Интервью по системному дизайну GenAI-систем начинается там, где классическая архитектурная схема получает вероятностное ядро: модель может ответить полезно, неверно, опасно, дорого или слишком медленно.
Глава показывает, как не свалиться ни в обычный дизайн серверной архитектуры без AI-слоя, ни в разговор только про большие языковые модели, генерацию с извлечением контекста и векторные представления без промышленной эксплуатации.
Для интервью она полезна как рабочий каркас: требования, ML-формулировка, данные, модель, оценивание, архитектура, развёртывание и мониторинг должны звучать как части одной системы.
Практическая польза главы
Практика проектирования
Переводите кейсы из книги в архитектурные решения: данные, извлечение контекста, сборка запроса, вывод модели, постобработка и контроль качества.
Качество решений
Оценивайте систему через модельные, продуктовые и эксплуатационные метрики одновременно: качество ответа, задержку, стоимость, дрейф, галлюцинации и риск небезопасного вывода.
Аргументация на интервью
Структурируйте ответ как цепочку требования -> ML-задача -> данные -> модель -> архитектура -> развёртывание и мониторинг.
Явные компромиссы
Отдельно проговаривайте, где нужны генерация с извлечением контекста, дообучение, защитные фильтры, резервные сценарии и ручная проверка.
Источник
Книжный куб
Серия постов с обзором книги, фреймворком из 7 шагов и списком тренировочных задач.
Generative AI System Design Interview (System Design. Подготовка к сложному интервью по GenAI)
Авторы: Ali Aminian, Hao Sheng
Издательство: ByteByteGo; Питер (русское издание, 2026)
Объём: 384 страницы
Книга Ali Aminian и Hao Sheng из экосистемы ByteByteGo о подготовке к интервью по системному дизайну GenAI-систем: фреймворк из 7 шагов, данные, модели, генерация с извлечением контекста, оценивание, защитные ограничения, стоимость и 10 практических кейсов.
Связанная глава
AI Engineering
Рабочая рамка для больших языковых моделей, генерации с извлечением контекста, оценивания, дообучения и инженерного контура вокруг модели.
Почему эта книга важна
Обычное часто держится на распределённой системе: API, балансировщики, базы данных, очереди, кэши, фоновые задачи и мониторинг. В GenAI-интервью всё это остаётся, но поверх появляется слой вероятностного поведения: модель может ответить хорошо, неточно, опасно, слишком дорого или слишком медленно.
Поэтому хороший ответ должен проектировать не только сервис вокруг модели, но и данные, контекст, выбор модели, оценивание, защитные ограничения, стоимость, обратную связь и возможную деградацию системы после запуска.
Что добавляется к классическому системному дизайну
Две типичные ловушки ответа
Отвечать как на обычном интервью по серверной архитектуре
API, балансировщики, базы данных, очереди и кэши остаются важными, но без данных, модели, , метрик качества, и такой ответ не покрывает суть GenAI-системы.
Говорить только про и
Модель, и сами по себе не становятся рабочей системой: нужны , стоимость, , права доступа, и эксплуатационная дисциплина.
Фреймворк из 7 шагов
Требования
- пользователи и сценарии
- вход, выход и
- , приватность, безопасность
Формулировка ML-задачи
- генерация или
- , перевод,
- задача
Подготовка данных
- источники и очистка
- , смещения, NSFW
- , , доступ
Общая архитектура системы
- и
- и
- , очереди, хранилища, кэш
Развёртывание и мониторинг
- , , стоимость,
- , ,
- и злоупотребления
Разработка модели
- выбор модели
- или
- , качество, стоимость
Оценивание
- и
- люди, продукт, система
- метрики безопасности
Требования
- пользователи и сценарии
- вход, выход и
- , приватность, безопасность
Формулировка ML-задачи
- генерация или
- , перевод,
- задача
Подготовка данных
- источники и очистка
- , смещения, NSFW
- , , доступ
Разработка модели
- выбор модели
- или
- , качество, стоимость
Оценивание
- и
- люди, продукт, система
- метрики безопасности
Общая архитектура системы
- и
- и
- , очереди, хранилища, кэш
Развёртывание и мониторинг
- , , стоимость,
- , ,
- и злоупотребления
10 задач для тренировки
Кейс 1
Gmail Smart Compose
Подсказка во время набора письма: маленькая задержка, уверенность модели и фильтрация токсичных или неуместных вариантов.
