解读

面试官想验证三件事：

1. 你是否能在高压线上故障场景下快速定位根因，而不是“拍脑袋”归因；
2. 你是否能把技术排查动作转化为可落地的“产品动作”，兼顾业务止损与长期治理；
3. 你是否熟悉国内真实数据链路（埋点→数仓→特征平台→推理服务）与合规红线（个人信息保护、数据出境评估）。
   回答必须体现“时间切片+量化对比+闭环治理”的三段式思维，且每一步都能说出可执行的国内工具或平台。

知识点

1. 黄金5分钟指标：对比故障当日与T-7、T-14同环比，先确认“下降”是否显著（置信区间>2σ）。
2. 数据漂移检测：PSI、KS、Chi-square；国内常用阿里云Pai-Studio、火山引擎FeatureStore一键出报告。
3. 特征穿透：把线上请求日志（含user_id、request_id）与离线特征表join，检查高权重特征缺失率、异常值比例；注意脱敏后方能拉取日志，符合《个人信息保护法》第38条。
4. 模型稳定性：A/B bucket残差分析、预测分布直方图尾部抖动；若用TensorRT加速，需校验校准表是否过期。
5. 业务侧突变：
   – 运营活动：优惠券门槛、首页入口位置，查内部“运营日历”即可；
   – 竞品突袭：微信小程序指数、巨量算数关键词热度；
   – 政策舆情：网信办“清朗”专项行动导致关键词屏蔽，引起query分布偏移。
6. 止损开关：国内云厂商均支持“灰度回滚+白名单”双保险，回滚窗口控制在30分钟内，避免触发SLA扣款。
7. 合规留痕：所有日志拉取要走内部DLP审批，排查结论需写入“算法安全事件报告”，以备市监局算法备案抽查。

答案

我会按“30分钟定位、2小时止损、1天复盘”的节奏推进：

1. 30分钟定位
   ① 量化：在北极星指标大盘截取故障前后各6小时数据，用PSI>0.2或KS>0.1快速判断是否数据漂移；同步看业务侧UV、转化率是否同步下跌，排除“业务主动缩量”假象。
   ② 拆分维度：按渠道（iOS/Android/小程序）、用户分层（新客/老客）、地域（华东/华南）下钻，若仅小程序PSI异常，则锁定“小程序版本更新”方向。
   ③ 特征穿透：把request_id与离线特征表join，重点检查近7日新增的“用户实时兴趣标签”缺失率是否从0.3%飙升至18%，若确认，则基本坐实数据问题。

2. 2小时止损
   ① 若数据问题：立即切到备用特征快照（国内特征仓库均支持T-1快照一键切换），并暂停实时兴趣标签的在线生产任务；同步给研发提hotfix，回补缺失字段。
   ② 若模型问题：触发canary回滚，把模型版本号从v2.3回退至v2.1，灰度5%流量观察，确认指标回升后再全量；回滚前先用“白名单”方式让核心KA客户不受影响，避免客诉升级。
   ③ 若业务变化：发现是运营投放了“高折扣”人群导致价格敏感型用户占比提升，模型原样本权重失效；此时不走回滚，而是临时把价格敏感度特征权重下调30%，2小时内上线热补丁。

3. 1天复盘
   ① 根因报告：用“5W2H”模板写清When/Where/What/Why/Who/How/How much，附数据漂移报告、回滚记录、业务侧活动截图，抄送法务与合规组。
   ② 数据-模型闭环治理：
   – 特征监控：在火山引擎FeatureStore配置“缺失率>1%即告警”规则；
   – 模型监控：打开阿里云ModelRegistry的“预测分布Z-score”告警，阈值设为±3σ；
   – 业务同步：把运营活动排期表接入飞书日历，活动上线前48h自动@算法团队评估样本偏差。
   ③ 复盘会上给出三条OKR：下季度PSI>0.2的线上故障从3次降到0次；特征缺失率告警响应时长从平均90分钟降到30分钟；运营活动前置评估覆盖率100%。

拓展思考

1. 如果模型是生成式大模型而非判别式模型，如何定义“表现下降”？
   可引入“事实一致性率”（FCR）与“安全违规率”双指标，用人工标注+规则模型混合打分，下降超过基线5%即触发排查。
2. 遇到“数据未漂移、模型未更新、业务无活动”的三无场景，该如何继续深挖？
   重点排查“链路延迟”：检查推理服务日志中的“特征落盘时间”与“预测时间”差值，若从50ms暴涨到500ms，可能导致特征穿越，引起标签泄漏；该问题在国内高并发大促场景已出现多次。
3. 如何提前发现“缓慢漂移”而非“突然下降”？
   建立“周级CUMSUM控制图”，把PSI累积和算法嵌入Airflow每周调度，一旦累积误差突破阈值即发出“黄灯”预警，实现“渐变式”风险的可视化。