現代工業電子商務平台通常提供顧客多種選擇。 過多的選擇通常需要推薦系統來引導使用者有效地發現他們想要的商品。 這對於時尚和家居等以風格為導向的行業尤為重要。 在這些領域，顧客幾乎擁有無限的選擇，並依靠零售商和推薦系統輕鬆有趣地發現「正確」的產品系列，以完成特定場合的服裝或為他們的家佈置一個房間。

完整造型 (Complete the Look，CTL) 模型的目標是滿足時尚和家居領域的此類需求：開發一個模型，圍繞客戶在給定商品頁面上考慮的當前商品生成完整的風格化服裝。 為了有效地做到這一點，需要一個模型( Model )，不僅可以找到正確的產品類型（服裝），共同構成一套完整的造型，而且還可以從款式/品牌/價格/顏色中選擇相互補充的正確的單品，呈現整體主題營造連貫的外觀。

這篇是 Walmart 全球科技部落格中分享其使用多種演算法來產生和擴展 CTL 建議。本文解釋和闡述了演算法外觀產生和外觀覆蓋擴展演算法。

想知道機器學習真實產品是如何建立的嗎？本篇由 Stripe 的詐欺防治小組工程師揭露 Stripe 如何開發出必防治詐欺 AI 解決方案 Radar。它評估潛在交易的 1,000 多個特徵，以確定其欺詐的可能性，允許良好的交易通過，並阻止有風險的交易或將其轉移到額外的安全檢查。 它在不到 100 毫秒的時間內準確地做出了這個決定。 在 Stripe 上進行的數十億筆合法支付中，Radar 僅錯誤地阻止了 0.1%。