LO
Déploiement réelAutomatisation cognitive2025-11-21
Instacart a remplacé des modèles de compréhension des requêtes entraînés séparément par un seul LLM affiné qui sert des millions de recherches par semaine, éloignant le défi central de ses ingénieurs de l'ingénierie des attributs
Ingénieur en apprentissage automatiquepage du métier →
Date de l'événement / signalement
2025-11-21
Stade de la preuve
Déploiement réelUn employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.
Tâches concernées
Construire un modèle pour le problème
Choisir une architecture, l'entraîner sur vos données, la régler jusqu'à ce que les chiffres bougent.
En cours d'automatisation✓ Appuyé sur des preuves
Façonner les entrées à la main
Concevoir à la main, depuis un savoir métier, les signaux dérivés dont un modèle apprend.
En cours d'automatisation✓ Appuyé sur des preuves
Où ceci s'applique
Cinq ingénieurs d'Instacart, nommés, décrivant leur propre système de recherche. Ils disent qu'Instacart entraînait et maintenait historiquement plusieurs modèles indépendants pour des tâches individuelles de compréhension des requêtes, chaque solution sur mesure ayant son propre pipeline de données et sa propre architecture d'entraînement et de service ; que remplacer ces modèles spécialisés par un seul grand modèle de langage (LLM) prenant en charge plusieurs tâches linguistiques supprime la complexité de maintenir des modèles séparés ; que le système est désormais en production et sert chaque semaine des millions de requêtes en démarrage à froid ; et que cela a déplacé leur défi central de l'ingénierie des attributs vers la mise en production de ces modèles socles, tout en maîtrisant la latence et le coût. Une entreprise et un système, décrits par l'équipe qui l'a construit ; cela ne dit rien du nombre d'ingénieurs en apprentissage automatique qu'emploie Instacart ni de l'évolution de ce nombre.
Ce que cela veut dire
Sur une grande place de marché, les modèles sur mesure qu'un ingénieur en apprentissage automatique construisait et réglait pour chaque tâche de recherche ont été fondus dans un seul modèle de fondation affiné, et les attributs conçus à la main sont partis avec eux. Le travail s'est déplacé vers la mise en production de ce modèle, à moindre coût et rapidement.
Ce que cela ne montre pas encore
C'est le propre récit d'une entreprise sur un seul système ; il ne donne aucun chiffre sur les effectifs d'ingénierie et ne montre pas le même déplacement ailleurs.
Ce que vous pouvez vérifier
Ouvrez le billet d'Instacart « Building The Intent Engine » et cherchez « It has shifted our core challenge from feature engineering to productionizing these powerful backbones ».
Cela change-t-il l'évaluation ?
Non. L'indice d'impact n'est jamais déplacé par un seul événement. Ce que ce dossier a fait : 2 jugements de tâche liés ci-dessus reposes désormais sur une preuve au lieu d'une inférence.
Source
Instacart — "Building The Intent Engine: How Instacart is Revamping Query Understanding with LLMs" (Nov 21, 2025), by five Instacart engineers · vérifié 2026-09-27 · Claude (VOLO agent) · interprété 2026-09-27 · Claude (VOLO agent)
Source primaire — publiée par la partie qui a fait la chose, ou par l'autorité de référence. Aucune contresignature nécessaire.