Interview-Copilot für ML Engineers Ranking, Empfehlungen, Trainingsinfrastruktur – live.

1. 01

   ML System Design – sechs Gerüste

   Recommender, Ranking, Suche, Betrugserkennung, Ads, ML-Plattform. Jedes hat sein eigenes Gerüst: Strategie zur Kandidatengenerierung, Scoring-Stufe, Re-Ranking, Feature-Pipeline, Trainingsrhythmus, Online-Evaluation. Der Copilot wählt das passende Gerüst, sobald der Interviewer die Aufgabe nennt.
2. 02

   Runden zur Trainingsinfrastruktur

   Fragen zum verteilten Training (Daten- vs. Modell- vs. Pipeline-Parallelität, Gradient Accumulation, Gradient Checkpointing, Mixed Precision, ZeRO-Partitionierung) bekommen ein Gerüst mit dem tatsächlichen Trade-off – Speicherdruck vs. Durchsatz vs. Konvergenz –, den ein Senior MLE benennen können muss.
3. 03

   Inferenz im großen Maßstab

   KV-Cache-Management, Request Batching, Speculative Decoding, Quantisierung (Trade-offs von int8 / int4 / FP8), TTFT vs. Gesamtlatenz, GPU-Auslastung. Der Copilot ordnet die Frage dem typischen Engpass zu und geht den Baum der Gegenmaßnahmen durch.
4. 04

   Abgleich von Offline- ↔ Online-Metriken

   Die meisten ML-Prozesse enthalten die Fangfrage: „Ihr Offline-NDCG ist um 3 % gestiegen, die Online-CTR gesunken – warum?“ Der Copilot geht die typischen Ursachen durch (Training-Serving Skew, verzögerte Features, Positions-Bias, Neuheitseffekt, Verteilungsverschiebung) und die Reihenfolge, in der sie zu untersuchen sind.
5. 05

   Feature Stores + Vermeidung von Leakage

   Runden zum Feature Engineering sind leicht zu meistern – und leicht zu vermasseln. Der Copilot strukturiert die Arten von Leakage (Label Leakage, zeitliche Leakage, Train/Serve Skew), die Entscheidung zum Feature Store (offline vs. online vs. vereinheitlicht) und die Garantie für Point-in-Time-Korrektheit – alles in Antworten, die zur Interviewlänge passen.
6. 06

   Coding-Runden – PyTorch- / TensorFlow-Interna

   Implementieren Sie eine eigene Loss-Funktion. Schreiben Sie einen Forward Pass mit Attention. Berechnen Sie den Gradienten von Hand. Diese Runden belohnen sicheres Wissen über die Semantik von Autograd, Eager vs. Graph Mode und den Unterschied zwischen nn.Module und einem funktionalen Pass. Der Copilot hält Sie auf dem richtigen Weg.

MLE-Prozesse bewerten Systemdenken. Gehen Sie mit dem System hinein.

Sechs Gerüste für ML System Design. Gemacht für Senior MLEs.