尽管在刚刚问世时,基于静态模型的机器学习算法,展现出了很高的分发效率优势,目前看来,也仍旧能够满足大部分用户的需求。但在某些场景下,还是会有鞭长莫及的地方:
首先,是高质量流媒体体验带来的技术要求。目前主流内容平台都在向音视频业务推进,面对多元化内容和行为数据的及时分发,高延迟的解决方案就变得不太理想了。
另外,传统的机器学习算法,往往会为用户打上各种各样的偏好标签,难以对即时或潜在的信息需求及时洞察与响应。这就会使用户在“贴心”之余幸福地进入信息茧房,习惯性地被既有兴趣所引导,失去了探索未知的动力和可能性。
更为重要的是,静态模型对历史数据的规模化处理,只是一种理想状态的假设。由于技术能力和隐私授权等重重限制,实现“全样本”的数据分析几乎不可能,结果就是其统计结果往往“以偏概全”。
因此,作为一种更加高效的解决方案,实时机器学习自然成为了接下来媒体平台提升用户体验的主战场。