Descripción del proyecto
TraducidoEstamos desarrollando una tienda de comercio electrónico de tamaño mediano con decenas de miles de SKUs de productos activos y un catálogo en constante crecimiento, y necesitamos un motor de recomendación de ML para reemplazar los bloques basados en categorías que actualmente utilizamos. Estamos más interesados en dos ubicaciones: un bloque de "productos similares" en la página del producto y un bloque de "te podría gustar" en el carrito y la página posterior al pago. Las recomendaciones deben basarse en el comportamiento real del usuario y el historial de compras: vistas, adiciones al carrito, listas de deseos, pedidos completados y devoluciones. Ya registramos todos estos eventos, por lo que la primera parte del trabajo es diseñar un pipeline limpio que convierta nuestro flujo de eventos y base de datos de pedidos en un conjunto de datos de entrenamiento, con un manejo razonable de usuarios anónimos y autenticados, así como productos "fríos" con pocos datos de interacción hasta ahora.
El motor en sí debe ser servido a través de una API documentada que nuestro frontend y backend puedan llamar en tiempo real. Para un producto o sesión dada, debe devolver una lista clasificada de IDs de productos con puntajes, ajustándose a un presupuesto de latencia estricto y retrocediendo de manera elegante a recomendaciones de popularidad o categoría cuando el modelo carece de confianza. Esperamos que propongas y justifiques un enfoque de modelado: filtrado colaborativo, basado en contenido o híbrido, pero la elección debe ser explicable y reproducible, no una caja negra que no podemos mantener. Las reglas comerciales también importan: la API debe excluir productos fuera de stock, evitar recomendar lo que el usuario acaba de comprar y soportar filtros simples como rango de precios y categoría.
Igualmente importante es la evaluación offline honesta. Antes de cualquier lanzamiento, queremos medir la calidad de las recomendaciones en datos históricos con una división de entrenamiento/prueba basada en el tiempo, con un informe sobre métricas de clasificación estándar y una explicación clara de lo que realmente mejoró en comparación con la lógica base actual. Los entregables incluyen modelo entrenado y servicio de inferencia, pipeline de datos, informe de evaluación con scripts reproducibles y documentación clara para reentrenar a medida que llegan nuevos datos.
— Pipeline de datos de eventos de comportamiento e historial de pedidos en conjunto de datos de entrenamiento
— Modelo de recomendación (colaborativo, basado en contenido o híbrido) con manejo de inicio en frío
— API en tiempo real con recomendaciones clasificadas y puntuación para producto y sesión
— Reglas comerciales: disponibilidad, precio, categoría, exclusión de productos comprados recientemente
— Evaluación offline con división basada en el tiempo y métricas de clasificación contra la línea base
— Documentación y scripts de reentrenamiento reproducibles
El motor en sí debe ser servido a través de una API documentada que nuestro frontend y backend puedan llamar en tiempo real. Para un producto o sesión dada, debe devolver una lista clasificada de IDs de productos con puntajes, ajustándose a un presupuesto de latencia estricto y retrocediendo de manera elegante a recomendaciones de popularidad o categoría cuando el modelo carece de confianza. Esperamos que propongas y justifiques un enfoque de modelado: filtrado colaborativo, basado en contenido o híbrido, pero la elección debe ser explicable y reproducible, no una caja negra que no podemos mantener. Las reglas comerciales también importan: la API debe excluir productos fuera de stock, evitar recomendar lo que el usuario acaba de comprar y soportar filtros simples como rango de precios y categoría.
Igualmente importante es la evaluación offline honesta. Antes de cualquier lanzamiento, queremos medir la calidad de las recomendaciones en datos históricos con una división de entrenamiento/prueba basada en el tiempo, con un informe sobre métricas de clasificación estándar y una explicación clara de lo que realmente mejoró en comparación con la lógica base actual. Los entregables incluyen modelo entrenado y servicio de inferencia, pipeline de datos, informe de evaluación con scripts reproducibles y documentación clara para reentrenar a medida que llegan nuevos datos.
— Pipeline de datos de eventos de comportamiento e historial de pedidos en conjunto de datos de entrenamiento
— Modelo de recomendación (colaborativo, basado en contenido o híbrido) con manejo de inicio en frío
— API en tiempo real con recomendaciones clasificadas y puntuación para producto y sesión
— Reglas comerciales: disponibilidad, precio, categoría, exclusión de productos comprados recientemente
— Evaluación offline con división basada en el tiempo y métricas de clasificación contra la línea base
— Documentación y scripts de reentrenamiento reproducibles
Desarrollo web Efectivo, Transferencia bancaria
