Tag: machine-learning
-
【AI 核心深度 M8-019】解释批处理与流处理的差异与选型（Explain the Architectural Differences and Selection Criteria Between Batch and Stream Processing）深度数理推导与工程落地解析
批处理（高吞吐、高延迟、可重跑）vs 流处理（低延迟、逐条、状态管理复杂）；按’延迟需求’选。
-
【AI 核心深度 M8-020】解释数据质量监控的维度与手段（Explain the Dimensions and Technical Implementation of Data Quality Monitoring）深度数理推导与工程落地解析
维度：完整性/准确性/一致性/及时性/唯一性；手段：任务内断言、事后监控、分布对比、异常检测。
-
【AI 核心深度 M8-021】解释大规模去重的工程实现（Explain the Engineering Implementation of Large-Scale Data Deduplication）深度数理推导与工程落地解析
精确去重（哈希/子串）与近似去重（MinHash+LSH/SimHash）；工程上需分布式、亚线性、可增量。
-
【AI 核心深度 M8-022】解释数据血缘与可追溯性的价值（Explain the Strategic Value and Technical Architecture of Data Lineage and Traceability）深度数理推导与工程落地解析
记录’数据从哪来、经过什么加工、被谁使用’；用于影响分析、故障定位、合规审计与复现。
-
【AI 核心深度 M8-023】解释数据版本管理与快照（Explain Data Versioning and Snapshot Management in Modern ML Infrastructure）深度数理推导与工程落地解析
对数据集打版本（含 schema、内容、加工逻辑）；支持’可复现’（回到某版本）、’可对比’与’可回滚’。
-
【AI 核心深度 M8-024】解释流批一体的架构（Lambda vs Kappa）（Explain Unified Stream and Batch Architectures: Lambda vs. Kappa vs. Modern Unified Engines）深度数理推导与工程落地解析
Lambda：批处理层（准确）+ 速度层（低延迟）+ 服务层；Kappa：只用流处理（重放历史）；流批一体引擎统一两者。
-
【AI 核心深度 M8-025】解释实验管理需要记录哪些信息（Explain the Essential Information and Metadata Required for Rigorous ML Experiment Tracking）深度数理推导与工程落地解析
代码版本、数据版本、超参、环境、随机种子、指标曲线、产物；目标是’可复现 + 可对比 + 可追溯’。
-
【AI 核心深度 M8-002】设计一个商品搜索相关性系统，说明各层设计（Design an End-to-End E-Commerce Search Relevance and Ranking System）深度数理推导与工程落地解析
查询理解 → 多路召回 → 粗排/精排/重排 → 结果呈现；每层有延迟预算、评估指标与失败处理。
-
【AI 核心深度 M8-003】设计一个推荐系统，说明数据与模型选型（Design an End-to-End Recommender System: Data Architecture, Candidate Generation, and Ranking Models）深度数理推导与工程落地解析
多路召回（i2i/u2i/热门）→ 粗排 → 多目标精排（MMoE）→ 重排（多样性/业务）；数据含行为日志与画像。
-
【AI 核心深度 M8-004】设计一个 LLM 应用系统（RAG 问答），说明关键决策（Design an Enterprise Retrieval-Augmented Generation (RAG) System and Critical Engineering Trade-Offs）深度数理推导与工程落地解析
索引（切分/嵌入/建库）→ 检索（改写/召回/重排）→ 生成（上下文/引用/校验）→ 监控（忠实度/成本）。