Uber

设计监控平台背后的指标管线——从部署在数千台主机上的 SDK 发出数值测量值开始，经过流式预聚合，写入持久的时序存储，让仪表盘能在超大规模下快速查询的整条路径。

设计Uber (Ride Hailing)。请覆盖Geospatial indexing trade-off: geohash vs quadtree vs S2/H3 cells for storing and querying driver locations, High-frequency driver location ingestion: update interval vs GPS...

设计一套多渠道通知系统，代表众多内部服务发送 email、推送、SMS 与站内通知，并在过程中兼顾用户偏好与投递保证。

为像 Uber 这样的公司设计一套 ML feature store，让同一份特征同时供给离线模型训练与低延迟的在线推理。涵盖离线/在线存储的拆分、point-in-time 正确的训练数据、训练/线上偏移(training-serving skew)、特征新鲜度与回填(backfill)、物化(materialization)管线，以及特征血缘(lineage)。

设计一套 ETA 预测服务，每秒为数百万趟行程返回到达时间估计。内容涵盖：以路由图为基础的 base 估计、再叠加一个学习得到的残差（residual）修正、量化后的地理空间特征、亚毫秒级的在线服务、feature store、重新训练的节奏，以及分段（segment）层级的误差处理。

为连接消费者、骑手（Dasher）与商家的 DoorDash 式外卖撮合平台做设计。涵盖订单生命周期、骑手派单与拼单、实时定位追踪、ETA 预测、地理分区、动态加价，以及供需平衡。