Вопросы на собеседовании: ML System Design: RecSys

Разработайте систему рекомендаций для интернет-магазина, которая может обрабатывать 100 000 пользователей одновременно и обеспечивает время отклика менее 200 мс на запрос. У вас есть бюджет в $50,000 на инфраструктуру и команду из 5 человек. Какие ключевые компоненты вы бы использовали?

Создайте систему рекомендаций для музыкального сервиса, которая должна обрабатывать 10 миллионов пользователей с 1000 QPS и предусматривать персонализированные плейлисты. Какую архитектуру вы предложите для обеспечения масштабируемости и низкой задержки?

Разработайте систему ранжирования новостной ленты, которая должна обновляться в реальном времени для 5 миллионов пользователей с ограничением на задержку не более 500 мс. Как вы будете обрабатывать новые статьи и учитывать пользовательские предпочтения?

Создайте систему рекомендаций 'похожие товары' для интернет-магазина, которая должна обрабатывать 50 миллионов товаров и 20 миллионов пользователей. Время отклика должно быть не более 100 мс. Какие алгоритмы и методы вы бы использовали?

Разработайте систему таргетинга рекламы, которая должна обеспечивать высокую релевантность для 10 миллионов пользователей в реальном времени с количеством запросов 5000 QPS. Как вы будете учитывать данные о пользователях и их действиях?

Создайте систему 'люди также купили' для интернет-магазина, которая должна обрабатывать 30 миллионов пользователей и 100 миллионов товаров, с задержкой не более 300 мс. Какие данные и метрики вы будете использовать для построения модели?

Разработайте персонализированную систему email-рассылок для 5 миллионов пользователей, которая должна быть адаптирована под предпочтения пользователей и обеспечивать высокую открываемость. Как вы будете управлять данными о пользователях и их поведении?

Создайте систему рекомендаций для видеостримингового сервиса, которая должна обрабатывать 15 миллионов пользователей и обеспечивать менее 200 мс на запрос. Какие подходы вы будете использовать для реализации этого проекта?

Разработайте систему автоматического обучения для рекомендаций контента на новостном сайте, которая должна учитывать 10 миллионов уникальных пользователей и их предпочтения. Какую стратегию вы выберете для обновления модели?

Создайте систему 'похожие видео' для видеосервиса, которая должна обрабатывать 20 миллионов пользователей и обеспечивать менее 150 мс на запрос. Какие факторы вы будете учитывать при построении модели рекомендаций?

Разработайте систему рекомендаций для электронной коммерции, которая будет обрабатывать 1 миллион пользователей и 10 000 запросов в секунду. Система должна выдавать персонализированные рекомендации товаров по запросу пользователя за не более чем 100 мс. Учтите ограниченный бюджет на хранилище данных в 50 000 долларов.

Создайте систему рекомендаций для музыкального сервиса, которая будет обрабатывать 5 миллионов пользователей и обеспечивать 5000 запросов в секунду. Система должна выдавать результаты за 200 мс и учитывать предпочтения пользователей на основе их истории прослушивания. Обсудите компромиссы между точностью и скоростью ответа.

Разработайте систему ранжирования новостной ленты для социальной сети, которая будет обрабатывать 2 миллиона активных пользователей с 20 000 запросов в секунду. Система должна учитывать взаимодействия пользователей с контентом и возвращать результаты за 150 мс. Вам нужно будет выбрать подходящий алгоритм ранжирования.

Создайте систему таргетинга рекламы для интернет-магазина, которая будет обрабатывать 1 миллион пользователей и 15 000 запросов в секунду. Система должна возвращать подходящую рекламу за 80 мс, основываясь на поведении пользователей и их предпочтениях. Обсудите проблемы конфиденциальности данных.

Разработайте систему рекомендаций для функции 'Похожие товары' в электронной коммерции, которая должна обрабатывать 3 миллиона пользователей с 8 000 запросов в секунду. Система должна возвращать результаты за 150 мс и использовать как данные о товарах, так и о пользователях. Обсудите архитектурные решения для масштабируемости.

Разработайте персонализированную систему рассылки электронных писем для интернет-магазина, которая будет обрабатывать 500 000 пользователей и отправлять 10 000 писем в секунду. Система должна создавать персонализированный контент на основе анализа поведения пользователей и генерировать письма за 300 мс. Обсудите компромиссы между персонализацией и производительностью.

Создайте систему рекомендаций для видео-платформы, которая будет обрабатывать 10 миллионов пользователей и 25 000 запросов в секунду. Система должна возвращать результаты за 200 мс и учитывать пользовательские предпочтения и текущие тренды. Обсудите, как можно достичь баланс между актуальностью и разнообразием рекомендаций.

Разработайте систему, которая будет рекомендовать разделы новостей пользователям на основе их интересов. Система должна обрабатывать 1 миллион пользователей и 12 000 запросов в секунду, возвращая рекомендации за 100 мс. Обсудите, как можно использовать машинное обучение для повышения качества рекомендаций.

Создайте систему 'Люди также купили' для интернет-магазина, которая будет обрабатывать 2 миллиона пользователей и 5 000 запросов в секунду. Система должна возвращать результаты за 150 мс и учитывать общую историю покупок. Обсудите, как можно использовать графы для улучшения рекомендаций.

Разработайте систему рекомендаций для сервиса потокового видео, которая будет обрабатывать 8 миллионов пользователей и 30 000 запросов в секунду. Система должна выдавать рекомендации за 250 мс и учитывать ряд факторов, таких как время просмотра и рейтинг. Обсудите подходы к обработке больших объемов данных в реальном времени.