Feature Store / Point-in-Time Correctness

为 feed／视频／广告设计一套大规模的个性化推荐系统。涵盖候选召回、排序、序列特征、冷启动、实验、模型健康度、安全性，以及业务指标。

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)。

为多个团队设计一套通用的 ML 模型服务平台，专门承载非 LLM 的预测推理。内容涵盖模型注册表与版本管理、在线特征获取、动态请求批处理、shadow/canary 与 A/B 上线、自动扩缩，以及漂移与偏斜监控。

设计一套实时的 ML 欺诈／风险评分系统，在 100 ms 内为支付交易评分。涵盖特征类型（velocity、graph、device）、流式特征计算、标签延迟与反馈回路、分数阈值与成本的权衡、模型加规则的混合架构，以及对抗性漂移。

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。