DoorDash explica transição para recomendações com agentes e memória do usuário
A DoorDash está avançando de previsões pontuais para uma plataforma de recomendações mais “agentic”, com foco em contexto do consumidor em escala. Em apresentação no QCon AI, Sudeep Das, Head de Machine Learning & AI para New Business Verticals, descreveu o uso de uma memória nativa de linguagem para reter preferências e informações relevantes do usuário.
A empresa também citou o uso de RQ-VAE semantic IDs para representar o catálogo e uma busca “grounded” para melhorar a aderência das recomendações. O objetivo é elevar métricas de relevância e conversão, apoiando sistemas de personalização e busca em áreas como grocery, conveniência, álcool e varejo.
InfoQ
O texto acima é um resumo reescrito. A apuração, o texto integral e os créditos são da fonte — abra o original para ler na íntegra.
Ler matéria original ↗Resumo gerado por IA a partir da matéria original e revisto pelo método descrito em como funciona a curadoria. Em caso de divergência, vale o texto da fonte. Achou um erro? Fale com a gente.