ML エンジニア面接コパイロット ランキング、レコメンド、学習インフラをライブで。

1. 01

   ML システムデザイン — 6 つの骨子

   レコメンド、ランキング、検索、不正検知、広告、ML プラットフォーム。それぞれに、候補生成の戦略、スコアリング段階、再ランキング、特徴量パイプライン、学習の頻度、オンライン評価という独自の骨子があります。コパイロットは面接官が問題を述べた瞬間に、適切な骨子を選びます。
2. 02

   学習インフラのラウンド

   分散学習の質問（データ並列、モデル並列、パイプライン並列の違い、勾配累積、勾配チェックポイント、混合精度、ZeRO によるパーティショニング）に対して、シニア MLE が説明すべき実際のトレードオフ（メモリ負荷、スループット、収束）とともに骨子を示します。
3. 03

   大規模推論

   KV キャッシュの管理、リクエストのバッチ処理、投機的デコーディング、量子化（int8 / int4 / FP8 のトレードオフ）、TTFT と総レイテンシ、GPU 使用率。コパイロットは質問を定番のボトルネックに対応させ、緩和策の分岐をたどります。
4. 04

   オフライン ↔ オンラインの指標の整合

   多くの ML の選考には、「オフラインの NDCG は 3% 改善したのに、オンラインの CTR は下がりました。なぜですか？」という落とし穴の質問があります。コパイロットは定番の原因（学習と提供のずれ、特徴量の遅延、位置バイアス、新奇性、分布シフト）と、それらを調べる診断の順序を示します。
5. 05

   特徴量ストア + リーケージの防止

   特徴量エンジニアリングのラウンドは、突破しやすい一方で失敗もしやすいラウンドです。コパイロットは、リーケージの分類（ラベルリーケージ、時間リーケージ、学習と提供のずれ）、特徴量ストアの判断（オフライン、オンライン、統合型）、時点の正しさの保証を、面接に適した長さの回答で示します。
6. 06

   コーディングラウンド — PyTorch / TensorFlow の内部構造

   カスタムの損失関数を実装する。アテンション付きの順伝播を書く。勾配を手計算する。こうしたラウンドでは、autograd のセマンティクス、eager モードと graph モードの違い、nn.Module と関数型の処理の違いを使いこなせるかが評価されます。コパイロットはあなたを定石どおりの道筋に保ちます。

MLE の選考はシステム思考で評価される。そのシステムを手に臨もう。

6 つの ML システムデザインの骨子。シニア MLE 向けに開発。