Negócios com IA✦ Gerado por IA

Airbnb acelera recomendações de IA de dias para segundos com Chronon

O Airbnb aprimorou sua plataforma de recursos de código aberto, Chronon, para atualizar as recomendações de hospedagem em tempo quase real. Essa inovação diminuiu drasticamente o tempo de desatualização dos dados, melhorando a experiência do usuário e os resultados de reservas.

Edição de ·InfoQ AI·6 min de leitura·
CompartilharWhatsAppXLinkedInFacebook
💡

Principal Aprendizado

O Airbnb reduziu a desatualização das recomendações de dois dias para segundos usando o Chronon, melhorando a relevância e as reservas.

O Airbnb deu um passo significativo na personalização da experiência do usuário ao reduzir a desatualização das recomendações de quase dois dias para meros segundos. Essa conquista foi possível com a extensão de sua plataforma de recursos de código aberto, Chronon, que agora incorpora os modos Push Mode e NRT Model Transform (Transformação de Modelo em Tempo Quase Real).

Anteriormente, o sistema de recomendação do Airbnb, baseado no JourneyFormer, processava o histórico de atividades dos hóspedes — como reservas, avaliações e navegação — por meio de um trabalho em lote diário. Isso gerava representações (embeddings) que eram armazenadas e recuperadas pelo sistema de classificação. No entanto, qualquer atividade do hóspede após a execução do lote diário só seria incorporada às recomendações no dia seguinte, resultando em uma desatualização que podia se estender por quase dois dias, considerando os atrasos de processamento. Essa lacuna impactava diretamente a relevância das sugestões oferecidas aos usuários, que poderiam estar visualizando opções baseadas em interesses já superados.

A Revolução do Tempo Quase Real com Chronon

Para resolver o problema da desatualização, o Airbnb implementou duas novas funcionalidades no Chronon. O Push Mode permite que um trabalho de streaming publique uma notificação sempre que um valor de recurso é atualizado. Isso significa que os processos subsequentes podem reagir imediatamente à nova atividade do hóspede, em vez de depender de verificações periódicas ou de trabalhos agendados. Complementarmente, o NRT Model Transform possibilita que um modelo já implantado seja executado diretamente dentro desse pipeline de streaming. O Airbnb utiliza o mesmo codificador de sequência Transformer para o caminho em tempo quase real, garantindo consistência e evitando a necessidade de uma implementação de inferência separada para o fluxo de streaming.

Essa nova arquitetura permite que o pipeline capture eventos em tempo real, como pesquisas e visualizações de anúncios. Esses dados são então combinados com as informações de sequência de curto e longo prazo do hóspede, acionando a inferência do modelo assim que o estado do recurso atualizado estiver disponível. O embedding gerado é então gravado no mesmo armazenamento de baixa latência usado pelo sistema de lote. Consequentemente, o caminho de classificação online permanece praticamente inalterado, mas a representação que ele recupera se torna muito mais atualizada e relevante. Segundo a InfoQ, essa mudança resultou em uma melhoria de 1,67% no NDCG (Normalized Discounted Cumulative Gain) offline e um aumento de aproximadamente 0,33% nas reservas não canceladas em testes A/B online. Pengyu Hou, engenheiro de software sênior de infraestrutura no Airbnb, destacou que o NRT Model Transform permite que o Chronon chame um modelo já implantado diretamente do fluxo de streaming, preenchendo a lacuna entre dados orientados a eventos e inferência de modelo.

Impacto e Consistência na Plataforma

Essa abordagem se alinha a um padrão mais amplo de serviço de recursos, onde as previsões podem ser atualizadas quando os recursos subjacentes mudam, em vez de serem recalculadas a cada solicitação do usuário. Embora outras plataformas, como Feast, documentem arquiteturas de previsão em cache que acionam a inferência por atualizações de recursos, o Chronon se destaca por integrar a computação de streaming e a transformação de modelos em sua plataforma de recursos. Isso enfatiza a consistência entre a computação offline e a inferência em produção, um aspecto crucial para a confiabilidade dos sistemas de IA. O Airbnb contribuiu com o Push Mode e o NRT Model Transform para o repositório público do Chronon, reforçando seu compromisso com a comunidade de código aberto e com a evolução das plataformas de recursos que suportam tanto a computação em lote quanto em streaming, mantendo a consistência entre o treinamento e a inferência em produção, conforme relatado pela InfoQ.

O que isso muda para você

Para profissionais brasileiros que atuam com dados e inteligência artificial, essa inovação do Airbnb com o Chronon é um lembrete poderoso da importância da "frescura" dos dados em sistemas de recomendação. Em um mercado cada vez mais dinâmico, a capacidade de reagir em tempo real às interações do usuário não é apenas um diferencial, mas uma necessidade para manter a relevância e a competitividade. Pense em e-commerce, serviços de streaming ou até mesmo plataformas de notícias: a agilidade em adaptar as sugestões pode significar a diferença entre uma conversão e um cliente perdido.

Essa abordagem demonstra que investir em arquiteturas de dados que suportem processamento em streaming e inferência de modelo em tempo quase real pode gerar retornos tangíveis, como o aumento de reservas não canceladas que o Airbnb observou. Para sua empresa, isso significa que é hora de avaliar a latência dos seus próprios sistemas de recomendação e personalização. Considere como a desatualização dos dados pode estar impactando a experiência do seu cliente e, consequentemente, seus resultados de negócio.

Um próximo passo concreto é explorar ferramentas e abordagens que permitam a integração de dados em tempo real com seus modelos de IA. Avalie plataformas de recursos de código aberto como o próprio Chronon ou Feast, e considere como a adoção de um pipeline de streaming pode otimizar a relevância das suas recomendações. Comece com um projeto piloto, focando em um recurso crítico, para medir o impacto direto na satisfação do cliente e nas métricas de negócio.

📰 Com base em reportagem de InfoQ AI. Texto produzido com apoio de inteligência artificial, com curadoria e edição de Robson Benfica Conceição, com análise própria do que a notícia muda para quem trabalha no Brasil. Veja como produzimos.

📬 Newsletter Gratuita

As principais notícias de IA do dia, curadas por Robson Conceição. Grátis, todo dia no seu e-mail.

Gostou do conteúdo?

Compartilhe com quem também quer entender IA no trabalho.

CompartilharWhatsAppXLinkedInFacebook

Leia também