本课程由机器自动翻译成中文，尚未经过人工校对。如果读起来有些奇怪，请以英文原文为准。
您已经完成了编码轮次。现在，面试官将白板笔滑过桌子并说道：“为 5000 万用户设计一个推荐系统。”您的手掌会发湿 - 不是因为您不懂机器学习，而是因为您从未练习过“大声思考”整个系统。本课程为您提供了一个可重复的框架，将开放式问题转变为结构化对话。
传统的软件系统设计侧重于数据流、存储和可扩展性。机器学习系统设计增加了一个额外的维度：模型是一个活的组件，它会随着时间的推移而退化，取决于数据质量，并且需要持续评估。
面试官并不是在寻找完美的架构图。他们希望看到您能够：
候选人犯的最大错误是直接跳到模型选择。面试官一致表示，问题框架和数据讨论是候选人脱颖而出的地方。
使用这个框架作为每个设计问题的骨架。你不需要在每一步上花费相同的时间 - 根据问题进行调整 - 但触及每一步都标志着成熟。
首先明确目标。问：企业的成功是什么样的？
尽早将业务指标映射到机器学习友好的目标。例如，“提高用户参与度”可能会转化为“预测每个项目的点击概率并按分数排名”。
讨论数据来自哪里、如何收集以及您预计会出现什么问题：
描述您要提取的特征。将它们按逻辑分组：
|功能组 |示例 | |---|---| |用户特征|年龄段、任期、历史点击率 | |项目特点|类别、价格范围、受欢迎程度 | |上下文特征|一天中的时间、设备类型、位置 | |交互功能|用户×项目共现，会话深度|
现在 - 而且只有现在 - 讨论模型。证明你的选择合理：
介绍如何训练和验证：
选择与业务目标相符的指标。 Precision@K 用于排名，AUC-ROC 用于二元分类，NDCG 用于有序列表。
讨论模型如何接触用户：
登录 后参与讨论
解释发布后您会看到什么：数据漂移、预测分布变化以及通过 A/B 测试的在线指标。
想象一下您正在设计一个欺诈检测系统。该公司称“抓住所有欺诈行为”。为什么 100% 召回率是一个危险的目标，您将如何围绕可接受的权衡进行对话？
在机器学习系统设计面试中，当出现设计提示时，您应该首先做什么？
面试官喜欢权衡讨论，因为它们揭示了经验的深度。以下是最常见的权衡：
|权衡|何时偏向左|何时偏向右侧| |---|---|---| |延迟与准确性 |实时面向用户（搜索）|批量离线（电子邮件建议）| |简单与复杂模型 |小数据，需要可解释性 |数据大，准确性至关重要 | |批量服务与实时服务 |预测不会很快改变|预测必须反映最新情况| |建造与购买|业务的核心差异化因素|商品能力（例如 OCR）|
当您讨论权衡时，请使用以下模式：
“我们可以选择 选项 A，它给我们带来 [好处]，但缺点是 [成本]。或者，选项 B [好处]，尽管它引入了 [成本]。考虑到 [问题的具体限制]，我倾向于 选项 A 因为......”
Netflix 估计，其推荐系统通过减少客户流失，每年为公司节省超过 10 亿美元。单个机器学习系统的价值超过了一些小国家的 GDP。
提示：“为社交媒体平台设计内容审核系统。”
为什么混合服务方法（批量候选生成+实时排名）在推荐系统中很常见？
最好的机器学习系统设计答案感觉就像一场对话，而不是一场讲座。停下来与面试官核实，提出澄清问题，并在他们将你推向不同的方向时愿意改变立场。