Cette leçon a été traduite automatiquement en français et n'a pas encore été relue par une personne. Si quelque chose vous semble étrange, la version anglaise fait foi.
Vous avez réussi les cycles de codage. Maintenant, l'intervieweur fait glisser un marqueur pour tableau blanc sur la table et dit : « Concevez un système de recommandation pour 50 millions d'utilisateurs. » Vos paumes deviennent humides – non pas parce que vous ne connaissez pas le ML, mais parce que vous ne vous êtes jamais entraîné à penser à voix haute à des systèmes entiers. Cette leçon vous donne un cadre reproductible qui transforme cette question ouverte en une conversation structurée.
La conception de systèmes logiciels traditionnels se concentre sur le flux de données, le stockage et l’évolutivité. La conception du système ML ajoute une dimension supplémentaire : le modèle est un composant vivant qui se dégrade avec le temps, dépend de la qualité des données et nécessite une évaluation continue.
Les enquêteurs ne recherchent pas un diagramme d'architecture parfait. Ils veulent voir que vous pouvez :
La plus grande erreur que commettent les candidats est de passer directement à la sélection du modèle. Les intervieweurs rapportent systématiquement que la formulation des problèmes et la discussion des données sont les domaines où les candidats se différencient.
Utilisez ce cadre comme squelette pour chaque question de conception. Vous n'avez pas besoin de consacrer le même temps à chaque étape – adaptez-vous en fonction de la question – mais toucher à chacune d'entre elles est un signe de maturité.
Commencez par clarifier l’objectif. Demandez : À quoi ressemble le succès pour l’entreprise ?
Mappez dès le début la métrique commerciale à un objectif compatible avec le ML. Par exemple, « augmenter l'engagement des utilisateurs » peut se traduire par « prédire la probabilité de clic sur chaque élément et classer par score ».
Connectez-vous pour rejoindre la discussion
Discutez de l'origine des données, de la manière dont elles sont collectées et des problèmes que vous prévoyez :
Décrivez les fonctionnalités que vous extrairiez. Regroupez-les logiquement :
| Groupe de fonctionnalités | Exemples | |---|---| | Fonctionnalités utilisateur | tranche d'âge, ancienneté, taux de clics historique | | Caractéristiques de l'article | catégorie, fourchette de prix, score de popularité | | Fonctionnalités contextuelles | heure de la journée, type d'appareil, emplacement | | Fonctionnalités d'interaction | cooccurrence utilisateur × élément, profondeur de session |
Maintenant – et seulement maintenant – discutez des modèles. Justifiez votre choix :
Expliquez comment vous vous entraîneriez et valideriez :
Choisissez des mesures qui correspondent à l’objectif commercial. Precision@K pour le classement, AUC-ROC pour la classification binaire, NDCG pour les listes ordonnées.
Discutez de la manière dont le modèle atteint les utilisateurs :
Expliquez ce que vous surveillerez après le lancement : dérive des données, changements de distribution des prédictions et métriques en ligne via des tests A/B.
Imaginez que vous concevez un système de détection de fraude. L'entreprise dit « attrapez toutes les fraudes ». Pourquoi un rappel à 100 % est-il un objectif dangereux, et comment cadreriez-vous la conversation autour de compromis acceptables ?
Lors d'un entretien de conception de système ML, que devez-vous faire en PREMIER lorsque vous recevez une invite de conception ?
Les enquêteurs adorent les discussions de compromis car elles révèlent la profondeur de leur expérience. Voici les compromis qui reviennent le plus :
| Compromis | Quand privilégier la gauche | Quand privilégier la droite | |---|---|---| | Latence vs précision | Face à l'utilisateur en temps réel (recherche) | Lot hors ligne (reconnaissances par e-mail) | | Modèle simple ou complexe | Petites données, besoin d'interprétabilité | Données volumineuses, la précision est essentielle | | Service par lots ou en temps réel | Les prédictions ne changent pas rapidement | Les prévisions doivent refléter le contexte le plus récent | | Construire ou acheter | Un différenciateur essentiel pour l'entreprise | Capacité de base (par exemple, OCR) |
Lorsque vous discutez d’un compromis, utilisez ce modèle :
"Nous pourrions opter pour l'option A qui nous donne [un avantage], mais l'inconvénient est le [coût]. Alternativement, l'option B [un avantage], bien qu'elle introduit un [coût]. Compte tenu de [la contrainte spécifique du problème], je pencherais pour l'option A parce que..."
Netflix estime que son système de recommandation permet à l'entreprise d'économiser plus d'un milliard de dollars par an en réduction du taux de désabonnement. La valeur de ce système ML unique dépasse le PIB de certains petits pays.
Invite : "Concevez un système de modération de contenu pour une plateforme de médias sociaux."
Pourquoi une approche de service hybride (génération de candidats par lots + classement en temps réel) est-elle courante dans les systèmes de recommandation ?
Les meilleures réponses en matière de conception de systèmes ML ressemblent à une conversation et non à une conférence. Faites une pause pour vérifier avec l'intervieweur, posez des questions de clarification et soyez prêt à pivoter lorsqu'il vous pousse dans une direction différente.