یک مسیر بدون تیم MLOps
Rocket Money، اپلیکیشنی در حوزهٔ مدیریت مالی شخصی، به منظور بهبود وضعیت مالی کاربران خود، بانک‌های مختلف را به آن متصل می‌کند. پیگیری تراکنش‌ها و تشخیص معاملات باز‌تکرار، پایهٔ تصمیم‌گیری آن‌هاست. در این مسیر، راه‌حل‌های سنتی نیاز به تیم‌های MLOps داشتند؛ اما با همکاری Hugging Face، این نیاز حذف شد.
کاهش بخش‌های پیچیده با پشتیبانی Hugging Face
از طریق اندازه‌گیری و انتخاب مدل به‌صورت خودکار، Rocket Money امکان انتخاب بهترین مدل برای تشخیص فعالیت‌های مالی را داشت. تیم‌های فنی با کمک مستندات و APIهای Hugging Face، پارامترهای مدل را به‌صورت پویا تنظیم می‌کردند و به‌روزرسانی مدل‌ها را بدون دخالت دستی انجام می‌دادند.
نتایج عملی و گامی در راه دموکراتیزه کردن AI
با این ساختار، Rocket Money توانست در مقیاس ۹۶۰ میلیون تراکنش در ماه با نرخ دقت بالاتر از ۹۵٪، خدمات خود را ارائه دهد. تیم موردنظرم: "نمودارها و ابزارهای Hugging Face، شریک واقعی برای رسیدن به اهداف ما بودند." این همکاری، نشان دهندهٔ قدرت همکاری باز برای توسعه و انتشار مدل‌های هوش مصنوعی در دنیای واقعی می‌باشد.
- انتخاب مدل‌های جدید بر مبنای دقت و سرعت اجرا
- استفاده از به‌روزرسانی پویا بدون نیاز به مستندسازی دستی
- حفظ حریم خصوصی با ذخیرهٔ داده‌ها در سحابی امن
- سهم‌گذاری نمونه کد و استخرهای عمومی در GitHub
پرسش‌های پرتکرار
Rocket Money چگونه مدل‌های مالی را بدون تیم MLOps مقیاس‌پذیری کرده است؟
با استفاده از پلتفرم Hugging Face، مدل‌ها به‌صورت خودکار انتخاب، به‌روزرسانی و سطح‌بندی می‌شوند و نیازی به اسناد دستی و تیم‌های خاص نیست.
نقش Hugging Face در این همکاری چیست؟
Hugging Face ابزارها، مستندات، و APIهای قدرتمندی فراهم می‌کند که به Rocket Money امکان می‌دهد مدل‌های یادگیری ماشین را به‌سرعت مقیاس کند و در عین حال از حریم خصوصی مشتریان محافظت نماید.
