AI mérnöki rendszertervezési interjú: gyakorlati útmutató

A feladat lehetetlenül tágnak hangzik, amikor először hallod: tervezz egy ajánlórendszert, vagy tervezz egy chatbotot a vállalat belső dokumentumai fölé. Ez a rész elmagyarázza, mit értékel valójában az interjúztató, hogy a tágasság ne legyen probléma. Röviden: azt nézik, hogy egy homályos termékigényt át tudsz-e alakítani egy olyan rendszerré, amelyhez számok is tartoznak.

Négy dolog adja a pontszám nagy részét:

• Scoping. Megkérdezed-e, kik a felhasználók, hány lekérdezés érkezik másodpercenként, és milyen minőségi mérce számít sikernek, mielőtt bármit lerajzolnál?
• Adatérzék. Honnan származik a tanítóadat, hogyan van címkézve, és mi szivárog át a tanítás és a kiszolgálás között?
• Kiértékelés. Offline metrikák plusz egy online védőkorlát. Egy kiértékelési terv nélküli válasz kezdőnek hat, bármilyen jó is az architektúra.
• Éles üzemi érzék. Késleltetési keret, költség kérésenként, az újratanítás gyakorisága, és mi történik, ha a modell téved.

Öt feladat fedi le a legtöbb AI mérnöki rendszertervezési fordulót:

• Retrieval augmented generation privát dokumentumok fölött. Darabolási (chunking) stratégia, embedding modell választása, vektorindex, reranking, és mit teszel, ha a retrieval semmi relevánsat nem ad vissza.
• Modellkiszolgálás nagy léptékben. Batchelés, kvantálás, a GPU-k folyamatos kihasználtsága, gyorsítótárazás, és a p99 késleltetési cél, amit a scoping során vállaltál.
• Ajánlás vagy rangsorolás. Jelöltgenerálás, majd rangsorolás, egy feature store, tanítási és kiszolgálási skew, cold start.
• Egy feature pipeline. Streaming a batch ellenében, point-in-time helyesség, backfillek.
• Egy agentic workflow. Tool calling, lépéskorlátok, költségplafonok, és hogyan avatkozik közbe egy ember. Egy bővebb kérdésbank a interjútípusok részben található.

Mindegyiknél van egy nehéz pont, amire az interjúztató vár. A retrievalnél ez a kiértékelés, mert mindenki tud mondani egy vektoradatbázis nevet, de kevesen tudják megmondani, hogyan mérnék, hogy javult-e a retrieval. A kiszolgálásnál ez a költség és a késleltetés kompromisszuma a modellmérettel szemben.

Az első öt percet fordítsd a követelményekre és a számokra, és írd fel őket oda, ahol az interjúztató látja: lekérdezés másodpercenként, elfogadható késleltetés, minőségi mérce, költségkeret. Minden, ami ez után következik, visszautal erre a négy számra, és ettől hangzik a válasz mérnöki munkának, nem eszközök bemutatásának.

Aztán haladj szélességben előbb: egy diagram az adatforrásokkal, az offline tanítással, egy artifact store-ral, egy kiszolgálási úttal és egy visszacsatolási hurokkal. Csak azután merülj el mélyebben egy komponensben, miután a teljes kép megvan, és hagyd, hogy az interjúztató válassza ki, melyikbe. Zárd azzal, hogy megnevezel két hibamódot, és hogy mit monitoroznál mindkettő elkapásához.

Egy ML mérnököt, aki egy keresőcégnél senior pozícióra interjúzott, arra kértek, hogy tervezzen szemantikus keresést a support ticketek fölött. Négy percet töltött a scopinggal, elkötelezte magát 200 milliszekundum mellett p95-nél és egy fix havi inferencia-költségkeret mellett, majd mindkét számot felhasználva elvetett egy nagy rerankert egy kis cross-encoder javára a top 50 jelölt fölött. A kompromisszum, nem a modellválasztás, az, amit értékeltek.

A rendszertervezés beszélt és vizuális jellegű, ezért egy asszisztens itt kevésbé segít, mint más fordulóknál. Amit tud, az az, hogy a checklistet a szemed előtt tartja. A SubcueAI hallgatja a megbeszélés hangját, és egy struktúrát tesz egy helyi overlayre: azokat a scoping kérdéseket, amelyeket még nem tettél fel, a kihagyott kiértékelési részt, a megnevezésre érdemes hibamódokat. A macOS és Windows asztali alkalmazás a rendszerhangot és a mikrofonodat is rögzíti; a böngészőbővítmény oldalpanelje csak a megbeszélés fülének hangját rögzíti, így csak az interjúztatót hallja, téged nem ír át. Semmilyen bot nem csatlakozik a híváshoz.

Ebben a fordulóban a korlátok jobban számítanak, mint a legtöbbnél. Ha megosztod a képernyődet egy diagram rajzolásához, az overlay is a megosztott tartalom része. A felügyelt (proctored) értékelések és a vállalat által kezelt gépek nem tartoznak a hatókörbe, és egyetlen eszköz sem univerzálisan észlelhetetlen. Egy asszisztens az értékelt architektúra-ítélőképességet sem tudja kitalálni helyetted. Az, hogy ezeket a feladatokat egy AI interjúztatóval szemben gyakorlod a mock interjú oldalon, ezt építi; az overlay csak attól óv meg, hogy a 30. percben elfelejtsd a kiértékelést.