iFood

Atualizações de pedidos e entregas importam para muitos consumidores. Streaming permite publicar mudanças sem que o produtor seja dono de toda carga analítica ou de ML.

Airflow orquestra workflows; não é o transporte de cada evento. Separe ingestão contínua de recálculo agendado e defina explicitamente replay, deduplicação e dados atrasados.

O material do feature store do iFood conecta Spark, Databricks e tabelas Delta: um histórico único para processamento, features offline e análise, em vez de extrações separadas por consumidor.

Um estudo mais recente da Databricks reporta 67% menos custo de processamento e armazenamento e 70% menos manutenção após migrar para pipelines declarativos — resultados daquela iniciativa, não promessas universais.

Usos documentados de ML incluem recomendação de restaurantes e pratos, estimativa do tempo de entrega e alocação de entregadores. Uma previsão é entrada para uma decisão, não o sistema decisório inteiro.

Trate atualização, chaves de entidade e significado histórico como parte do contrato de cada feature, para treino offline e serving online concordarem.

O estudo de Databricks e Tableau descreve um simulador para testar hipóteses antes de mudar a produção — 10.000 simulações em um único mês.

Esse ciclo é diferente da alocação ao vivo: a simulação avalia políticas; os serviços operacionais agem sobre as condições atuais. Mantenha os dois conectados sem confundi-los.