ML system design: рекомендации товаров на главной

Сначала требования: цель это рост выручки и удержания, при этом нужны разнообразие и справедливость к продавцам; ответ за 100-200 мс. Офлайн буду мерить recall@k на этапе кандидатов и NDCG на ранжировании, онлайн выручку на пользователя и конверсию в A/B. Данные: логи просмотров, корзин, покупок, поиска с таймстемпами, каталог (категории, цены, тексты, картинки), контекст (устройство, время). Архитектура двухэтапная. Генерация кандидатов из нескольких источников: two-tower модель с ANN-индексом по эмбеддингам товаров, item-to-item по совместным покупкам от недавно просмотренного, популярное в сегменте, новинки для исследования. Получаю около тысячи кандидатов. Ранкер, например градиентный бустинг или нейросеть, учится на кликах и покупках с признаками пользователя, товара, их пересечений и контекста, цель взвешена по выручке. Затем пост-обработка: убрать купленное и недоступное, разнообразие категорий, бизнес-правила. Холодный старт решаю контентными эмбеддингами и долей показов на exploration, петлю обратной связи учитываю логированием вероятностей показа. Инфраструктура: feature store с одинаковыми признаками офлайн и онлайн, батчевый пересчёт эмбеддингов товаров, стриминговые признаки сессии, мониторинг качества и задержек, запуск через A/B.