محققان به راهکار خلاقانهای برای حل مشکل شکاف بین «آموزش» و «سرویسدهی» در سیستمهای توصیهگر دست یافتهاند. در سیستمهای فعلی، به دلیل استفاده از کشهای جداگانه در زمان آموزش و استنتاج، کیفیت خروجی کاهش مییابد.
با معرفی معماری «Memory Layer»، این کش به صورت مستقیم با مدل آموزش میبیند و به عنوان تنها مرجع حقیقت (Source of Truth) عمل میکند. نتایج خیرهکننده این روش در اینستاگرام شامل موارد زیر بوده است:
✅ افزایش دقت پیشبینی تا ۱۰۰٪
✅ افزایش سرعت بهروزرسانی تعبیه (Embedding) از ۵ دقیقه به ۲۰ ثانیه!
✅ کاهش هزینههای محاسباتی آموزش و انتشار تا ۳۰٪
✅ افزایش ۵ تا ۶ درصدی تعامل کاربران در شروع سرد (Cold Start)
این نوآوری گام بزرگی برای سیستمهای پیشنهادی بزرگمقیاس است تا محتوای تازهتر و دقیقتری را به کاربران نمایش دهند.
گر
منبع: arXiv Machine Learning