处理；对所需数据的存储规模和数据流有直观的认识；能够选择适用于该问题的模型，并对模型的

如何准备

1. 结合不同的ML任务来思考不同算法模型的用途和优缺点
2. 从软件工程师的角度去思考机器学习模型的生命周期
3. 观察并积累对于复杂数据/特征的运用以及它们的存储，性能上的要求
4. 整理出一套适用于MLSD的模版

一个简单的模板

1. 任务描述
   任务是什么，不是什么； 合理的线上/线下评价指标分别是什么；
2. 数据/特征
   数据从哪里来，QpS如何； 数据存在哪里，存储量如何； 如何生成特征集； 特征集feed给模型时的latency考虑
3. 模型和训练
   模型种类选择； 训练周期，方式； 模型质量评估； 部署和调用方式（线上/线下）
4. 迭代分析
   如果是第一代模型，以什么为baseline； 后续可能的优化；
5. 完整的request path 以流程图的形式把各个组间结合起来