Feed de lugares para cidade nova (Meta, L5)

01 · CONTEXTO

O enunciado: um feed de lugares para quem acabou de chegar

O enunciado deste caso é de entrevista: projetar um feed de recomendação de lugares para um usuário que chega a uma cidade nova, pedido em uma entrevista de nível L5 na Meta. Segundo a fonte, as rodadas de design de sistemas de ML voltam sempre a recomendação, ranking e recuperação, formuladas no produto da própria empresa.

02 · ESTRUTURA

Um roteiro para conduzir a entrevista

A fonte propõe o DRIVE, um roteiro de cinco etapas para a rodada de design de sistemas de ML: Define, Retrieve, Iterate, Validate e Enter production. Ela também recomenda terminar rápido a estrutura central para sobrar tempo de aprofundar duas áreas.

03 · CANDIDATOS E COLD START

Do enunciado a um desenho possível

Dois pontos da fonte tocam este enunciado. O primeiro é a featurização de dados de localização para um feed, citada como exemplo de prompt real. O segundo são os modelos de duas torres, em que codificadores separados para consulta e candidato sustentam a recuperação em escala.

Aplicado ao problema, uma abordagem possível é dividir a recomendação em etapas: um recuperador que limita os candidatos aos lugares da região onde a pessoa está e um ranqueador que ordena esse conjunto. Como o usuário acabou de chegar, ele pode ter pouco ou nenhum histórico ali; esse é o cold start de usuário, e sinais de outras cidades ou do contexto da visita podem ocupar o lugar do histórico.

1. O app pede o feed ao serviço de feed, informando quem é a pessoa e em que cidade ela está.

2. O serviço de feed aciona o gerador de candidatos, que consulta o índice de lugares da região.

3. O perfil e os sinais da pessoa são lidos; é aqui que a falta de histórico na cidade nova aparece.

4. O ranqueador recebe os candidatos, lê os sinais e ordena os lugares.

5. O serviço de feed devolve a lista ordenada ao app.

04 · VALIDAÇÃO E PRODUÇÃO

Medir, retreinar e não ignorar o ciclo de feedback

Na validação, a fonte pede avaliação offline e online, calibração e análise de erro por fatia, e lista como conceito-chave saber quais métricas confiar antes e depois da implantação. Calibração, nos termos dela, é as probabilidades previstas combinarem com as taxas observadas, com destaque para ranking de anúncios.

Em produção, a fonte pede cobrir serving, monitoramento, retreino e o ciclo de feedback, isto é, como as saídas do recomendador moldam os dados com que ele treina depois e como levar isso em conta.

1. As interações registradas alimentam o treino do modelo de ranking.

2. O modelo treinado é guardado junto dos embeddings.

3. Os embeddings dos lugares são calculados e publicados no índice usado pelo caminho online.

4. As métricas de modelo e de interação chegam ao monitoramento, que fecha o ciclo de avaliação.