Opis projektu
PrzetłumaczoneRozwijamy średniej wielkości sklep e-commerce z dziesiątkami tysięcy aktywnych SKU produktów i stale rosnącym katalogiem, i potrzebujemy silnika rekomendacji ML, aby zastąpić naiwne bloki oparte na kategoriach, które obecnie używamy. Najbardziej interesują nas dwa miejsca: blok "podobne produkty" na stronie produktu oraz blok "może ci się spodobać" w koszyku i na stronie po zakończeniu zakupu. Rekomendacje powinny opierać się na rzeczywistym zachowaniu użytkowników i historii zakupów: wyświetlenia, dodania do koszyka, listy życzeń, zrealizowane zamówienia i zwroty. Już rejestrujemy wszystkie te zdarzenia, więc pierwsza część pracy polega na zaprojektowaniu czystego pipeline'u, który przekształca nasz strumień zdarzeń i bazę danych zamówień w zestaw danych do treningu, z rozsądnym podejściem do anonimowych i uwierzytelnionych użytkowników oraz "zimnych" produktów z małą ilością danych interakcji.
Silnik sam w sobie powinien być udostępniany przez udokumentowane API, które nasz frontend i backend mogą wywoływać w czasie rzeczywistym. Dla danego produktu lub sesji musi zwracać uporządkowaną listę identyfikatorów produktów z punktami, mieszczącą się w ścisłym budżecie opóźnienia i elegancko przechodzić do rekomendacji opartych na popularności lub kategorii, gdy model nie ma pewności. Oczekujemy, że zaproponujesz i uzasadnisz podejście modelowania — filtracja współpracy, oparte na treści lub hybrydowe — ale wybór musi być wyjaśnialny i powtarzalny, a nie czarną skrzynką, której nie możemy utrzymać. Zasady biznesowe również mają znaczenie: API musi wykluczać produkty niedostępne, unikać rekomendacji tego, co użytkownik właśnie kupił, i wspierać proste filtry, takie jak zakres cenowy i kategoria.
Równie ważna jest uczciwa ocena offline. Przed każdym uruchomieniem chcemy zmierzyć jakość rekomendacji na danych historycznych z odpowiednim podziałem na trening/test w oparciu o czas, z raportem na temat standardowych metryk rankingowych i jasnym wyjaśnieniem, co faktycznie poprawiło się w porównaniu do obecnej logiki bazowej. Wyniki obejmują wytrenowany model i usługę wnioskowania, pipeline danych, raport oceny z powtarzalnymi skryptami i jasną dokumentację do ponownego treningu w miarę napływu nowych danych.
— Pipeline danych z wydarzeń behawioralnych i historii zamówień do zestawu danych do treningu
— Model rekomendacji (współpraca, oparte na treści lub hybrydowe) z obsługą zimnego startu
— API w czasie rzeczywistym z uporządkowanymi rekomendacjami i punktacją dla produktu i sesji
— Zasady biznesowe: dostępność, cena, kategoria, wykluczenie niedawno zakupionych
— Ocena offline z podziałem czasowym i metrykami rankingowymi w porównaniu do bazy
— Dokumentacja i powtarzalne skrypty do ponownego treningu
Silnik sam w sobie powinien być udostępniany przez udokumentowane API, które nasz frontend i backend mogą wywoływać w czasie rzeczywistym. Dla danego produktu lub sesji musi zwracać uporządkowaną listę identyfikatorów produktów z punktami, mieszczącą się w ścisłym budżecie opóźnienia i elegancko przechodzić do rekomendacji opartych na popularności lub kategorii, gdy model nie ma pewności. Oczekujemy, że zaproponujesz i uzasadnisz podejście modelowania — filtracja współpracy, oparte na treści lub hybrydowe — ale wybór musi być wyjaśnialny i powtarzalny, a nie czarną skrzynką, której nie możemy utrzymać. Zasady biznesowe również mają znaczenie: API musi wykluczać produkty niedostępne, unikać rekomendacji tego, co użytkownik właśnie kupił, i wspierać proste filtry, takie jak zakres cenowy i kategoria.
Równie ważna jest uczciwa ocena offline. Przed każdym uruchomieniem chcemy zmierzyć jakość rekomendacji na danych historycznych z odpowiednim podziałem na trening/test w oparciu o czas, z raportem na temat standardowych metryk rankingowych i jasnym wyjaśnieniem, co faktycznie poprawiło się w porównaniu do obecnej logiki bazowej. Wyniki obejmują wytrenowany model i usługę wnioskowania, pipeline danych, raport oceny z powtarzalnymi skryptami i jasną dokumentację do ponownego treningu w miarę napływu nowych danych.
— Pipeline danych z wydarzeń behawioralnych i historii zamówień do zestawu danych do treningu
— Model rekomendacji (współpraca, oparte na treści lub hybrydowe) z obsługą zimnego startu
— API w czasie rzeczywistym z uporządkowanymi rekomendacjami i punktacją dla produktu i sesji
— Zasady biznesowe: dostępność, cena, kategoria, wykluczenie niedawno zakupionych
— Ocena offline z podziałem czasowym i metrykami rankingowymi w porównaniu do bazy
— Dokumentacja i powtarzalne skrypty do ponownego treningu
Rozwój stron internetowych Gotówka, Przelew bankowy
