यह पाठ स्वतः हिन्दी में अनूदित किया गया है और अभी तक किसी व्यक्ति द्वारा जाँचा नहीं गया है। यदि कुछ अटपटा लगे, तो अंग्रेज़ी संस्करण ही अंतिम माना जाएगा।
आप कोडिंग राउंड पार कर चुके हैं। अब इंटरव्यूअर व्हाइटबोर्ड मार्कर आपकी ओर सरकाकर कहता है, "50 मिलियन उपयोगकर्ताओं के लिए एक रिकमेंडेशन सिस्टम डिज़ाइन करें।" आपकी हथेलियां नम हो जाती हैं, इसलिए नहीं कि आपको एमएल नहीं आता, बल्कि इसलिए कि आपने कभी पूरी प्रणालियों के बारे में बोलकर सोचने का अभ्यास नहीं किया। यह पाठ आपको ऐसा दोहराने योग्य ढांचा देता है जो उस खुले सवाल को एक संरचित बातचीत में बदल देता है।
पारंपरिक सॉफ़्टवेयर सिस्टम डिज़ाइन डेटा प्रवाह, स्टोरेज और स्केलेबिलिटी पर केंद्रित होता है। एमएल सिस्टम डिज़ाइन इसमें एक और आयाम जोड़ता है: मॉडल एक जीवित घटक है जो समय के साथ कमजोर पड़ता है, डेटा गुणवत्ता पर निर्भर करता है और लगातार मूल्यांकन मांगता है।
इंटरव्यूअर किसी बिल्कुल सही आर्किटेक्चर डायग्राम की तलाश में नहीं होते। वे देखना चाहते हैं कि आप यह कर सकते हैं:
उम्मीदवारों की सबसे बड़ी गलती सीधे मॉडल चयन पर कूद जाना है। इंटरव्यूअर लगातार बताते हैं कि समस्या को परिभाषित करना और डेटा पर चर्चा करना ही वह जगह है जहां उम्मीदवार अलग दिखते हैं।
हर डिज़ाइन सवाल के लिए इस ढांचे को अपनी मूल संरचना की तरह इस्तेमाल करें। हर चरण पर बराबर समय लगाना ज़रूरी नहीं है। सवाल के हिसाब से ढालें, लेकिन हर चरण को छूना परिपक्वता दिखाता है।
लक्ष्य साफ़ करके शुरुआत करें। पूछें: व्यवसाय के लिए सफलता कैसी दिखेगी?
व्यावसायिक मेट्रिक को जल्दी ही एमएल के अनुकूल उद्देश्य से जोड़ें। उदाहरण के लिए, "उपयोगकर्ता सहभागिता बढ़ाना" का अर्थ हो सकता है "हर आइटम पर क्लिक की संभावना अनुमानित करना और स्कोर के आधार पर रैंक करना।"
बताएं कि डेटा कहां से आता है, कैसे इकट्ठा होता है और आपको किन समस्याओं की आशंका है:
साइन इन करें चर्चा में शामिल होने के लिए
बताएं कि आप कौन-से फ़ीचर निकालेंगे। उन्हें तार्किक समूहों में रखें:
| फ़ीचर समूह | उदाहरण | |---|---| | उपयोगकर्ता फ़ीचर | आयु बकेट, अवधि, ऐतिहासिक क्लिक रेट | | आइटम फ़ीचर | श्रेणी, कीमत की सीमा, लोकप्रियता स्कोर | | संदर्भ फ़ीचर | दिन का समय, डिवाइस प्रकार, स्थान | | इंटरैक्शन फ़ीचर | उपयोगकर्ता×आइटम सह-घटना, सेशन की गहराई |
अब, और केवल अब, मॉडल पर चर्चा करें। अपनी पसंद का कारण दें:
बताएं कि आप ट्रेनिंग और वैलिडेशन कैसे करेंगे:
ऐसे मेट्रिक्स चुनें जो व्यावसायिक लक्ष्य से मेल खाते हों। रैंकिंग के लिए प्रेसिजन@K, बाइनरी क्लासिफ़िकेशन के लिए AUC-ROC, क्रमबद्ध सूचियों के लिए NDCG मेट्रिक।
बताएं कि मॉडल उपयोगकर्ताओं तक कैसे पहुंचेगा:
लॉन्च के बाद आप क्या देखेंगे, यह समझाएं: डेटा ड्रिफ़्ट, भविष्यवाणी वितरण में बदलाव और A/B टेस्ट के ज़रिए ऑनलाइन मेट्रिक्स।
कल्पना करें कि आप फ़्रॉड डिटेक्शन सिस्टम डिज़ाइन कर रहे हैं। व्यवसाय कहता है "सारा फ़्रॉड पकड़ो।" 100% रिकॉल खतरनाक लक्ष्य क्यों है, और स्वीकार्य ट्रेड-ऑफ़ पर बातचीत को आप कैसे ढालेंगे?