ML 엔지니어 면접 코파일럿 랭킹, 추천, 학습 인프라 — 실시간으로.

1. 01

   ML 시스템 디자인 — 뼈대 6종

   추천, 랭킹, 검색, 사기 탐지, 광고, ML 플랫폼. 각각 후보 생성 전략, 스코어링 단계, 재랭킹, 피처 파이프라인, 학습 주기, 온라인 평가로 이루어진 고유한 뼈대가 있어요. 면접관이 문제를 말하는 순간 코파일럿이 알맞은 뼈대를 골라요.
2. 02

   학습 인프라 라운드

   분산 학습 질문(데이터 병렬, 모델 병렬, 파이프라인 병렬, 그래디언트 누적, 그래디언트 체크포인팅, 혼합 정밀도, ZeRO 파티셔닝)에는 시니어 MLE가 설명해야 할 실제 트레이드오프, 즉 메모리 압박, 처리량, 수렴 사이의 균형으로 뼈대를 잡아 줘요.
3. 03

   대규모 추론

   KV 캐시 관리, 요청 배칭, 추측 디코딩, 양자화(int8 / int4 / FP8 트레이드오프), TTFT와 전체 지연 시간, GPU 활용률. 코파일럿은 질문을 대표적인 병목에 연결하고 완화 방안 트리를 따라가게 해요.
4. 04

   오프라인 ↔ 온라인 지표 조정

   대부분의 ML 면접에는 함정 질문이 있어요. "오프라인 NDCG는 3% 올랐는데 온라인 CTR은 떨어졌어요. 왜일까요?" 코파일럿은 대표적인 원인(학습-서빙 불일치, 피처 지연, 위치 편향, 신기 효과, 분포 변화)과 이를 조사할 순서를 알려 줘요.
5. 05

   피처 스토어 + 누수 방지

   피처 엔지니어링 라운드는 잘하기도 쉽고 떨어지기도 쉬워요. 코파일럿은 누수 유형(레이블 누수, 시간 누수, 학습/서빙 불일치), 피처 스토어 결정(오프라인, 온라인, 통합), 시점 정확성 보장의 뼈대를 모두 면접에 맞는 길이로 잡아 줘요.
6. 06

   코딩 라운드 — PyTorch / TensorFlow 내부 구조

   커스텀 손실 함수 구현. 어텐션이 있는 forward pass 작성. 그래디언트 직접 계산. 이런 라운드에서는 autograd 동작 방식, eager 모드와 graph 모드, nn.Module과 함수형 방식의 차이에 대한 능숙함이 점수로 이어져요. 코파일럿이 정석대로 가도록 이끌어 줘요.

MLE 면접은 시스템 사고로 평가받아요. 시스템을 갖추고 들어가세요.

ML 시스템 디자인 뼈대 6종. 시니어 MLE를 위해 설계.