The New Stack avanca em infraestrutura cloud-native, plataformas de desenvolvimento e engenharia...

O fracasso na descoberta de produtos descrito aqui expõe uma lacuna crítica entre nossos data pipelines e os sistemas de ranking nas plataformas de e-commerce. Quando um varejista retorna botas femininas para uma busca por tênis de corrida masculino, estamos vendo ou falta de feature engineering na camada de embedding, ou um modelo de ranking em tensor que não normalizou adequadamente atributos categóricos durante o treinamento. Isso é cada vez mais nosso problema como engenheiros de dados, não apenas da galera de ML. As plataformas modernas estão empurrando a lógica de ranking para a feature store e camada de inferência em tempo real, o que significa que precisamos arquitetar fluxos de dados que exponham metadados de produtos—gênero, sazonalidade, material—no momento da query com latência sub-100ms. A mudança para ranking baseado em tensores (tratando produtos como vetores multidimensionais em vez de correspondências de palavra-chave) exige que repensemos como estruturamos tabelas dimensionais e implementamos garantias de freshness de features. Meu takeaway: faça uma auditoria nos seus schemas de catálogo de produtos agora. Se você ainda depende de campos de palavra-chave desnormalizados ou atributos atualizados em batch, está deixando qualidade de ranking na mesa. Construa uma camada de abstração de feature store que possa servir embeddings ricos de produtos em tempo real para seus modelos de ranking. Isso não é mais opcional—é pré-requisito para ser competitivo em e-commerce.