Кейс 2
Google Translate
Машинный перевод: многоязычные данные, качество перевода и ситуация, где дословный перевод не всегда лучший.
Кейс 3
Персональный ассистент в стиле ChatGPT
Диалог, память, внешние инструменты, персонализация, приватность и контроль действий от имени пользователя.
Кейс 4
Описание изображения
задача: изображение на входе, полезное текстовое описание сцены на выходе.
Кейс 5
Генерация с извлечением контекста
Поиск релевантных фрагментов, сбор контекста, генерация ответа и ссылки на источники.
Кейс 6
Генерация реалистичных лиц
Качество изображения, смещения в данных, злоупотребления и защитные ограничения.
Кейс 7
Синтез изображений высокого разрешения
Дорогой многошаговый конвейер: грубая генерация, улучшение, детализация и увеличение разрешения.
Кейс 8
Генерация изображения по тексту
Преобразование текста в изображение, управление стилем и фильтрация небезопасных запросов и результатов.
Кейс 9
Персонализированный портрет
Сохранить узнаваемость, защитить приватность, хранить и удалять пользовательские изображения корректно.
Кейс 10
Генерация видео по тексту
Один из самых тяжёлых классов задач: связность сцены во времени, движение объектов, стиль и дорогой долгий .
Как тренироваться по книге
- 1Выберите кейс и поставьте таймер как на интервью.
- 2Сначала проговорите требования, ограничения, масштаб и цену ошибок.
- 3Сформулируйте ML-задачу, данные, модель, оценивание и слой .
- 4Нарисуйте рабочую архитектуру вокруг модели: , , , журналирование, мониторинг и .
- 5Только после этого сравните свой дизайн с авторским разбором и выпишите пробелы.
Что обязательно назвать в рабочем дизайне
Сильные стороны
Оговорки
Главный вывод
Интервью по системному дизайну GenAI-систем проверяет, умеете ли вы проектировать систему с вероятностным ядром: не просто вызвать модель, а встроить её в продукт с данными, правами доступа, индексами, промптами, ранжированием, , пользовательским опытом, стоимостью, GPU-инфраструктурой, и метриками качества.
Источники
- Книжный куб: обзор книги [1/3] - Почему GenAI-интервью добавляет к классическому системному дизайну слой данных, моделей, качества и безопасности.
- Книжный куб: фреймворк из 7 шагов [2/3] - Разбор шагов от уточнения требований до развёртывания и мониторинга.
- Книжный куб: 10 задач из книги [3/3] - Список тренировочных кейсов для интервью по системному дизайну GenAI-систем.
- Питер: System Design. Подготовка к сложному интервью по GenAI - Страница русского издания с издательскими данными, описанием и обложкой.
- Amazon: Generative AI System Design Interview - Страница оригинального издания.
Связанные главы
- AI Engineering: как проектировать LLM-системы, агентные сценарии и AI-помощников - Карта всей темы, к которой относится эта книга.
- AI Engineering (short summary) - Более широкий рабочий контекст: оценивание, , агенты, дообучение и эксплуатация AI-продуктов.
- Hands-On Large Language Models (short summary) - Фундамент по , токенизации, , трансформерам, и .
- GenAI/RAG System Architecture - Практический контур , , ссылок на источники и защитных ограничений.
- Оценивание и наблюдаемость для AI-систем - Главный слой для разговора о качестве генерации, деградации и расследовании проблем после запуска.
- Сервинг моделей и архитектура вывода - Задержка, стоимость, маршрутизация, и экономика выполнения вывода модели.
- Machine Learning System Design (short summary) - Соседний материал про системный дизайн ML-систем, где акцент на классическом жизненном цикле ML.
- Интервью по системному дизайну: 7-шаговый подход - Общий каркас архитектурного интервью, который GenAI-версия расширяет AI-специфичными слоями.