Motore di raccomandazione ML per ecommerce (API + valutazione offline)

Stiamo sviluppando un negozio ecommerce di medie dimensioni con decine di migliaia di SKU di prodotto attivi e un catalogo in costante crescita, e abbiamo bisogno di un motore di raccomandazione ML per sostituire i blocchi basati su categorie che attualmente utilizziamo. Siamo particolarmente interessati a due posizionamenti: un blocco "prodotti simili" nella pagina del prodotto e un blocco "potresti gradire" nel carrello e nella pagina post-checkout. Le raccomandazioni dovrebbero essere basate sul comportamento reale degli utenti e sulla cronologia degli acquisti: visualizzazioni, aggiunte al carrello, liste dei desideri, ordini completati e resi. Registriamo già tutti questi eventi, quindi la prima parte del lavoro è progettare una pipeline pulita che trasformi il nostro flusso di eventi e il database degli ordini in un dataset di addestramento, gestendo in modo ragionevole utenti anonimi e autenticati, così come prodotti "freddi" con pochi dati di interazione.

Il motore stesso dovrebbe essere servito tramite un'API documentata che il nostro frontend e backend possono chiamare in tempo reale. Per un dato prodotto o sessione deve restituire un elenco classificato di ID prodotto con punteggi, rimanendo all'interno di un rigoroso budget di latenza e tornando elegantemente a raccomandazioni di popolarità o categoria quando il modello manca di fiducia. Ci aspettiamo che tu proponga e giustifichi un approccio di modellazione — filtraggio collaborativo, basato su contenuti o ibrido — ma la scelta deve essere spiegabile e riproducibile, non una scatola nera che non possiamo mantenere. Anche le regole aziendali sono importanti: l'API deve escludere prodotti esauriti, evitare di raccomandare ciò che l'utente ha appena acquistato e supportare filtri semplici come fascia di prezzo e categoria.

È altrettanto importante una valutazione offline onesta. Prima di qualsiasi lancio vogliamo misurare la qualità delle raccomandazioni su dati storici con una corretta suddivisione temporale tra addestramento/test, con un rapporto su metriche di ranking standard e una chiara spiegazione di cosa sia effettivamente migliorato rispetto alla logica di base attuale. I risultati includono modello addestrato e servizio di inferenza, pipeline di dati, rapporto di valutazione con script riproducibili e chiara documentazione per il riaddestramento man mano che arrivano nuovi dati.

— Pipeline di dati da eventi comportamentali e cronologia degli ordini in dataset di addestramento
— Modello di raccomandazione (collaborativo, basato su contenuti o ibrido) con gestione dell'avvio a freddo
— API in tempo reale con raccomandazioni classificate e punteggi per prodotto e sessione
— Regole aziendali: disponibilità, prezzo, categoria, esclusione di recentemente acquistati
— Valutazione offline con suddivisione temporale e metriche di ranking rispetto alla base
— Documentazione e script di riaddestramento riproducibili