机器学习系统设计面试：10个真实问题详解

机器学习系统设计面试：10个真实问题详解

在机器学习系统设计面试中，候选人需要展示超越模型选择的系统思维能力。面试官不仅关注算法选择，更看重如何解释数据收集、特征工程、预测服务以及系统如何随时间改进。本文以实用的面试风格，逐步解析10个真实世界中的ML系统设计问题，涵盖Feed排序、广告点击率（CTR）预测、电商搜索排名、欺诈检测、预计到达时间（ETA）预测、垃圾邮件检测、视觉缺陷检测、需求预测、动态定价以及基于RAG的客服助手。

面试中的系统思考框架

ML系统设计的第一步是明确产品目标。每个ML系统都旨在辅助决策：Feed系统决定展示哪些帖子，欺诈系统判断支付是否风险，搜索系统决定产品排序。明确目标后，需要从三个维度定义成功指标：模型指标（如准确率、AUC）、产品指标（如收入、留存）和系统指标（如延迟、吞吐量）。接着，讨论数据来源、标签生成方式及潜在偏差。系统通常分为三个部分：离线路径（批量训练）、在线路径（实时推理）和反馈循环（连接用户行为与模型更新）。

1. Feed排序系统

Feed排序系统决定用户看到的内容顺序，广泛应用于社交媒体、短视频、新闻及职业平台。由于候选帖子数量巨大，系统无法对所有帖子实时评分，因此采用多阶段架构：候选生成（基于关注、主题、相似用户等缩小范围）、排序模型（预测点击、互动等行为，综合多个目标）和规则层（过滤不安全内容、增加多样性、避免重复）。模型初期可选用梯度提升树，随着系统发展再引入深度学习和多任务模型。离线评估使用AUC、NDCG等，在线则关注点击率、停留时间、会话时长等。最大的权衡在相关性与探索之间，仅优化点击易陷入标题党陷阱，需兼顾长期用户满意度。

2. 广告CTR预测系统

广告CTR预测系统实时估算用户点击广告的概率，并以此决定展示哪个广告。与普通内容排序不同，广告系统需平衡用户相关性、广告主回报和平台收益。工作流程包括：广告请求生成、资格过滤（检查预算、定向规则等）、CTR模型打分（基于用户、广告、上下文特征）、拍卖层（结合出价和预测值）。模型基线可选逻辑回归或梯度提升树，大型系统常用深度嵌入模型。离线需关注校准误差（预测CTR与实际一致），在线则追踪CTR、收入、广告主ROI等。延迟与准确性、探索与利用是主要权衡。

3. 电商搜索排名系统

电商搜索排名系统根据用户查询返回相关产品，需理解用户意图、商品属性、价格、库存、质量及个人偏好。系统分为三阶段：查询理解（拼写纠错、同义词扩展、类别检测）、候选检索（结合词法和语义搜索）和排序融合（综合相关性、人气、评分、库存、个性化及商业规则）。模型需要考虑多目标优化，例如点击率与购买率的平衡。评估指标包括NDCG、MRR及在线转化率。

后续问题与面试清单

文章后续分析了欺诈检测、ETA预测、垃圾邮件检测、视觉缺陷检测、需求预测、动态定价及RAG客服助手等场景，并提供了最终面试检查清单。每个问题都强调从简单基线起步、重视日志和监控，以及清晰阐述系统权衡。面试中避免直接跳到复杂模型，而应展示对整个生产系统（包括候选生成、特征工厂、模型部署、A/B测试等）的全面理解。