Como os Algoritmos Moldam a Atenção: Fundamentos de Sistemas de Recomendação, Ranqueamento e Personalização

Como os Algoritmos Moldam a Atenção: Fundamentos de Sistemas de Recomendação, Ranqueamento e Personalização

Author: Mike Morgan

Description: Imagine abrir o TikTok, YouTube ou Amazon e, em segundos, ver exatamente o que prende sua atenção. Por trás dessa experiência aparentemente mágica, existe uma engenharia sofisticada de algoritmos que coletam, predizem e distribuem foco humano. Este livro desvenda, camada por camada, como as plataformas digitais se tornaram verdadeiros sistemas de atenção. "Como os Algoritmos Moldam a Atenção" é um guia técnico e acessível para entender o ciclo completo por trás dos feeds personalizados: da coleta de dados comportamentais ao ranqueamento em múltiplos estágios, passando por filtragem colaborativa, embeddings e testes A/B. Escrito por Mike Morgan, o livro foca em princípios arquiteturais estáveis, sem matemática avançada, ideal para profissionais que querem projetar ou avaliar mecanismos de recomendação. • Aprenda como transformar comportamento bruto em dados treináveis e por que os objetivos de negócio moldam cada decisão de engenharia. • Domine os fundamentos de recuperação de candidatos, ranqueamento pointwise e personalização contextual, com exemplos reais do TikTok, YouTube, Netflix e Shopee. • Entenda os loops de feedback que amplificam vieses e descubra estratégias para projetar sistemas mais responsáveis e justos. Este livro foi feito para engenheiros de software, cientistas de dados e gerentes de produto que desejam ir além das métricas de superfície e compreender a infraestrutura que governa a atenção digital. Não exigimos domínio de cálculo ou frameworks de ML — apenas curiosidade técnica e familiaridade com feeds. "Como os Algoritmos Moldam a Atenção" oferece o vocabulário e os modelos mentais necessários para discutir, implementar e criticar sistemas de recomendação com profundidade. Se você quer construir plataformas melhores ou simplesmente entender o que acontece nos bastidores do seu feed, este livro é o ponto de partida ideal.

AI summary: O livro 'Como os Algoritmos Moldam a Atenção' explica a engenharia por trás dos sistemas de recomendação e ranqueamento de plataformas como TikTok, YouTube e Amazon. Abrange desde coleta de dados comportamentais, filtragem colaborativa, embeddings e modelos de ranqueamento até testes A/B e loops de feedback. É direcionado a engenheiros, cientistas de dados e gerentes de produto que buscam um guia técnico acessível e sem matemática avançada.

Ideal para

Engenheiros de software, cientistas de dados, gerentes de produto e fundadores técnicos

Perfil do leitor

Profissional técnico que deseja entender a arquitetura dos sistemas de recomendação e ranqueamento para construir ou avaliar plataformas digitais.

Intenção de busca

Aprender os fundamentos técnicos dos sistemas de recomendação e personalização em plataformas digitais, com foco em machine learning e engenharia de dados.

Ângulo único

Diferente de livros que focam apenas em teoria, este guia explica sistemas de recomendação do ponto de vista da engenharia de produção, com exemplos reais de plataformas e sem matemática avançada.

Tipo de conteúdo

guia técnico sobre sistemas de recomendação

Resumo rápido

• Este livro desvenda como plataformas digitais transformam comportamento do usuário em dados treináveis para machine learning.
• O livro cobre filtragem colaborativa, embeddings, ranqueamento em múltiplos estágios e personalização contextual.
• Ideal para engenheiros e cientistas de dados que querem projetar sistemas de recomendação sem matemática avançada.
• Os leitores aprenderão sobre testes A/B, cold start e loops de feedback em sistemas de atenção.

Key topics: sistemas de atenção, coleta de dados comportamentais, filtragem colaborativa, recomendação baseada em conteúdo, embeddings e similaridade, geração de candidatos, ranqueamento pointwise, personalização contextual, testes A/B, loops de feedback

Entities: TikTok, YouTube, Netflix, Amazon, Machine Learning, Sistema de Recomendação, Ranqueamento, Personalização, Engenharia de Dados, Cold Start, Aprendizado Supervisionado, Filtragem Colaborativa

Necessidades atendidas

• Entender a arquitetura de feeds personalizados
• Saber como transformar dados brutos em features para ML
• Aprender a avaliar sistemas de recomendação com testes A/B
• Identificar vieses e loops de feedback em algoritmos
• Projetar sistemas de recomendação mais responsáveis

