A busca exata compara a query contra todo vetor, o que é linear no tamanho do corpus. Índices ANN como HNSW ou IVF constroem uma estrutura (um grafo navegável, ou um conjunto de clusters) que visita só um pequeno subconjunto de candidatos, dando tempo de query sublinear. Você troca o recall exato: alguns vizinhos verdadeiros são perdidos. Parâmetros como efSearch ou nprobe te movem ao longo da curva de recall versus latência.
Por que os entrevistadores perguntam isso
Recuperação vetorial está por baixo da maioria dos sistemas atuais de recomendação e RAG, então entrevistadores querem saber se você entende o índice em vez de tratar o banco como mágica. A resposta chave é que a aproximação cai no recall, e que recall é um botão ajustável. Citar um parâmetro concreto e descrever como você mede recall contra uma baseline exata de força bruta é o que separa experiência real aqui.
Como estruturar sua resposta
- Contraste uma varredura linear exata com a estrutura de índice.
- Explique em uma linha como HNSW ou IVF reduz o conjunto de candidatos.
- Nomeie o tradeoff como recall, e diga que ele é ajustável.
- Descreva como você mede recall contra uma baseline exata.
Exemplo de resposta
Busca exata significa comparar a query contra todo vetor, o que está ótimo em cem mil e é inviável em cem milhões. Índices ANN cortam o conjunto de candidatos. O HNSW constrói um grafo de proximidade em camadas e caminha gulosamente por ele de uma camada esparsa no topo até uma densa embaixo, então você toca alguns milhares de nós em vez do corpus inteiro. O IVF agrupa o espaço primeiro e só busca nos clusters mais próximos. De qualquer forma, o que você abre mão é recall: às vezes o vizinho verdadeiro fica logo fora da região que você explorou. A parte importante é que isso é um botão. No HNSW, efSearch controla a largura do feixe; no IVF, nprobe controla quantos clusters você abre. Eu sempre construo um conjunto pequeno de ground truth, alguns milhares de queries pontuadas por força bruta, depois varro esse parâmetro e ploto recall em dez contra a latência p99. No último sistema que eu tunei, ir de 95 para 99 por cento de recall triplicou a latência e mexeu a taxa de clique lá na frente quase nada, então a gente ficou em 95. Eu também monitoro recall, porque ele degrada em silêncio depois de grandes reconstruções de índice.
Vai encarar essa entrevista em breve? O GhostPilot escuta a sua chamada ao vivo, identifica a pergunta no instante em que ela é feita e coloca uma resposta estruturada na sua tela em tempo real. Teste na sua próxima entrevista simulada ou pegue um Session Pass de $29, sem assinatura, para a hora da verdade.
Veja como funcionaPerguntas de acompanhamento que você pode esperar
- Como product quantization reduz memória, e o que isso te custa?
- O que muda quando o índice precisa suportar deletes frequentes?
- Quando busca híbrida de palavra chave mais vetor bateria vetor sozinho?
Mais perguntas para Engenheiro de Machine Learning
Seu entrevistador vai fazer a própria versão desta. Cole a descrição real da vaga no Question Predictor gratuito e receba as 20 perguntas que essa vaga tem mais chance de fazer, com o que cada uma está de fato sondando.
Prever minhas perguntas