تُرجِمت هذه الدروس تلقائيًا إلى العربية ولم تخضع بعد لمراجعة بشرية. إذا بدت أي صياغة غريبة، فالنسخة الإنجليزية هي المرجع.
لقد نجحت في اجتياز جولات الترميز. يقوم القائم بإجراء المقابلة الآن بتحريك علامة السبورة البيضاء على الطاولة ويقول: "صمم نظام توصيات لـ 50 مليون مستخدم." تصبح راحة يدك رطبة - ليس لأنك لا تعرف تعلم الآلة، ولكن لأنك لم تمارس أبدًا التفكير بصوت عالٍ حول الأنظمة بأكملها. يمنحك هذا الدرس إطارًا قابلاً للتكرار يحول هذا السؤال المفتوح إلى محادثة منظمة.
يركز تصميم نظام البرمجيات التقليدي على تدفق البيانات وتخزينها وقابلية التوسع. يضيف تصميم نظام ML بُعدًا إضافيًا: النموذج عبارة عن مكون حي يتدهور بمرور الوقت، ويعتمد على جودة البيانات، ويتطلب تقييمًا مستمرًا.
لا يبحث القائمون على المقابلات عن مخطط معماري مثالي. إنهم يريدون أن يروا أنه يمكنك:
أكبر خطأ يرتكبه المرشحون هو القفز مباشرة إلى اختيار النموذج. يشير القائمون على المقابلات باستمرار إلى أن صياغة المشكلات ومناقشة البيانات هي المكان الذي يميز فيه المرشحون أنفسهم.
استخدم هذا الإطار كهيكل عظمي لكل سؤال يتعلق بالتصميم. لا تحتاج إلى قضاء وقت متساوٍ في كل خطوة - تكيف بناءً على السؤال - ولكن لمس كل خطوة يشير إلى النضج.
ابدأ بتوضيح الهدف. اسأل: كيف يبدو النجاح بالنسبة إلى النشاط التجاري؟
قم بتعيين مقياس الأعمال إلى هدف ملائم لتعلم الآلة في وقت مبكر. على سبيل المثال، قد تترجم عبارة "زيادة تفاعل المستخدم" إلى "التنبؤ باحتمالية النقر على كل عنصر والترتيب حسب النتيجة".
ناقش من أين تأتي البيانات، وكيف يتم جمعها، وما هي المشاكل التي تتوقعها:
سجّل الدخول للانضمام إلى النقاش
قم بوصف الميزات التي ستستخرجها. قم بتجميعها بشكل منطقي:
| مجموعة الميزات | أمثلة | |---|---| | ميزات المستخدم | مجموعة العمر، والحيازة، ومعدل النقر التاريخي | | مميزات السلعة | الفئة، النطاق السعري، درجة الشعبية | | ميزات السياق | الوقت من اليوم، نوع الجهاز، الموقع | | مميزات التفاعل | التكرار المشترك للمستخدم × العنصر، عمق الجلسة |
الآن، والآن فقط، ناقش النماذج. برر اختيارك:
قم بتغطية كيفية تدريبك والتحقق من صحتها:
اختر المقاييس التي تتوافق مع هدف العمل. Precision@K للتصنيف، AUC-ROC للتصنيف الثنائي، NDCG للقوائم المرتبة.
ناقش كيفية وصول النموذج إلى المستخدمين:
اشرح ما ستشاهده بعد الإطلاق: انجراف البيانات، وتحولات توزيع التنبؤ، والمقاييس عبر الإنترنت من خلال اختبارات A/B.
تخيل أنك تصمم نظامًا لكشف الاحتيال. يقول العمل "القبض على جميع عمليات الاحتيال". لماذا يعد التذكير بنسبة 100% هدفًا خطيرًا، وكيف يمكنك تأطير المحادثة حول المقايضات المقبولة؟
في مقابلة تصميم نظام تعلم الآلة، ما الذي يجب عليك فعله أولاً عندما تتلقى مطالبة بالتصميم؟
يحب القائمون على إجراء المقابلات مناقشات المقايضة لأنها تكشف عن عمق الخبرة. فيما يلي المقايضات الأكثر ظهورًا:
| المفاضلة | متى تفضل اليسار | متى تفضل الحق | |---|---|---| | الكمون مقابل الدقة | مواجهة المستخدم في الوقت الفعلي (بحث) | دفعة دون اتصال (البريد الإلكتروني) | | النموذج البسيط مقابل النموذج المعقد | البيانات الصغيرة تحتاج إلى تفسير | البيانات الكبيرة، الدقة أمر بالغ الأهمية | | الدفعة مقابل التقديم في الوقت الفعلي | التوقعات لا تتغير بسرعة | يجب أن تعكس التوقعات السياق الأحدث | | البناء مقابل الشراء | التمايز الأساسي للأعمال | القدرة على السلع (على سبيل المثال، التعرف الضوئي على الحروف) |
عند مناقشة المقايضة، استخدم هذا النمط:
"يمكننا اختيار الخيار A الذي يمنحنا [الفائدة]، ولكن الجانب السلبي هو [التكلفة]. وبدلاً من ذلك، الخيار B [الفائدة]، على الرغم من أنه يقدم [التكلفة]. بالنظر إلى [قيد محدد من المشكلة]، فإنني أميل نحو الخيار A لأن..."
تقدر Netflix أن نظام التوصيات الخاص بها يوفر للشركة ما يزيد عن مليار دولار سنويًا من خلال انخفاض معدل الإنتاج. تتجاوز قيمة نظام تعلم الآلة الواحد هذا الناتج المحلي الإجمالي لبعض البلدان الصغيرة.
مطالبة: "صمم نظامًا للإشراف على المحتوى لإحدى منصات التواصل الاجتماعي."
لماذا يعد نهج التقديم المختلط (توليد دفعة من المرشحين + التصنيف في الوقت الفعلي) شائعًا في أنظمة التوصية؟
تبدو أفضل إجابات تصميم نظام ML وكأنها محادثة وليست محاضرة. توقف مؤقتًا للتحقق من الشخص الذي يجري معك المقابلة، واطرح أسئلة توضيحية، وكن على استعداد للتحول عندما يدفعك في اتجاه مختلف.