परियोजना का विवरण
अनुवादितहम एक मध्यम आकार के ईकॉमर्स स्टोर का विकास कर रहे हैं जिसमें हजारों सक्रिय उत्पाद SKU और लगातार बढ़ता हुआ कैटलॉग है, और हमें एक ML सिफारिश इंजन की आवश्यकता है जो वर्तमान में उपयोग किए जा रहे सरल श्रेणी-आधारित ब्लॉक्स को प्रतिस्थापित करे। हम दो स्थानों में सबसे अधिक रुचि रखते हैं: उत्पाद पृष्ठ पर "समान उत्पाद" ब्लॉक और कार्ट और चेकआउट के बाद के पृष्ठ पर "आपको पसंद आ सकता है" ब्लॉक। सिफारिशें वास्तविक उपयोगकर्ता व्यवहार और खरीद इतिहास पर आधारित होनी चाहिए: दृश्य, कार्ट में जोड़ना, विशलिस्ट, पूर्ण आदेश और रिटर्न। हम पहले से ही इन सभी घटनाओं को लॉग करते हैं, इसलिए काम का पहला भाग एक साफ पाइपलाइन डिजाइन करना है जो हमारे इवेंट स्ट्रीम और ऑर्डर डेटाबेस को एक प्रशिक्षण डेटासेट में बदलता है, जिसमें गुमनाम और प्रमाणित उपयोगकर्ताओं के साथ-साथ "कोल्ड" उत्पादों के लिए उचित प्रबंधन होता है जिनके पास अभी तक कम इंटरैक्शन डेटा है।
इंजन को एक प्रलेखित API के माध्यम से परोसा जाना चाहिए जिसे हमारा फ्रंटेंड और बैकएंड वास्तविक समय में कॉल कर सके। दिए गए उत्पाद या सत्र के लिए इसे स्कोर के साथ उत्पाद ID की एक रैंक की गई सूची लौटानी चाहिए, एक सख्त विलंबता बजट के भीतर फिट होना चाहिए और जब मॉडल में आत्मविश्वास की कमी हो तो लोकप्रियता या श्रेणी की सिफारिशों पर धीरे-धीरे वापस आना चाहिए। हम आपसे एक मॉडलिंग दृष्टिकोण का प्रस्ताव देने और उसे सही ठहराने की अपेक्षा करते हैं - सहयोगी फ़िल्टरिंग, सामग्री-आधारित या हाइब्रिड - लेकिन चयन को स्पष्ट और पुनरुत्पादित करने योग्य होना चाहिए, यह कोई काला बॉक्स नहीं होना चाहिए जिसे हम बनाए नहीं रख सकते। व्यावसायिक नियम भी महत्वपूर्ण हैं: API को स्टॉक से बाहर के उत्पादों को बाहर करना चाहिए, उपयोगकर्ता द्वारा हाल ही में खरीदे गए उत्पादों की सिफारिश करने से बचना चाहिए, और मूल्य सीमा और श्रेणी जैसे सरल फ़िल्टर का समर्थन करना चाहिए।
ईमानदार ऑफ़लाइन मूल्यांकन भी समान रूप से महत्वपूर्ण है। किसी भी लॉन्च से पहले हम ऐतिहासिक डेटा पर सिफारिश की गुणवत्ता को मापना चाहते हैं जिसमें उचित समय-आधारित ट्रेन/टेस्ट विभाजन हो, मानक रैंकिंग मैट्रिक्स पर एक रिपोर्ट के साथ और यह स्पष्ट व्याख्या कि वास्तव में क्या सुधार हुआ है बनाम वर्तमान आधारभूत तर्क। डिलीवर करने योग्य में प्रशिक्षित मॉडल और अनुमान सेवा, डेटा पाइपलाइन, मूल्यांकन रिपोर्ट जिसमें पुनरुत्पादित स्क्रिप्ट और नए डेटा आने पर पुनः प्रशिक्षण के लिए स्पष्ट दस्तावेज़ शामिल हैं।
— व्यवहारिक घटनाओं और आदेश इतिहास से प्रशिक्षण डेटासेट में डेटा पाइपलाइन
