Вопрос проверяет понимание роли оффлайн-вычислений и их влияния на масштабируемость рекомендательных систем.
Заранее рассчитываются данные, которые требуют тяжёлых вычислений и редко меняются. Это эмбеддинги, модели, глобальные рейтинги. Их нельзя эффективно считать на лету. Предрасчёт снижает нагрузку и ускоряет API. Онлайн-часть использует эти данные как основу.
Оффлайн-вычисления позволяют рекомендательной системе быть быстрой и устойчивой.
Перед перечислением важно зафиксировать: всё, что дорого считать, лучше считать заранее.
Модели
веса ML-моделей
правила ранжирования
Эмбеддинги
пользователей
объектов
Глобальные агрегаты
популярность
рейтинги
Кандидаты рекомендаций
топ-N списки
Долгосрочные признаки
история пользователя
Batch processing
Периодическое обновление
Хранение в быстром доступе
Предварительно рассчитываются тяжёлые и редко меняющиеся данные. Это позволяет онлайн-сервису рекомендаций работать быстро и предсказуемо под нагрузкой.
