Перейти к содержимому
JS
JScriptiser
Система Онлайн
Патчи
Платформа
Квиз
FAQ
🇺🇸
en
Войти
В Лабораторию
Войти
База знаний
ML System Design
Основы и методика
Основы и методика
Метрики, признаки, сервинг, выкатка, мониторинг и методика разбора задачи на интервью
Все
Легкие
Средние
Сложные
По умолчанию
По популярности
Сначала легкие
Сначала сложные
Развернуть
Свернуть
1
Средний
4
Что такое ML System Design и по какому плану разбирать такую задачу?
2
Средний
4
Как перевести бизнес-цель в ML-задачу и выбрать метрику успеха — и почему офлайн- и онлайн-метрики расходятся?
3
Средний
5
Как оценить нагрузку и ресурсы в ML system design: QPS, объём данных, бюджет задержки, размер индекса?
4
Средний
3
Пакетный, онлайн или потоковый инференс: как выбрать режим и во что обходится каждый?
5
Сложный
4
Что такое расхождение обучения и прода (training/serving skew) и как feature store его устраняет?
6
Сложный
3
Как проектировать признаки, чтобы не получить утечку целевой переменной: корректность по времени, версионирование, происхождение данных?
7
Сложный
3
Теневой режим, канареечная выкатка, A/B и перемешивание выдачи: чем эти способы выкатки модели отличаются и что каждый измеряет?
8
Сложный
5
Когда и как переобучать модель: по расписанию или по срабатыванию дрейфа, и что делать с отложенными метками?
9
Сложный
3
Зачем ML-систему разбивают на каскад: отбор кандидатов, ранжирование, переупорядочивание?
10
Сложный
3
Как проектировать сбор меток и обратной связи: неявные сигналы, смещение позиции, замкнутая петля?
Назад
1
2
Вперёд
Основы и методика | JScriptiser