作者背景#

本書由 Ali Aminian 與 Alex Xu 共同撰寫，並由 ByteByteGo 出版。Ali Aminian 為機器學習工程師，曾在 Google 等矽谷公司任職，專精搜尋、推薦與廣告系統等大規模 ML 應用，並擔任過多家公司 ML 系統設計面試的考官。Alex Xu 為 ByteByteGo 創辦人，著有暢銷的《System Design Interview》Vol. 1 與 Vol. 2，將分散式系統的面試題庫推向業界標準。本書結合 Aminian 的 ML 領域實作經驗與 Xu 在面試教材設計上的經驗，後續延伸出《Generative AI System Design Interview》姊妹作。

完整摘要#

本書處理一個被多數工程師低估的問題：ML 系統設計面試所考的不只是 logistic regression 或 neural network 等模型，而是「資料管線、訓練、評估、服務、監控」五個維度的端到端設計能力。作者觀察到許多候選人能解釋演算法卻無法在 45 分鐘內結構化地推導完整系統，因此在第 1 章先建立一套貫穿全書的 7 步驟框架：(1) 釐清需求、(2) 將問題建構為 ML 任務、(3) 資料準備、(4) 模型開發、(5) 評估、(6) 部署與服務、(7) 監控與基礎設施。框架特別強調如何把模糊的商業目標（如「提升使用者互動」）翻譯為明確的 ML 目標（如「最大化觀看時長」）、選擇監督或非監督類別、以及在離線指標與線上 A/B 測試之間做取捨。

第 2–11 章是十個案例研究，涵蓋業界主要的 ML 應用形態：Visual Search System（embedding 檢索）、Google Street View Blurring（物件偵測）、YouTube Video Search（多模態檢索）、Harmful Content Detection（多任務分類）、Video Recommendation System（two-tower 推薦）、Event Recommendation System（cold-start 與時間敏感推薦）、Ad Click Prediction（CTR 預測）、Similar Listings on Vacation Rental（item-to-item 相似度）、Personalized News Feed（ranking）、People You May Know（圖學習推薦）。每章都套用同一框架完整推導：需求釐清、資料 schema、特徵工程、模型架構選型、離線評估指標（precision/recall/NDCG/AUC）、線上指標、推論延遲與規模化策略、以及監控與重訓機制。透過十個案例的反覆練習，讀者能內化框架並建立可遷移的設計直覺。

本書的貢獻與定位#

相較於 Chip Huyen 的《Designing Machine Learning Systems》偏重 MLOps 與工程文化、Andriy Burkov 的《Machine Learning Engineering》偏重模型生命週期，本書是少數直接以面試題型為目標的 ML 系統設計書，並以結構化框架與案例對照取勝。它與 Alex Xu 的《System Design Interview》Vol. 1/2 形成互補，前者處理通用後端系統，本書補上 ML/AI 面試輪；而後續的《Generative AI System Design Interview》則延伸到 LLM 與 Diffusion 應用。目標讀者為準備一線科技公司 ML Engineer、Applied Scientist、Data Scientist 職位的中高階候選人。