A DoorDash reformulou sua arquitetura de recomendações ao migrar de modelos preditivos tradicionais para sistemas baseados em agentes autônomos. A nova abordagem combina memória do consumidor em linguagem natural, IDs semânticos via RQ-VAE e recuperação generativa em lote. Google Cloud AI Research (cloud.google.com)
- A transição de vetores numéricos para memória em linguagem natural permitiu que LLMs compreendam preferências complexas dos usuários.
- IDs semânticos gerados por RQ-VAE substituem SKUs aleatórios, organizando o catálogo em uma hierarquia inteligível por IA.
- Carrosséis personalizados são pré-gerados em lote com LLMs e hidratados em tempo real via Milvus para reduzir custos de tokens.
A transição da recomendação pontual para a memória em linguagem natural
Durante anos, o comércio eletrônico confiou em embeddings numéricos para representar hábitos de consumo. Esses vetores concentravam cliques e compras em sequências de números que funcionavam bem para algoritmos tradicionais de classificação. No entanto, quando um agente inteligente precisa tomar decisões de compra pelo usuário, vetores numéricos não fornecem o contexto explicativo necessário.
Para resolver essa limitação, a equipe de engenharia da DoorDash desenvolveu o conceito de memória do consumidor em linguagem natural. Esse sistema traduz comportamentos passados em blocos narrativos legíveis por modelos de linguagem. O perfil passa a conter afirmações explícitas sobre preferências alimentares, sensibilidade a preços e afinidade com marcas específicas.
# publicidade
Estruturação de blocos de memória versionados
Cada bloco de memória recebe um versionamento rigoroso para permitir testes A/B e viagens no tempo durante experimentos offline. Sem essa rastreabilidade, seria impossível avaliar se um novo prompt de extração gerou recomendações de maior qualidade do que a versão anterior.
Integração entre memória linguística e modelos clássicos
A introdução de texto narrativo não eliminou os modelos tradicionais de ranqueamento. Os blocos de texto são codificados através de modelos de duas torres assimétricas e reinseridos como features no sistema legado. Esse fluxo híbrido elevou métricas de relevância antes mesmo da implantação total de agentes autônomos.
Catálogo inteligente com ids semânticos e rq-vae
Nos sistemas convencionais de e-commerce, cada produto é identificado por um SKU numérico aleatório. Essa abordagem impede que o sistema reconheça proximidade conceitual entre dois itens distintos. Se o molho de pimenta favorito de um usuário estiver esgotado, o modelo tradicional não compreende a hierarquia necessária para sugerir um substituto equivalente.
A utilização de semantic IDs derivados de quantização vetorial (RQ-VAE) redefiniu a forma de ler o catálogo. Em vez de um código isolado, cada item recebe uma sequência de tokens que representa sua posição em uma árvore hierárquica de conceitos.
Substituição automática e recomendação de produtos
Em categorias como supermercado e conveniência, a falta de estoque é um problema recorrente nas operações locais. Com os IDs semânticos, a IA calcula vetores de vizinhança que respeitam restrições dietéticas e faixas de preço preferidas pelo cliente, garantindo taxa de conversão elevada.
Infraestrutura de carrosséis gerados em lote
Gerar recomendações personalizadas em tempo real através de LLMs pode custar milhões de tokens por segundo em grande escala. A solução adotada foi desacoplar a criação conceitual da exibição final. A plataforma gera blueprints de carrosséis em batch offline e utiliza bancos de dados vetoriais para hidratação em tempo real.
Construção de agentes autônomos e grounded search
O objetivo final da arquitetura da DoorDash é permitir que assistentes autônomos executem missões completas de compras para o consumidor. Em tarefas complexas como planejar as compras da semana, o sistema precisa coordenar receitas, preferências individuais e estoques locais simultaneamente.
Para assegurar que o agente não recomende itens inexistentes, a engenharia utiliza a técnica de grounded search. Esse mecanismo força as respostas do modelo a estarem ancoradas estritamente no catálogo ativo da loja selecionada.
Tabela comparativa entre modelos preditivos e agentes
A tabela a seguir destaca as divergências técnicas centrais entre os modelos de predição pontual legados e a nova plataforma de recomendação orientada por agentes.
Validação de segurança e resiliência em execução
| Característica | Modelos legados (one-shot) | Arquitetura com agentes de IA |
|---|---|---|
| Representação do perfil | Embeddings numéricos densos | Blocos de memória em linguagem natural |
| Identificação do catálogo | SKU ID aleatório / Taxonomia rígida | Semantic IDs hierárquicos (RQ-VAE) |
| Processamento de contexto | Histórico recente pontual | Memória de longo prazo, tempo real e em sessão |
| Interface de raciocínio | Modelos pontuais de classificação | LLMs e agentes autônomos com busca grounded |
Arraste para o lado para ver toda a tabela.
Sistemas baseados em agentes exigem monitoramento rigoroso contra alucinações. O uso de verificadores determinísticos garante que transações financeiras e adições ao carrinho respeitem estritamente o orçamento definido pelo consumidor.