— सिफारिश मॉडल (सहयोगी, सामग्री-आधारित या हाइब्रिड) जिसमें कोल्ड स्टार्ट प्रबंधन हो
— उत्पाद और सत्र के लिए रैंक की गई सिफारिशों और स्कोरिंग के साथ वास्तविक समय API
— व्यावसायिक नियम: उपलब्धता, मूल्य, श्रेणी, हाल ही में खरीदे गए उत्पादों का बहिष्कार
— समय-आधारित विभाजन और आधारभूत के खिलाफ रैंकिंग मैट्रिक्स के साथ ऑफ़लाइन मूल्यांकन
— प्रलेखन और पुनरुत्पादित पुनः प्रशिक्षण स्क्रिप्ट
इंजन को एक प्रलेखित API के माध्यम से परोसा जाना चाहिए जिसे हमारा फ्रंटेंड और बैकएंड वास्तविक समय में कॉल कर सके। दिए गए उत्पाद या सत्र के लिए इसे स्कोर के साथ उत्पाद ID की एक रैंक की गई सूची लौटानी चाहिए, एक सख्त विलंबता बजट के भीतर फिट होना चाहिए और जब मॉडल में आत्मविश्वास की कमी हो तो लोकप्रियता या श्रेणी की सिफारिशों पर धीरे-धीरे वापस आना चाहिए। हम आपसे एक मॉडलिंग दृष्टिकोण का प्रस्ताव देने और उसे सही ठहराने की अपेक्षा करते हैं - सहयोगी फ़िल्टरिंग, सामग्री-आधारित या हाइब्रिड - लेकिन चयन को स्पष्ट और पुनरुत्पादित करने योग्य होना चाहिए, यह कोई काला बॉक्स नहीं होना चाहिए जिसे हम बनाए नहीं रख सकते। व्यावसायिक नियम भी महत्वपूर्ण हैं: API को स्टॉक से बाहर के उत्पादों को बाहर करना चाहिए, उपयोगकर्ता द्वारा हाल ही में खरीदे गए उत्पादों की सिफारिश करने से बचना चाहिए, और मूल्य सीमा और श्रेणी जैसे सरल फ़िल्टर का समर्थन करना चाहिए।
ईमानदार ऑफ़लाइन मूल्यांकन भी समान रूप से महत्वपूर्ण है। किसी भी लॉन्च से पहले हम ऐतिहासिक डेटा पर सिफारिश की गुणवत्ता को मापना चाहते हैं जिसमें उचित समय-आधारित ट्रेन/टेस्ट विभाजन हो, मानक रैंकिंग मैट्रिक्स पर एक रिपोर्ट के साथ और यह स्पष्ट व्याख्या कि वास्तव में क्या सुधार हुआ है बनाम वर्तमान आधारभूत तर्क। डिलीवर करने योग्य में प्रशिक्षित मॉडल और अनुमान सेवा, डेटा पाइपलाइन, मूल्यांकन रिपोर्ट जिसमें पुनरुत्पादित स्क्रिप्ट और नए डेटा आने पर पुनः प्रशिक्षण के लिए स्पष्ट दस्तावेज़ शामिल हैं।
— व्यवहारिक घटनाओं और आदेश इतिहास से प्रशिक्षण डेटासेट में डेटा पाइपलाइन
— सिफारिश मॉडल (सहयोगी, सामग्री-आधारित या हाइब्रिड) जिसमें कोल्ड स्टार्ट प्रबंधन हो
— उत्पाद और सत्र के लिए रैंक की गई सिफारिशों और स्कोरिंग के साथ वास्तविक समय API
— व्यावसायिक नियम: उपलब्धता, मूल्य, श्रेणी, हाल ही में खरीदे गए उत्पादों का बहिष्कार
— समय-आधारित विभाजन और आधारभूत के खिलाफ रैंकिंग मैट्रिक्स के साथ ऑफ़लाइन मूल्यांकन
— प्रलेखन और पुनरुत्पादित पुनः प्रशिक्षण स्क्रिप्ट
वेब विकास नकद, बैंक ट्रांसफर
