A Engenharia da Próxima Geração do Feed do LinkedIn

O LinkedIn não só trocou cinco pipelines de recuperação por um único sistema unificado, ele redefiniu o que é 'relevância' no feed profissional. Em vez de indexar posts por tempo, tópico ou indústria como caixas isoladas, o novo sistema converte todo conteúdo e interação em embeddings gerados por LLMs, transformando 'engenharia elétrica' e 'reatores modulares pequenos' em conceitos próximos no espaço vetorial. Isso permite recuperar postagens tecnicamente alinhadas mesmo sem palavras-chave em comum. O ranking, agora feito por um Generative Recommender (Feed SR), processa até mil interações cronológicas do usuário com atenção causal, ou seja, entende que um comentário sobre IA em janeiro influencia a relevância de um artigo sobre MLOps em março, mas não o inverso.

A mudança técnica tem impacto direto na produção de conteúdo: hashtags viraram ruído (queda de 70% no alcance com mais de três), curtidas perderam peso e o sistema prioriza sinais de engajamento profundo, como tempo de leitura ('dwell time'), comentários com mais de 40 caracteres e compartilhamentos por DM. A arquitetura também elimina atributos demográficos do modelo, mas mantém auditorias regulares para equidade, uma decisão estratégica após críticas anteriores à segmentação implícita por cargo, setor ou localização.

Para engenheiros de dados e cientistas de ML, esse lançamento é um case real de escalabilidade industrial com modelos sequenciais: o Feed SR opera com latência sub-50ms, atualiza embeddings em minutos e reduziu a pegada de memória em 37%. Para analistas de negócios e profissionais de marketing B2B, significa que alcance deixou de ser função de frequência de postagem e passou a depender de consistência temática, profundidade técnica e geração de conversas qualificadas. O dado mais contundente: o 1% dos posts de maior qualidade agora supera o restante em 237×, não há mais espaço para conteúdo genérico ou otimizado apenas para algoritmo.