大讲堂
那个隐空间
你有没有过这种感觉——刚在网上下单了一包猫粮，转头就看到推荐全是猫砂、猫玩具，精准得有点瘆人。这背后就是个叫协同过滤的算法，早年其实就是用户-物品评分矩阵，填不满，用矩阵分解补全。原理倒不复杂：把每个用户和每个商品都投射到几十维的隐向量里，向量点积近似评分。比如你爱好暗黑料理，你的向量里“黑暗”维度值就高；商品里臭豆腐的同一维度也高，点积自然大，就推给你。可隐向量怎么来？交替最小二乘法（ALS）或者随机梯度下降（SGD）来回迭代，直到误差收敛。这就像猜你的音乐品味，听了几首歌，慢慢摸清你在爵士、摇滚、电子上的权重。现在更狠了，深度神经网络直接端到端学习，连特征工程都省了。但说实话，深度学习在推荐里的增益没那么神，有时还不如调参壮的XGBoost，工程上得权衡。
快，要极致的快
某头部连锁便利店，上线实时推荐引擎后，客单价提升了12%。怎么做到的？他们把用户进店后的行为——拿起了什么、放下了什么、在哪个货架前停留——通过摄像头和重力感应器实时入流，Kafka嚼碎，Flink做窗口聚合，模型在GPU上推理，延迟压在100毫秒内。然后手机APP推送优惠券，或者货架上的电子屏瞬间换广告。对比他们以前的T+1批处理，转化率提高了20个百分点。我亲眼看过压测：峰值每秒2万条事件，p99延迟没超过150ms。传统方案？夜间用Spark跑，第二天早上更新，中间消费场景全漏了。这就是实时性的价值，不是玄学。 但坑也不少。实时特征工程太容易出bug，时间窗口没对齐，就会把“未来”信息泄露到训练集，线下指标虚高，上线就崩。我们踩过这坑，后来强制用Flink的event time，加水位线，才勉强稳住。物理层的狼狈
智慧零售从来不只是软件的事。RFID标签号称自动盘点，实际上在金属架、液体商品面前怂得很。我们给某服装品牌部署时，仓库盘点漏读率一度15%，因为衣架是金属的，反射了信号。最后靠多天线阵列和波束赋形，再加个基于信号强度的去噪算法，才把漏读率干到2%以下。那几天调天线角度调到吐，但看着后台数据一点点绿起来，值了。还有重力货架——你以为放个传感器就完了？校准！温度漂移、机械蠕变，不天天标定，误差能跑到10克以上，没法区分那是拿了一包薯片还是两包。我们最后用卡尔曼滤波融合加速度计数据，才算消停。
三个血泪坑点
作者|大讲堂
排版|大讲堂
审核|白杨