Modèle de billet

2019-02-13 03:42

Pour empêcher les performances du modèle COTA v2 de se décomposer au fil du temps, nous avons créé un pipeline de gestion du cycle de vie de modèle (MLMP) sur notre DLSP. En particulier, nous avons exploité l`outil de planification interne de l`emploi d`uber Piper pour construire un pipeline de bout en bout pour recycler et redéployer nos modèles à une fréquence fixe. Un autre défi que nous avons abordé consistait à déterminer comment maintenir la fraîcheur du modèle en raison de la nature dynamique des activités d`uber. À la lumière de cela, un pipeline était nécessaire pour reformer et redéployer fréquemment des modèles. Les billets et les passes peuvent être achetés sur une nouvelle plateforme en ligne à disneyworld.com. Il comprend une option qui montrera les mois avec les prix des billets les plus bas. À partir de maintenant, ces mois comprennent janvier, février, avril août et septembre. Après l`intégration avec Michel-Ange, nos tests en ligne confirment que le système d`apprentissage profond COTA v2 fonctionne nettement mieux que le système COTA v1 en termes de métriques clés, y compris les performances du modèle, le temps de traitement des tickets et la satisfaction du client. Au lieu de se cacher, de réduire, de dissimuler ou de s`éloigner de ces aspects de leurs apparences, ces modèles ont choisi d`utiliser ce qui les rend différents de leur avantage, plutôt que d`essayer d`être comme tout le monde. Il s`avère, célébrant et soulignant ce qui vous rend différent ou unique comme un modèle est ce qui vous fera vous démarquer et être mémorable! Il est difficile de dire si ces modèles auraient eu le même cheminement de carrière et de succès s`ils n`embrassaient pas leurs différences, mais il n`a certainement pas blessé leur carrière! Plus tôt cette année, nous avons introduit le système Customer obsession ticket Assistant (COTA) d`uber, un outil qui exploite les techniques d`apprentissage automatique et de traitement du langage naturel (PNL) pour recommander des réponses de ticket de support (type de contact et réponse) au client les agents de support, avec le type de contact étant la catégorie d`émission à laquelle le ticket est assigné et répondez aux agents de modèle utilisés pour répondre. Après l`avoir intégré à notre plateforme de support client, COTA v1 a réduit les délais de résolution des tickets de langue anglaise de plus de 10% tout en fournissant un service avec des niveaux de satisfaction client similaires ou supérieurs. En concevant notre DLSP, nous voulions assigner des tâches aux CPU et aux GPU en fonction du matériel le plus efficace. La définition du pipeline en deux étapes, l`une pour le pré-traitement Spark et l`autre pour l`apprentissage profond, semblait être la meilleure façon d`allouer la charge de travail.

En étendant le concept d`un pipeline Spark, nous pouvons servir des modèles pour la prédiction par lots et les services de prédiction en temps réel à l`aide de notre infrastructure existante.