Projektbeschreibung
ÜbersetztWir entwickeln einen mittelgroßen E-Commerce-Shop mit Zehntausenden aktiven Produkt-SKUs und einem ständig wachsenden Katalog, und wir benötigen eine ML-Empfehlungsmaschine, um die naiven kategorie-basierten Blöcke zu ersetzen, die wir derzeit verwenden. Wir sind besonders an zwei Platzierungen interessiert: einem "ähnliche Produkte"-Block auf der Produktseite und einem "das könnte Ihnen gefallen"-Block im Warenkorb und auf der Seite nach dem Checkout. Empfehlungen sollten auf dem tatsächlichen Nutzerverhalten und der Kaufhistorie basieren: Ansichten, Warenkorbergänzungen, Wunschlisten, abgeschlossene Bestellungen und Rücksendungen. Wir protokollieren bereits all diese Ereignisse, daher besteht der erste Teil der Arbeit darin, eine saubere Pipeline zu entwerfen, die unseren Ereignisstrom und die Bestelldatenbank in einen Trainingsdatensatz umwandelt, mit angemessenem Umgang mit anonymen und authentifizierten Nutzern sowie "kalten" Produkten mit bisher wenigen Interaktionsdaten.
Die Maschine selbst sollte über eine dokumentierte API bereitgestellt werden, die unser Frontend und Backend in Echtzeit aufrufen kann. Für ein bestimmtes Produkt oder eine Sitzung muss sie eine rangierte Liste von Produkt-IDs mit Punktzahlen zurückgeben, die innerhalb eines strengen Latenzbudgets liegen und elegant auf Beliebtheits- oder Kategorievorschläge zurückfallen, wenn das Modell nicht sicher ist. Wir erwarten, dass Sie einen Modellierungsansatz vorschlagen und rechtfertigen — kollaboratives Filtern, inhaltsbasiert oder hybrid — aber die Wahl muss erklärbar und reproduzierbar sein, kein schwarzer Kasten, den wir nicht warten können. Geschäftliche Regeln sind ebenfalls wichtig: Die API muss Produkte, die nicht auf Lager sind, ausschließen, vermeiden, was der Nutzer gerade gekauft hat, und einfache Filter wie Preisspanne und Kategorie unterstützen.
Ebenso wichtig ist eine ehrliche Offline-Bewertung. Vor jedem Start möchten wir die Empfehlungsqualität anhand historischer Daten mit einer ordnungsgemäßen zeitbasierten Train/Test-Aufteilung messen, mit einem Bericht über Standard-Ranking-Metriken und einer klaren Erklärung, was tatsächlich im Vergleich zur aktuellen Baseline-Logik verbessert wurde. Die Liefergegenstände umfassen ein trainiertes Modell und einen Inferenzdienst, eine Datenpipeline, einen Bewertungsbericht mit reproduzierbaren Skripten und klarer Dokumentation für das Retraining, wenn neue Daten eintreffen.
— Datenpipeline von Verhaltensereignissen und Bestellhistorie in den Trainingsdatensatz
— Empfehlungsmodell (kollaborativ, inhaltsbasiert oder hybrid) mit Kaltstartbehandlung
— Echtzeit-API mit rangierten Empfehlungen und Punktzahlen für Produkt und Sitzung
— Geschäftliche Regeln: Verfügbarkeit, Preis, Kategorie, Ausschluss von kürzlich gekauften Produkten
— Offline-Bewertung mit zeitbasierter Aufteilung und Ranking-Metriken gegen die Basislinie
— Dokumentation und reproduzierbare Retraining-Skripte
Die Maschine selbst sollte über eine dokumentierte API bereitgestellt werden, die unser Frontend und Backend in Echtzeit aufrufen kann. Für ein bestimmtes Produkt oder eine Sitzung muss sie eine rangierte Liste von Produkt-IDs mit Punktzahlen zurückgeben, die innerhalb eines strengen Latenzbudgets liegen und elegant auf Beliebtheits- oder Kategorievorschläge zurückfallen, wenn das Modell nicht sicher ist. Wir erwarten, dass Sie einen Modellierungsansatz vorschlagen und rechtfertigen — kollaboratives Filtern, inhaltsbasiert oder hybrid — aber die Wahl muss erklärbar und reproduzierbar sein, kein schwarzer Kasten, den wir nicht warten können. Geschäftliche Regeln sind ebenfalls wichtig: Die API muss Produkte, die nicht auf Lager sind, ausschließen, vermeiden, was der Nutzer gerade gekauft hat, und einfache Filter wie Preisspanne und Kategorie unterstützen.
Ebenso wichtig ist eine ehrliche Offline-Bewertung. Vor jedem Start möchten wir die Empfehlungsqualität anhand historischer Daten mit einer ordnungsgemäßen zeitbasierten Train/Test-Aufteilung messen, mit einem Bericht über Standard-Ranking-Metriken und einer klaren Erklärung, was tatsächlich im Vergleich zur aktuellen Baseline-Logik verbessert wurde. Die Liefergegenstände umfassen ein trainiertes Modell und einen Inferenzdienst, eine Datenpipeline, einen Bewertungsbericht mit reproduzierbaren Skripten und klarer Dokumentation für das Retraining, wenn neue Daten eintreffen.
— Datenpipeline von Verhaltensereignissen und Bestellhistorie in den Trainingsdatensatz
— Empfehlungsmodell (kollaborativ, inhaltsbasiert oder hybrid) mit Kaltstartbehandlung
— Echtzeit-API mit rangierten Empfehlungen und Punktzahlen für Produkt und Sitzung
— Geschäftliche Regeln: Verfügbarkeit, Preis, Kategorie, Ausschluss von kürzlich gekauften Produkten
— Offline-Bewertung mit zeitbasierter Aufteilung und Ranking-Metriken gegen die Basislinie
— Dokumentation und reproduzierbare Retraining-Skripte
Webentwicklung Bargeld, Banküberweisung
