Descrição do projeto
TraduzidoTemos uma grande biblioteca de conteúdo—catálogo de produtos, artigos de ajuda e documentos internos—e nossa busca por palavras-chave atual constantemente nos decepciona. Ela encontra palavras exatas, mas não entende o significado: um cliente escreve 'não consigo fazer login' e não encontramos o artigo 'solucionando problemas de autorização' porque a redação não corresponde. Sinônimos, paráfrases e diferentes grafias simplesmente escapam, e o suporte é inundado com perguntas cujas respostas já estão no site. Precisamos de uma busca que entenda a intenção, não apenas palavras literais.
Estamos procurando um engenheiro para construir um sistema de busca semântica (vetorial) em cima do nosso conteúdo existente. Isso significa: gerar embeddings para cada objeto indexado, armazenar esses vetores em um banco de dados vetorial adequado e atender consultas através de uma API clara que nossas aplicações possam chamar. Esperamos uma classificação híbrida que combine correspondência clássica de palavras-chave com similaridade vetorial—para que correspondências exatas fiquem no topo quando apropriado, mas resultados semanticamente próximos subam quando a redação diverge. O ajuste de relevância é importante para nós: queremos analisar logs de consultas reais, ajustar pesos e limiares e medir se os melhores resultados são realmente melhores.
Para deixar claro o escopo: este é um sistema de busca e classificação, não um chatbot—um assistente generativo que escreve suas próprias respostas que não precisamos. Precisamos de classificação consciente do significado, API documentada, um pipeline de indexação que mantenha os embeddings atualizados à medida que o conteúdo muda, e uma recomendação sobre qual modelo de embedding e armazenamento vetorial se adequam ao nosso volume e orçamento.
O que queremos obter:
— um pipeline de embedding para catálogo e documentos;
— um banco de dados vetorial com classificação híbrida (palavras-chave + vetores);
— uma API de busca com filtros, paginação e controle de relevância.
Estamos procurando um engenheiro para construir um sistema de busca semântica (vetorial) em cima do nosso conteúdo existente. Isso significa: gerar embeddings para cada objeto indexado, armazenar esses vetores em um banco de dados vetorial adequado e atender consultas através de uma API clara que nossas aplicações possam chamar. Esperamos uma classificação híbrida que combine correspondência clássica de palavras-chave com similaridade vetorial—para que correspondências exatas fiquem no topo quando apropriado, mas resultados semanticamente próximos subam quando a redação diverge. O ajuste de relevância é importante para nós: queremos analisar logs de consultas reais, ajustar pesos e limiares e medir se os melhores resultados são realmente melhores.
Para deixar claro o escopo: este é um sistema de busca e classificação, não um chatbot—um assistente generativo que escreve suas próprias respostas que não precisamos. Precisamos de classificação consciente do significado, API documentada, um pipeline de indexação que mantenha os embeddings atualizados à medida que o conteúdo muda, e uma recomendação sobre qual modelo de embedding e armazenamento vetorial se adequam ao nosso volume e orçamento.
O que queremos obter:
— um pipeline de embedding para catálogo e documentos;
— um banco de dados vetorial com classificação híbrida (palavras-chave + vetores);
— uma API de busca com filtros, paginação e controle de relevância.
Desenvolvimento de software Dinheiro, Transferência bancária
