Pinterest migrou seu sistema de inferência de jornadas de usuário de um pipeline de clustering em várias etapas para um modelo de linguagem ajustado com 4 bilhões de parâmetros, relatando uma melhoria de 1,1% na taxa de cliques em e‑mail e 1,3% a mais em aberturas de push. Por Matt Foster
O que aconteceu: O Pinterest trocou seu pipeline de clustering de jornadas de usuário por um modelo de linguagem de 4 bilhões de parâmetros (Qwen3), obtendo aumento de 1,1% na taxa de cliques em e‑mail e 1,3% nas aberturas de push.
Contexto: Modelos de linguagem grandes podem analisar sequências de comportamento do usuário de forma mais flexível que algoritmos de clustering tradicionais, melhorando a personalização.
Por que importa: Plataformas de mídia social e e‑commerce podem melhorar a segmentação de usuários e a eficácia de campanhas usando LLMs, reduzindo a complexidade de pipelines de dados.
O que acompanhar: Acompanhar a adoção de LLMs em outras áreas de inferência de jornada e os custos operacionais associados ao Qwen3.