DoorDash gestiona millones de platos en su catálogo, cada uno descrito de forma distinta por los restaurantes. Esa falta de estandarización complica la generación de metadatos fiables con métodos tradicionales, sobre todo porque un mismo plato puede describirse de muchas maneras y nombres similares pueden corresponder a productos muy diferentes. Para resolverlo, la compañía ha construido una plataforma de metadatos basada en IA que infiere atributos de cada plato y de cada tienda —por ejemplo, si un plato es picante o si la cocina de un restaurante es china— a partir de señales multimodales: texto, imágenes y búsquedas web.
La plataforma incorpora varias innovaciones técnicas. Un sistema de "jurados de LLM" —múltiples modelos de lenguaje que evalúan de forma independiente cada etiqueta propuesta y votan para llegar a un consenso— elevó la precisión de la anotación alrededor de un 20% frente a revisores humanos. Agentes de optimización de contexto, inspirados en aprendizaje por refuerzo, analizan los fallos del prompt y proponen mejoras iterativas en minutos, lo que aumentó la precisión más de un 20% y aceleró diez veces el desarrollo de prompts. La inferencia distribuida redujo el tiempo de backfill de más de un mes a pocos días, y la anotación automatizada permitió ajustar modelos pequeños para igualar la calidad de LLMs frontera con solo el 10% del coste de inferencia y sin intervención humana.
El flujo general parte de actualizaciones de menú y deduplicación, pasa por generadores de IA, validación estructural y evaluación continua mediante el jurado de LLM, e incluye un mecanismo para que los comerciantes validen o corrijan atributos. DoorDash destaca tres lecciones clave: la calidad del conjunto de evaluación guía toda la optimización, los casos de fallo aportan más señal que los aciertos, y optimizar el prompt es análogo a optimizar los pesos de un modelo. La arquitectura permite desplegar IA generativa de forma fiable y rentable a escala, mejorando tanto el flujo de ingeniería como la experiencia del consumidor en la app.