Uber

設計監控平台背後的指標管線——從部署在數千台主機上的 SDK 發出數值量測值開始，經過串流預先聚合，寫入耐久的時序儲存，讓儀表板能在超大規模下快速查詢的整條路徑。

設計一套 Uber 式的叫車平台，即時媒合乘客與附近司機，並處理即時位置追蹤、計價及完整行程狀態管理。

設計一套多通道通知系統，代表眾多內部服務發送 email、推播、SMS 與站內通知，並在過程中尊重使用者偏好與投遞保證。

為像 Uber 這樣的公司設計一套 ML feature store，讓同一份特徵同時供給離線模型訓練與低延遲的線上推論。涵蓋離線/線上儲存的拆分、point-in-time 正確的訓練資料、訓練/線上偏移(training-serving skew)、特徵新鮮度與回填(backfill)、物化(materialization)管線，以及特徵血緣(lineage)。

設計一套 ETA 預測服務，每秒為數百萬趟行程回傳到達時間估計。內容涵蓋：以路由圖為基礎的 base 估計、再疊上一個學習得到的殘差（residual）修正、量化後的地理空間特徵、次毫秒級的線上服務、feature store、重新訓練的節奏，以及分段（segment）層級的誤差處理。

為連接消費者、外送員（Dasher）與商家的 DoorDash 式外送媒合平台做設計。涵蓋訂單生命週期、外送員派遣與併單、即時定位追蹤、ETA 預測、地理分區、動態加價，以及供需平衡。