Personalização em tempo real em escala: como a Zepto entende o que você quer agora

A Zepto não está apenas recomendando produtos, está antecipando intenção em tempo real. O cerne do sistema é o Dual Sequence ReRanker, que separa de forma limpa o histórico de longo prazo do comportamento da sessão atual, algo raro na prática, onde modelos costumam fundir tudo em um único vetor estático. Aqui, dois encoders Transformer distintos processam cada sequência, evitando que sinais recentes sejam apagados por padrões antigos ou vice-versa.

O pulo técnico vem com o target aware pooling: ao avaliar cada item candidato, o modelo reconstrói dinamicamente o perfil do usuário com base na similaridade entre o produto e as interações passadas, ponderando recência, tipo de ação (visualização vs. adicionar ao carrinho) e contexto temporal. Isso significa que o mesmo usuário recebe pesos diferentes conforme o item sendo avaliado, essencial para uma plataforma com milhares de categorias e intensidade de uso variável.

Em quick commerce, latência é conversão. Um modelo complexo como esse só faz sentido se entregar pontuação em milissegundos. A Zepto resolveu isso com uma otimização de engenharia elegante: codifica as sequências do usuário uma única vez e replica o resultado para todos os itens candidatos usando torch.expand(), eliminando cópias em memória. Isso mantém a sofisticação do Transformer sem sacrificar velocidade.

Além disso, o uso de sinais em tempo real, como contadores de tendência nas últimas duas horas e contexto de calendário, mostra que o time entende que personalização eficaz vai além do histórico. Capturar picos de demanda intra-dia ou padrões sazonais é tão crítico quanto entender preferências individuais, especialmente em mercados emergentes com consumo altamente volátil.