我最近在接受 FAANG 采访，并被要求创建一个数据工程框架来执行分析，其来源是一个服务于机器学习模型的系统。
模型执行欺诈检测。面试官一直含糊其辞，并要求不要太担心欺诈检测模型是如何生成的，而是要关注其中的数据工程部分。
在这种情况下，从此类机器学习模型提供大数据分析的理想系统会是什么样子？没有提供任何限制，面试官可以接受任何形式的数字假设。
我确实提供了 Airflow 的内部结构以及它是如何作为我的解决方案的一部分工作的。这种设计有更好的方法/更完整的答案吗？创建以 ML 模型为来源的架构的最佳方法是什么？
【问题讨论】：
标签： architecture system
正如所提出的，我不认为这个问题是“可以回答的”，但这里有一些想法可能对你未来的面试有所帮助。
根据我的经验（无论是作为被采访者还是作为采访者），被采访者对这类问题提供的实际“答案”并不那么重要。像这样的问题对你的测试大致是“设计思维”以及你如何解决问题。
如果不了解更多细节，就不可能提供能够实现用户目标的合理系统设计。恕我直言这就是这类问题的重点：看看你问了什么以及你如何处理它。
当然，面试官说，“不要担心欺诈检测的实际工作原理”，这是完全有道理的。但首先要从提问开始。
例如，我的第一个问题是这样的：
“分析”是什么意思？分析部署的系统在延迟/稳定性方面的表现如何？或者了解模型的实际“性能”（例如正确/错误的欺诈检测）？
根据面试官给出的答案，可能会出现大量不同的后续问题。一旦您提出了足够多的问题，或多或少地了解了目标，您可能会更清楚什么是“好的”系统设计。
但是，正如我已经说过的，我认为您最终得到的系统设计不需要完美或绝对巧妙。 我真的相信，面试中你试图发现问题参数的部分才是更重要的部分。毕竟，这是工作中非常重要的一部分:)
【讨论】：