Swiggy refond le classement temps réel de l’autocomplétion avec le machine learning

Résumé

Swiggy a présenté un nouveau système de classement temps réel pour la recherche avec autocomplétion, construit sur OpenSearch. L’architecture sépare la génération de candidats et le ranking, s’appuie sur des feature stores pour les signaux temps réel et utilise des modèles de learning to rank afin d’améliorer la pertinence, tout en respectant des contraintes de latence strictes.

Les faits

Swiggy a décrit un système de classement en temps réel basé sur le machine learning pour la fonction d’autocomplétion de son moteur de recherche, construit sur OpenSearch. Ce nouveau dispositif vise à optimiser la pertinence des suggestions proposées aux utilisateurs. L’architecture mise en place sépare clairement la génération de candidats du classement proprement dit. Elle exploite des feature stores pour intégrer des signaux en temps réel et alimente des modèles de learning to rank, afin de produire un ordre de résultats plus pertinent pour l’utilisateur final. Ce système vient remplacer un classement heuristique préexistant. Selon Swiggy, il permet de maintenir des contraintes de latence strictes, tout en rendant possible des mises à jour continues des modèles à partir des signaux de comportement des utilisateurs.

Pourquoi c’est important

La démarche de Swiggy illustre la transition des moteurs de recherche applicatifs d’architectures heuristiques vers des systèmes de classement pilotés par le machine learning. En s’appuyant sur OpenSearch, des feature stores et des modèles de learning to rank, l’entreprise met l’accent sur la pertinence et l’adaptabilité du moteur de recherche. L’intégration de signaux temps réel et de mises à jour continues des modèles à partir du comportement des utilisateurs montre comment l’IA peut améliorer l’expérience de recherche sans compromettre la latence. Cette approche constitue un exemple concret de modernisation des systèmes d’autocomplétion à grande échelle.

Questions fréquentes

Sur quoi repose le nouveau système d’autocomplétion de Swiggy ?

Swiggy a détaillé un système de classement en temps réel basé sur le machine learning pour l’autocomplétion, construit sur OpenSearch.

Comment l’architecture du système est-elle structurée ?

L’architecture sépare la génération de candidats et le ranking, et s’appuie sur des feature stores pour intégrer des signaux temps réel.

Quelle technique de classement est utilisée ?

Le système applique des modèles de learning to rank afin d’améliorer la pertinence des résultats d’autocomplétion.

Que remplace ce nouveau système chez Swiggy ?

Il remplace un classement heuristique, jugé moins adapté qu’un système de machine learning pour la pertinence et l’évolution continue.

Comment Swiggy gère-t-il la latence et l’évolution du modèle ?

Le système maintient des contraintes de latence strictes tout en permettant des mises à jour continues des modèles à partir des signaux de comportement des utilisateurs.

Source

Auteur

Rédaction spécialisée dans la veille et l'analyse de l'actualité de l'intelligence artificielle, des puces IA, des robots, des agents IA et de la recherche.