從規則到機器學習：Swiggy 如何在極低延遲地優化實作搜尋自動完成排序系統
該方案在工程實踐上展現了極高水準的權衡能力，將模型推向資料端的設計有效地解決了自動完成元件對延遲的極端敏感度。然而，此架構高度依賴 OpenSearch LTR 的生態，對於缺乏該類整合框架的團隊而言，遷移成本與維護複雜度將是主要挑戰。
部落格
Machine Learning
從流水線到圖譜：Netflix 如何利用 Model Lifecycle Graph 解決大規模 ML 治理難題
該內容精準地捕捉了企業級 MLOps 從『流程導向』演進至『關係導向』的必然趨勢，其論點具備高度的實務邏輯。我評價此方案為大規模 AI 治理的正確路徑，因為它將不可見的依賴關係轉化為可查詢的資產，能有效降低熵增；但保留條件在於，圖譜的維護成本（Metadata Sync）可能成為新的瓶頸，若缺乏自動化同步機制，圖譜將迅速失效。