Copiloto para entrevistas de Engenheiro de ML Ranking, recomendações, infraestrutura de treinamento — ao vivo.

1. 01

   System design de ML — seis estruturas

   Recomendação, ranking, busca, fraude, anúncios, plataforma de ML. Cada um tem sua estrutura: estratégia de geração de candidatos, etapa de scoring, re-ranking, pipeline de features, cadência de treinamento, avaliação online. O copiloto escolhe a estrutura certa assim que o entrevistador apresenta o problema.
2. 02

   Rodadas de infraestrutura de treinamento

   Perguntas de treinamento distribuído (paralelismo de dados vs de modelo vs de pipeline, acúmulo de gradientes, gradient checkpointing, precisão mista, particionamento ZeRO) ganham estrutura com o trade-off real — pressão de memória vs throughput vs convergência — que se espera que um MLE sênior articule.
3. 03

   Inferência em escala

   Gerenciamento de KV-cache, batching de requisições, speculative decoding, quantização (trade-offs de int8 / int4 / FP8), TTFT vs latência total, utilização de GPU. O copiloto associa a pergunta ao gargalo canônico e percorre a árvore de mitigação.
4. 04

   Conciliação de métricas offline ↔ online

   A maioria dos processos de ML inclui a pergunta-armadilha: “seu NDCG offline melhorou 3%, o CTR online caiu — por quê?” O copiloto percorre as causas canônicas (training-serving skew, atraso de features, viés de posição, efeito novidade, mudança de distribuição) e a ordem de diagnóstico para investigá-las.
5. 05

   Feature stores + prevenção de vazamento

   Rodadas de feature engineering são fáceis de gabaritar e fáceis de errar. O copiloto estrutura a taxonomia de vazamento (vazamento de rótulo, vazamento temporal, train/serve skew), a decisão de feature store (offline vs online vs unificada) e a garantia de correção point-in-time — tudo em respostas do tamanho certo para uma entrevista.
6. 06

   Rodadas de código — internals de PyTorch / TensorFlow

   Implemente uma loss customizada. Escreva um forward pass com atenção. Calcule o gradiente manualmente. Essas rodadas premiam fluência na semântica do autograd, modo eager vs grafo e a diferença entre nn.Module e um pass funcional. O copiloto mantém você no caminho canônico.

Processos de MLE avaliam visão sistêmica. Chegue com o sistema na cabeça.

Seis estruturas de system design de ML. Feito para MLE sênior.