Feature Store / Point-in-Time Correctness

為 feed／影片／廣告設計一套大規模的個人化推薦系統。涵蓋候選檢索、排序、序列特徵、冷啟動、實驗、模型健康度、安全性，以及商業指標。

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)。

為多個團隊設計一套通用的 ML 模型服務平台，專門承載非 LLM 的預測推論。內容涵蓋模型註冊表與版本管理、線上特徵擷取、動態請求批次處理、shadow/canary 與 A/B 上線、自動擴縮，以及漂移與偏斜監控。

設計一套即時的 ML 詐欺／風險評分系統，在 100 ms 內為支付交易評分。涵蓋特徵類型（velocity、graph、device）、串流特徵計算、標籤延遲與回饋迴路、分數門檻與成本的取捨、模型加規則的混合架構，以及對抗性漂移。

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。