How ML Decides the Next Best Action: Building a Recommendation System at Scale

Google Maps Killed The Restaurant Star

Nhà nghiên cứu Lauren Leek phát hiện thuật toán xếp hạng nhà hàng của Google Maps ưu tiên chuỗi cửa hàng, địa điểm đông khách và các vị trí được trả phí, khiến những quán mới hoặc ít tên tuổi khó nổi bật. Cô xây dựng bảng điều khiển công khai sử dụng machine learning để khám phá những quán ẩn mình có chất lượng vượt trội.

Những lập trình viên muốn hiểu cách hệ thống xếp hạng tự động của Google Maps hoạt động, từ đó tìm cách cải thiện hoặc phân tích các cơ chế xếp hạng trong các ứng dụng tương tự để tạo ra giải pháp công bằng và hiệu quả hơn.

How to Fight Clickbait: Meta, LinkedIn & YouTube Case Studies

Để ngăn chặn hiệu quả nội dung clickbait, các nền tảng như Meta, LinkedIn và YouTube cần điều chỉnh thuật toán, ưu tiên chất lượng nội dung thay vì lượt tương tác bề ngoài, đồng thời tăng cường cơ chế giám sát và xử phạt vi phạm.

Một lập trình viên nên đọc bài này để hiểu cách các nền tảng xã hội (Meta, LinkedIn, YouTube) áp dụng thuật toán và chính sách AI để chống lại nội dung nhồi nhét nhấp chuột, từ đó tìm hiểu cách xây dựng hệ thống phát hiện và ngăn chặn hành vi này hiệu quả hơn trong các dự án của mình.

I am a designer learning about AI: How does a single vector determine what Netflix shows you next?

I am a designer learning about AI: How does a single vector determine what Netflix shows you next? Vectors didn’t click for me until i stopped thinking like a programmer and started thinking like a …

Building LinkedIn Premium All‑in‑One: Unified AI‑Powered Workflows for Small Businesses

LinkedIn's engineering team describes how they built Premium All-in-One, a unified product bringing sales, marketing, and hiring tools together for small business owners. The system uses LLM-based inference to build a Target Audience graph for new subscribers with little activity history, combining activity-based signals, LLM-based inference, and implicit signals from buyer/seller network data. Features include daily prospect suggestions, trending post discovery via a two-stage filter-then-LLM-score pipeline, a profile writing assistant, and a recommended-actions engine. The team emphasizes cross-organization collaboration, ramp discipline, and reusable AI foundations, reporting strong post-launch metrics including a 57% increase in monthly followers and 61% increase in prospect message replies.

Swiggy Uses 350+ Features and Multi-Task MLP to Predict Customer Lifetime Value

Swiggy developed an in house predicted lifetime value model using more than 350 pre order features and a multi task MLP for Food and Instamart. Adding order count as an auxiliary task reduced model pa

From User Sequences to Scaling Laws: A Multi-Stage Architecture for Meta’s Ads Ranking

Meta giới thiệu hai cải tiến kiến trúc cho hệ thống xếp hạng quảng cáo ở quy mô lớn: mô hình đa giai đoạn tách biệt xử lý người dùng nặng offline khỏi ranking online nhẹ, cùng kỹ thuật tokenization dày đặc với attention hướng mục tiêu. Giai đoạn offline xử lý hàng nghìn sự kiện người dùng bất đồng bộ bằng transformer sâu, lưu trữ embeddings để giai đoạn online kết hợp với tín hiệu thời gian thực. Hệ thống thể hiện luật scaling log-tuyến tính kiểu LLM dù sử dụng các ID thưa thớt thay vì văn bản dày đặc. Bốn yếu tố scaling quan trọng gồm: hình dạng mô hình cân bằng, khả năng điều chỉnh đa giai đoạn, đa dạng chuỗi sự kiện, và làm giàu đặc trưng ngữ nghĩa. Kiến trúc này, nền tảng cốt lõi của GEM, đã nâng 6% chuyển đổi Instagram, 3% Facebook và 3.5% lượt nhấp quảng cáo Facebook.

Lập trình viên nên đọc bài này để hiểu cách Meta áp dụng kiến thức về scaling laws và multi-stage architecture trong xử lý dữ liệu user behavior để tối ưu hiệu suất ranking ads mà không cần tăng chi phí server theo tỷ lệ, giúp hiểu rõ cách xây dựng mô hình AI hiệu quả với chi phí thấp và khả năng mở rộng cao.

Rebuilding LinkedIn’s Follows Recommendations with LLM-Based Semantic Retrieval and Ranking

LinkedIn rebuilt its Follows Recommendation system, replacing heuristic candidate generation and popularity-driven ranking with LLM-based semantic retrieval. Member and creator profiles are converted into narrative prompts, encoded into embeddings via a fine-tuned bi-encoder trained with contrastive learning (InfoNCE loss, LoRA, mixed precision, gradient checkpointing), and used for both offline (FAISS, Ray) and online (Proxima-hosted) retrieval. The same embeddings feed the downstream L2 ranking model via learned dimensionality-reduction projections. Production A/B tests showed statistically significant follow-rate lifts, especially for new members with sparse activity history.

Run Complex Data Transformations in Data 360 with Code Extension

Build, deploy, run, and troubleshoot complex transformations with Python and PySpark while keeping execution governed by Data 360.