Description du projet
TraduitNous développons un magasin de commerce électronique de taille moyenne avec des dizaines de milliers de SKU de produits actifs et un catalogue en constante expansion, et nous avons besoin d'un moteur de recommandation ML pour remplacer les blocs basés sur des catégories naïves que nous utilisons actuellement. Nous sommes particulièrement intéressés par deux emplacements : un bloc "produits similaires" sur la page produit et un bloc "vous pourriez aimer" dans le panier et la page post-achat. Les recommandations doivent être basées sur le comportement réel des utilisateurs et l'historique des achats : vues, ajouts au panier, listes de souhaits, commandes complètes et retours. Nous enregistrons déjà tous ces événements, donc la première partie du travail consiste à concevoir un pipeline propre qui transforme notre flux d'événements et notre base de données de commandes en un ensemble de données d'entraînement, avec une gestion raisonnable des utilisateurs anonymes et authentifiés ainsi que des produits "froids" avec peu de données d'interaction pour l'instant.
Le moteur lui-même doit être servi via une API documentée que notre frontend et backend peuvent appeler en temps réel. Pour un produit ou une session donnée, il doit renvoyer une liste classée d'IDs de produits avec des scores, respecter un budget de latence strict et revenir gracieusement aux recommandations de popularité ou de catégorie lorsque le modèle manque de confiance. Nous attendons de vous que vous proposiez et justifiez une approche de modélisation — filtrage collaboratif, basé sur le contenu ou hybride — mais le choix doit être explicable et reproductible, pas une boîte noire que nous ne pouvons pas maintenir. Les règles commerciales comptent également : l'API doit exclure les produits en rupture de stock, éviter de recommander ce que l'utilisateur vient d'acheter, et prendre en charge des filtres simples comme la fourchette de prix et la catégorie.
Tout aussi important est l'évaluation honnête hors ligne. Avant tout lancement, nous voulons mesurer la qualité des recommandations sur des données historiques avec une séparation train/test basée sur le temps, avec un rapport sur les métriques de classement standard et une explication claire de ce qui a réellement été amélioré par rapport à la logique de référence actuelle. Les livrables incluent un modèle entraîné et un service d'inférence, un pipeline de données, un rapport d'évaluation avec des scripts reproductibles et une documentation claire pour le réentraînement à mesure que de nouvelles données arrivent.
— Pipeline de données à partir d'événements comportementaux et d'historique des commandes en ensemble de données d'entraînement
— Modèle de recommandation (collaboratif, basé sur le contenu ou hybride) avec gestion du démarrage à froid
— API en temps réel avec recommandations classées et scoring pour produit et session
— Règles commerciales : disponibilité, prix, catégorie, exclusion des achats récents
— Évaluation hors ligne avec séparation basée sur le temps et métriques de classement par rapport à la référence
— Documentation et scripts de réentraînement reproductibles
Le moteur lui-même doit être servi via une API documentée que notre frontend et backend peuvent appeler en temps réel. Pour un produit ou une session donnée, il doit renvoyer une liste classée d'IDs de produits avec des scores, respecter un budget de latence strict et revenir gracieusement aux recommandations de popularité ou de catégorie lorsque le modèle manque de confiance. Nous attendons de vous que vous proposiez et justifiez une approche de modélisation — filtrage collaboratif, basé sur le contenu ou hybride — mais le choix doit être explicable et reproductible, pas une boîte noire que nous ne pouvons pas maintenir. Les règles commerciales comptent également : l'API doit exclure les produits en rupture de stock, éviter de recommander ce que l'utilisateur vient d'acheter, et prendre en charge des filtres simples comme la fourchette de prix et la catégorie.
Tout aussi important est l'évaluation honnête hors ligne. Avant tout lancement, nous voulons mesurer la qualité des recommandations sur des données historiques avec une séparation train/test basée sur le temps, avec un rapport sur les métriques de classement standard et une explication claire de ce qui a réellement été amélioré par rapport à la logique de référence actuelle. Les livrables incluent un modèle entraîné et un service d'inférence, un pipeline de données, un rapport d'évaluation avec des scripts reproductibles et une documentation claire pour le réentraînement à mesure que de nouvelles données arrivent.
— Pipeline de données à partir d'événements comportementaux et d'historique des commandes en ensemble de données d'entraînement
— Modèle de recommandation (collaboratif, basé sur le contenu ou hybride) avec gestion du démarrage à froid
— API en temps réel avec recommandations classées et scoring pour produit et session
— Règles commerciales : disponibilité, prix, catégorie, exclusion des achats récents
— Évaluation hors ligne avec séparation basée sur le temps et métriques de classement par rapport à la référence
— Documentation et scripts de réentraînement reproductibles
Développement web Espèces, Virement bancaire