Leia se

• Engenheiros de software que trabalham com feeds
• Cientistas de dados em plataformas digitais
• Gerentes de produto de sistemas de recomendação
• Fundadores técnicos de startups de tecnologia
• Estudantes de computação interessados em ML aplicado
• Profissionais de dados que querem entender o funcionamento de algoritmos de atenção

Pode não servir se

• Leitores em busca de uma crítica social superficial sobre algoritmos
• Pessoas sem interesse técnico ou familiaridade com programação
• Quem prefere um livro puramente teórico de machine learning avançado

Sumário

1. Introdução (introduction)
2. O que é um sistema algorítmico de atenção? (part)
3. De plataformas a sistemas de atenção (chapter)
4. Plataformas digitais como sistemas de atenção (section)
5. Busca, feed, recomendação e ranqueamento (section)
6. Onde o Machine Learning entra (section)
7. O loop central da atenção algorítmica (section)
8. Objetivos das plataformas e otimização (chapter)
9. O que as plataformas tentam otimizar (section)
10. Engajamento não é uma métrica única (section)
11. Objetivos de negócio versus valor para o usuário (section)
12. Por que os objetivos moldam o sistema (section)
13. A anatomia de um feed (chapter)
14. Inventário de conteúdo (section)
15. Seleção de candidatos (section)
16. Ranqueamento e re-ranqueamento (section)
17. Feedback após a entrega (section)
18. Dados comportamentais e fundamentos de Machine Learning (part)
19. Quando o comportamento vira dado (chapter)
20. Eventos do usuário (section)
21. Feedback explícito e implícito (section)
22. Sinais positivos, negativos e ambíguos (section)
23. Viés de registro e qualidade dos dados (section)
24. Atributos, rótulos e previsão (chapter)
25. O que é um atributo? (section)
26. O que é um rótulo? (section)
27. Problemas de previsão em sistemas de atenção (section)
28. Da previsão ao ranqueamento (section)
29. Machine Learning simples para sistemas de atenção (chapter)
30. Por que regras não são suficientes (section)
31. Aprendizado supervisionado básico (section)
32. Tipos comuns de modelos em alto nível (section)
33. Saída do modelo e interpretação da pontuação (section)
34. Fundamentos de recomendação (part)
35. Filtragem colaborativa (chapter)
36. Aprendendo com interações entre usuários e itens (section)
37. Similaridade baseada em usuários e em itens (section)
38. Intuição sobre fatoração de matrizes (section)
39. Pontos fortes e limitações (section)
40. Recomendação baseada em conteúdo (chapter)
41. Aprendendo a partir do conteúdo dos itens (section)
42. Perfis de usuário a partir do histórico de conteúdo (section)
43. Entendimento de conteúdo com IA (section)
44. Quando a recomendação baseada em conteúdo funciona bem (section)
45. Embeddings e similaridade (chapter)
46. O que são embeddings (section)
47. Embeddings de usuários e itens (section)
48. Busca por similaridade (section)
49. Por que embeddings importam para plataformas modernas (section)
50. Geração de candidatos (chapter)
51. Por que existe a geração de candidatos (section)
52. Fontes comuns de candidatos (section)
53. Modelos de recuperação em duas torres (section)
54. Atualidade, diversidade e recall (section)
55. Ranqueamento e personalização (part)
56. Modelos de ranqueamento (chapter)
57. Ranqueamento como pontuação (section)
58. Atributos de ranqueamento (section)
59. Ranqueamento pointwise em termos simples (section)
60. De uma pontuação única à ordem do feed (section)
61. Pipelines de ranqueamento em múltiplos estágios (chapter)
62. Recuperação, pré-ranqueamento, ranqueamento e re-ranqueamento (section)
63. Por que estágios diferentes usam modelos diferentes (section)
64. Camadas de filtragem e política (section)
65. Combinação de diferentes tipos de conteúdo (section)
66. Personalização (chapter)
67. Interesses de longo prazo do usuário (section)
68. Intenção de curto prazo na sessão (section)
69. Personalização contextual (section)
70. Personalização versus repetição (section)
71. Exploração e cold start (chapter)
72. Novos usuários (section)
73. Novos itens, criadores, produtos e anúncios (section)
74. Exploração versus exploração do conhecido (section)
75. Intuição básica sobre bandits (section)
76. Sistemas de atenção aplicados (part)
77. Recomendação de vídeos curtos (chapter)
78. Feedback baseado em swipe (section)
79. Sinais centrais em vídeos curtos (section)
80. Aprendizado rápido de interesses (section)

Perguntas frequentes