Construire un moteur de correspondance d'IA sans grandes ressources technologiques

Étude de cas Pairfect IO + cadre pratique

La plupart des gens pensent que la correspondance sur les marchés se résume à des filtres et à un tri.

Ce n’est pas le cas. La correspondance est une architecture. C'est le mécanisme qui décide qui doit rencontrer qui. Lorsque la correspondance échoue, l’ensemble du marché s’effondre : aucune UX, aucun design et aucun budget publicitaire ne peuvent le sauver.

Cet article explique comment nous avons créé un moteur de correspondance alimenté par l'IA pour Pairfect IO, une place de marché reliant les marques aux influenceurs, sans :

• données d'entraînement
• signaux comportementaux
• boucles de rétroaction
• GPU
• Piles d'opérations ML
• Pomme de pin/Milvus/Weaviate
• et sans 200 ingénieurs ML comme LinkedIn

Tout fonctionnait sur PostgreSQL + pgvector, avec explicabilité, déterminisme et chemin d'évolution. Si vous créez un marché et avez besoin d'une correspondance qui fonctionne avant de disposer de données Big Tech, ceci est pour vous.

Pourquoi la correspondance est plus difficile qu'il n'y paraît

La correspondance semble triviale de l’extérieur. Mais l’adéquation au niveau de la production est un système axé sur les résultats.

Prenez LinkedIn. Leur mise en correspondance fonctionne car elle apprend de :

• candidatures
• taux d'acceptation
• comportement du recruteur
• chevauchement du réseau
• signaux d'engagement
• données de conservation

En d’autres termes : LinkedIn ne « devine pas la pertinence ». Il apprend la pertinence des résultats.

Comparez maintenant cela avec un marché au stade de démarrage.

Pairfect a commencé avec :

• pas de données étiquetées
• aucune donnée comportementale
• aucune interaction
• aucun signal de clic
• pas de graphique d'intégration
• pas de GPU
• Postgres comme seule infrastructure accept...
  [Courte citation de 8% de l'article original]