Airbnb Cuts Recommendation Staleness from 2 Days to Seconds with Chronon

How Netflix Taught an LLM to Recommend Movies So That You Keep Watching

Netflix đã phát triển hệ thống GenRec để tăng thời gian xem phim của người dùng. Họ huấn luyện Large Language Model (LLM) trên dữ liệu tương tác người dùng với nội dung, sử dụng phương pháp transfer learning từ các mô hình ngôn ngữ lớn. Kết quả là hệ thống có khả năng đề xuất phim cá nhân hóa với độ chính xác cao hơn 23% so với phương pháp traditional collaborative filtering. Điều này cho thấy tiềm năng ứng dụng LLM trong lĩnh vực recommendation systems không chỉ giải trí mà còn có thể mở rộng sang các dịch vụ streaming khác.

Bài viết này giải thích cách Netflix xây dựng hệ thống đề xuất phim GenRec để giữ chân người xem qua công nghệ LLM tiên tiến.

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.

I gave my local LLM my entire Steam library, and it recommends games better than Steam does

Tác giả đã thử nghiệm Gemma 4 với toàn bộ thư viện Steam 384 game để đánh giá khả năng đề xuất game. Sử dụng RAG (Retrieval-Augmented Generation) để mô tả sở thích người chơi và phân tích game, Gemma 4 cho kết quả chính xác hơn Steam Discovery. Tác giả đã áp dụng prompt engineering để Gemma 4 hiểu sâu sở thích cá nhân, dẫn đến tỉ lệ recommendation đạt 85% so với 72% của Steam. Bài viết cung cấp phương pháp triển khai RAG cho LLM và kỹ thuật prompt engineering hữu ích cho các dự án AI recommendation.

Một lập trình viên nên đọc bài này để khám phá cách mô hình ngôn ngữ lớn có thể cá nhân hóa trải nghiệm giải trí tốt hơn cả nền tảng chuyên dụng Steam.

Modernizing Table Batched Embeddings with FBTriton – PyTorch

Meta giới thiệu FBTriton, phiên bản viết lại Triton cho Table Batched Embedding dùng trong hệ thống gợi ý trên nhiều GPU sharded. Việc tối ưu hóa này thiết kế hai path cho forward (generic gather và specialized tensor-core) và ba backward path exploit tính năng Blackwell như CLC work-stealing và TMA bulk atomic. Trên GB200 với 307 cấu hình shard, FBTriton đạt tốc độ forward trung bình cao hơn 1.28x so với CUDA cũ, đạt 3,948 GB/s trong một số trường hợp nhờ tránh đồng bộ hóa cooperative-CTA không cần thiết. Lợi ích lớn nhất là việc sửa lỗi chỉ cần thay đổi config chứ không cần cấu trúc lại CUDA template, và kernel Python đơn giản tạo cơ hội fusion giữa forward/backward.

FBTriton giúp lập trình viên tối ưu hóa tốc độ embedding lookup trên GPU sharded và đơn giản hóa bảo trì kernel với thiết kế Python linh hoạt.

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

Netflix sử dụng embedding vectors để biểu diễn sở thích người dùng và nội dung phim. Mỗi vector đại diện cho hồ sơ người dùng hoặc đặc điểm phim có thể lên đến hàng trăm chiều. Hệ thống tính toán độ tương đồng cosine giữa vector người dùng và vector phim để đề xuất nội dung phù hợp. Cách tiếp cận này cho phép Netflix cá nhân hóa trải nghiệm xem phim cho 220 triệu người dùng toàn cầu. Lập trình viên có thể học hỏi cách áp dụng embedding vectors trong các hệ thống khuyến nghị để tăng độ chính xác mà không cần quá nhiều dữ liệu nhãn.

Bài viết này giúp designer hiểu cách vector AI hoạt động để cá nhân hóa trải nghiệm xem phim trên Netflix bằng cách tư duy trực quan thay vì lập trình.

How Fanatics and OpenAI streamline the fan experience

Fanatics uses OpenAI to help fans complete their game-day outfits with Shop the Look. Testing across roughly 30,000 MLB products showed 10% higher engagement.

How Albertsons Companies is reimagining retail from the inside out

Albertsons Companies đang triển khai ChatGPT Enterprise và OpenAI API để tối ưu hóa hoạt động nội bộ và cải thiện trải nghiệm mua sắm. Công ty sử dụng AI để xử lý dữ liệu khách hàng và tự động hóa các tác vụ nhân sự như tuyển dụng và đào tạo. Việc áp dụng này giúp giảm thời gian xử lý hồ sơ ứng viên xuống còn vài phút thay vì nhiều ngày. Hệ quả là nhân viên có thêm thời gian tập trung vào khách hàng, trong khi trải nghiệm người dùng được cá nhân hóa nhờ phân tích dữ liệu mua sắm. Bài viết cho thấy AI không chỉ giúp tăng hiệu quả mà còn tạo ra lợi thế cạnh tranh trong ngành bán lẻ hiện đại.

Bài này giúp lập trình viên ứng dụng AI thực tế vào cải tiến trải nghiệm khách hàng và tối ưu vận hành.

Steam Quietly Made a Huge Discoverability Change for Indie Games

Valve đã cá nhân hóa grid Discounts & Events trên Steam, biến một nguồn truy cập trước đây không đáng kể thành hàng nghìn lượt truy cập trang hàng tháng cho một số tự game nhỏ. Sự thay đổi này được phát hiện khi các nhà phát hiện thấy lượng truy cập tăng đột biến từ section này mà không có chiến dịch marketing nào. Cụ thể, một tự game indie có thể nhận thêm 3000-5000 lượt truy cập từ grid này mỗi tháng sau khi Steam triển khai tính năng cá nhân hóa. Điều này cho thấy thuật toán recommendation system của Steam đang ngày càng quan trọng cho việc tiếp cận game indie với audience rộng hơn.

Valve đã thay đổi cách hiển thị ưu đãi và sự kiện trên Steam, giúp các trò chơi indie nhỏ nhận được nhiều lượt truy cập hơn nhờ cá nhân hóa hiển thị.