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.

GEM Training: How Meta Doubled the Efficiency of Its LLM-Scale Ads Foundation Model

Meta đã tăng gấp đôi hiệu quả đào tạo end-to-end (đạt 20–25% MFU) cho mô hình quảng cáo GEM (LLM-scale) nhờ hai trụ cột: tối ưu hóa tính toán (thư viện kernel tùy chỉnh như Jagged Flash Attention, MXFP8) và hiệu quả mở rộng (5D parallelism, NCCLX, Base Batch Shuffling). Thách thức chính bao gồm đầu vào biến độ dài, mẫu attention bất đối xứng, độ nhạy số học của mục tiêu CTR/CVR, và bảng embedding siêu lớn gây tắc nghẽn bộ nhớ.

Lập trình viên chuyên về mô hình AI/ML nên đọc bài này để tìm hiểu cách tối ưu hóa hiệu suất huấn luyện mô hình lớn bằng kiến thức về parallelism, quantization, và kỹ thuật đặc biệt như Flash Attention và FSDP, giúp giảm chi phí tính toán và tăng tốc triển khai trong ứng dụng thực tế.

I presented Inka khipus at EEML. The school covered everything. The next model cannot be a vector.

I presented Inka khipus at EEML. The school covered everything. The next model cannot be a vector. Accepted in Cetinje with a scientific poster on machine learning over the Open Khipu Repository …

Checkers answers Pick n Pay in the grocery AI race

Sixty60 đã bổ sung khả năng trò chuyện cho trợ lý ảo Pixie, khắc phục điểm yếu trước đây so với Penny của Pick n Pay.

Lập trình viên nên đọc bài này để hiểu cách AI hiện đại xử lý giao tiếp tự nhiên như thế nào, từ đó tìm hiểu về những kỹ thuật tiên tiến trong xử lý ngôn ngữ và ứng dụng thực tế trong các ứng dụng thương mại tự động hóa.

Explain data normalization and standardization.

Chuẩn hóa dữ liệu (data normalization) là quá trình chia tỷ lệ dữ liệu số về một khoảng cố định, thường từ 0 đến 1, nhằm đảm bảo tất cả các đặc trưng có cùng mức độ quan trọng trong phân tích.

Lập trình viên cần đọc bài này để hiểu cách chuẩn hóa và chuẩn đoán dữ liệu sẽ giúp cải thiện hiệu quả của mô hình machine learning, tránh sai số do các đặc trưng có độ lớn khác nhau gây ra trong quá trình huấn luyện.

Why Your Wearable Needs Weeks of Data Before It Becomes Useful

Chiếc vòng đeo thông minh như Oura Ring cần thu thập dữ liệu trong vài tuần mới cung cấp thông tin hữu ích, thay vì đưa ra kết quả tức thì như mong đợi.

Một lập trình viên nên đọc bài này để hiểu rõ cách thiết kế hệ thống phân tích dữ liệu thời gian thực phải xử lý vấn đề lập trình lại dữ liệu (data reprocessing) và trung gian dữ liệu (data pipeline) để đảm bảo kết quả chỉ trở nên đáng tin cậy khi có đủ dữ liệu chất lượng trước khi triển khai ứng dụng thực tế.

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.