Copilote d’entretien pour ML engineer Classement, recommandations, infra d’entraînement — en direct.

1. 01

   System design ML — six trames

   Recommandation, classement, recherche, fraude, publicité, plateforme ML. Chacun a sa propre trame : stratégie de génération de candidats, étape de scoring, re-classement, pipeline de features, cadence d’entraînement, évaluation en ligne. Le copilote choisit la bonne trame dès que le recruteur énonce le sujet.
2. 02

   Étapes d’infrastructure d’entraînement

   Les questions d’entraînement distribué (parallélisme de données vs de modèle vs pipeline, accumulation de gradients, gradient checkpointing, précision mixte, partitionnement ZeRO) sont structurées avec le vrai compromis — pression mémoire vs débit vs convergence — qu’un MLE senior doit savoir formuler.
3. 03

   Inférence à grande échelle

   Gestion du KV-cache, batching des requêtes, décodage spéculatif, quantification (compromis int8 / int4 / FP8), TTFT vs latence totale, utilisation des GPU. Le copilote rattache la question au goulot d’étranglement classique et déroule l’arbre des solutions.
4. 04

   Réconciliation des métriques hors ligne ↔ en ligne

   La plupart des processus ML incluent la question piège : « votre NDCG hors ligne a progressé de 3 %, le CTR en ligne a baissé — pourquoi ? » Le copilote passe en revue les causes classiques (écart entraînement-serving, retard des features, biais de position, nouveauté, changement de distribution) et l’ordre de diagnostic pour les examiner.
5. 05

   Feature stores + prévention des fuites

   Les étapes de feature engineering sont faciles à réussir et faciles à rater. Le copilote structure la typologie des fuites (fuite de label, fuite temporelle, écart train/serve), le choix du feature store (hors ligne vs en ligne vs unifié) et la garantie de cohérence point-in-time — le tout en réponses calibrées pour un entretien.
6. 06

   Épreuves de code — fonctionnement interne de PyTorch / TensorFlow

   Implémenter une fonction de perte personnalisée. Écrire une passe avant avec attention. Calculer le gradient à la main. Ces épreuves récompensent la maîtrise de la sémantique d’autograd, du mode eager vs graphe et de la différence entre nn.Module et une passe fonctionnelle. Le copilote vous garde sur la voie classique.

Les processus MLE évaluent la pensée système. Arrivez avec le système.

Six trames de system design ML. Conçu pour les MLE seniors.