Uber Eats želi pogoditi što vam se jede prije nego što završite skrolanje

Uberova najnovija promjena u sustavu preporuka za Uber Eats nije kozmetička optimizacija feeda, nego promjena načina na koji platforma čita namjeru korisnika. Prema InfoQ izvještaju, Uber je Home Feed pomaknuo prema sekvencijalnom modeliranju gotovo u stvarnom vremenu i novom Generative Recommender pristupu za rangiranje liste restorana i ponuda.

Stari problem kod takvih sustava nije samo pogoditi voli li netko sushi, burgere ili kavu. Problem je pogoditi što ta osoba želi sada, nakon zadnjih nekoliko dodira, pretraga, otvaranja restorana ili odustajanja. Ako sustav vidi korisničko ponašanje sa zakašnjenjem od više sati, preporuka može izgledati tehnički personalizirano, ali operativno zastarjelo. Uber sada taj prozor svježine značajki spušta s oko 24 sata na sekunde.

To je važna razlika. Preporučivački sustav u dostavi hrane radi u vrlo kratkom vremenskom okviru: korisnik je gladan, uspoređuje cijenu, vrijeme dostave, kuhinju, popuste i poznate restorane. Signal koji je nastao prije nekoliko sekundi može biti jači od profila izgrađenog na mjesecima povijesti. Ako je korisnik upravo otvorio nekoliko ramen restorana, model mora razumjeti da to nije nevažan klik, nego promjena konteksta.

Drugi dio promjene je prelazak s ručno oblikovanih značajki na transformer-bazirano sekvencijalno modeliranje. Transformeri, poznati iz rada Attention Is All You Need, korisni su upravo zato što mogu obraditi redoslijed događaja i odnose među njima, umjesto da sustav ovisi samo o agregatima i unaprijed zadanim pravilima. U kontekstu Uber Eatsa to znači da model može bolje procijeniti slijed korisničkih radnji na početnoj stranici.

Treća promjena je možda najzanimljivija za industriju: Uber prelazi s pointwise bodovanja na listwise GenRec rangiranje. Pointwise pristup ocjenjuje svaku stavku gotovo izolirano. Listwise pristup gleda cijelu listu i kontekst u kojem se stavke natječu za poziciju. To je bitno jer feed nije laboratorijska tablica. Dva dobra restorana ne moraju zajedno činiti dobru listu ako su preslični, ako ignoriraju trenutnu namjeru korisnika ili ako potiskuju korisniji izbor niže u prikazu.

Za Uber je ovo infrastruktura, ne samo AI demonstracija. Home Feed mora raditi nad milijunima korisnika, s brzim promjenama potražnje, lokalnom dostupnošću i dinamikom restorana. Zato je zanimljiv i pomak prema kontekstualnom rangiranju kakvo se u širem smislu proučava u području learning to rank, ali ovdje mora preživjeti u produkcijskom sustavu s vrlo niskom tolerancijom na kašnjenje.

Najtrezveniji zaključak: ovo nije dokaz da generativni modeli magično znaju što želimo jesti. Dokaz je da platforme s dovoljno prometa sada mogu personalizaciju prebaciti iz sporog profila u brzi tok ponašanja. U tom trenutku preporuka prestaje biti samo pitanje povijesti i postaje pitanje trenutka.