Duplicatas Escondidas: Agrupamento de Catálogo em uma Revenda de Calçados Multicanal
Visão geral
Sobre o que é este desafio
Gere embeddings, agrupe anúncios duplicados de calçados e prototipe um recomendador. Receba um certificado verificável.
O cenário
Uma auditoria interna, motivada por reclamações de vendedores sobre avaliações fragmentadas entre anúncios do 'mesmo' produto, identificou centenas de listagens redundantes escritas com vocabulário diferente (ex.: 'tênis casual masculino couro' vs. 'sapatênis masculino em couro legítimo'). O time de catálogo exportou uma amostra anonimizada de anúncios de todos os canais de venda, junto com um briefing descrevendo os objetivos da consolidação, para decidir se vale investir em um pipeline automatizado de deduplicação antes da próxima campanha sazonal.
O Brief
O que você vai fazer e o que vai demonstrar.
Quantos e quais grupos de anúncios duplicados ou similares existem na amostra do catálogo, e como usar esse agrupamento para consolidar listagens e alimentar um recomendador de produtos similares?
Earning criteria — what you'll demonstrate
- Aplicar técnicas de clustering não supervisionado sobre representações vetoriais (embeddings) de texto
- Avaliar qualidade de agrupamento combinando métricas quantitativas e validação humana de amostra
- Prototipar um sistema de recomendação baseado em similaridade entre itens
- Colaborar em equipe na condução de um projeto de mineração de dados de ponta a ponta
Adequação ao Programa
Onde isso se encaixa no seu programa.
Aperfeiçoa as mesmas habilidades que seu curso espera que você demonstre.
Conteúdo alinhado em breve.
Habilidades
Habilidades que você vai demonstrar.
Cada um aparece no seu certificado verificado.
- Word Embeddings
Apply word embeddings to solve real industry problems and demonstrate production-level capability.
- Hugging Face Transformers
Apply hugging face transformers to solve real industry problems and demonstrate production-level capability.
- Text Tokenization
Apply text tokenization to solve real industry problems and demonstrate production-level capability.
- Natural Language Processing
Apply natural language processing to solve real industry problems and demonstrate production-level capability.
- Knowledge Representation
Apply knowledge representation to solve real industry problems and demonstrate production-level capability.
Carreiras
Cargos para os quais este desafio te prepara.
Títulos reais. Pontes reais de habilidades. Escolha o mais próximo da sua trajetória.
Trilhas de carreira que este desafio desenvolve
Funções canônicasMachine Learning Engineer
Construir e avaliar um pipeline de embeddings e clustering em produção-like prepara diretamente para responsabilidades de um(a) Machine Learning Engineer que precisa colocar modelos de similaridade em uso real.
Este desafio aprimora
- hugging-face-transformers
- word-embeddings
- natural-language-processing
Product Analyst
Traduzir clusters técnicos em um plano de consolidação de catálogo é a mesma habilidade de um(a) Product Analyst que precisa priorizar mudanças de catálogo com base em evidência de dados.
Este desafio aprimora
- text-tokenization
- natural-language-processing
- knowledge-representation
NLP Engineer
O uso de embeddings de texto para tarefas de similaridade e deduplicação é uma aplicação central do dia a dia de um(a) NLP Engineer em produtos de e-commerce e busca.
Este desafio aprimora
- hugging-face-transformers
- word-embeddings
- text-tokenization
Só mais uma coisa