آشنایی با شرکت Fetch و چالش‌های پردازش تصاویر

Fetch یک پلتفرم مبتنی بر هوش مصنوعی است که مصرف‌کنندگان را از طریق اسکن رسیدها، به کسب جوایز مشوق می‌کند. همان‌طور که کاربران هفتگی‌تر اسکن می‌کنند، حجم داده‌های تصویری به سرعت در حال رشد بود. این امر باعث شد چالشی دوگانه بوجود آید: سرعت پردازش (Latency) و دقت شناسایی اطلاعات.

استفاده از Amazon SageMaker برای تسریع Pipeline ML

به‌دنبال یک راه‌حل مقیاس‌پذیر، Fetch به همکاری با Amazon SageMaker گیم‌چنجر شد. SageMaker در مقیاس ساخت، آموزش و استقرار مدل‌های یادگیری ماشین، امکاناتی مثل GPU Instances و Managed Endpoints را فراهم می‌کند. با این ترکیب، تیم Fetch می‌توانست مدل‌های Hugging Face را در محیط ابری با کمترین زمان توسعه و بیشترین کنترل، اجرا کند.

نتایج و دستاوردهای کلیدی

ادغام Hugging Face و SageMaker، به‌طور قابل توجهی شایع‌تر شد:

  • کاهش تاخیر پردازش تصاویر به میزان ۵۰٪.
  • افزایش دقت تشخیص متن و محصولات در رسیدها.
  • سرعت آزمایش مدل در محیط ابری، منجر به کاهش چرخه‌زمان ۲۰٪ شد.
  • مقیاس‌پذیری بی‌نهایت با استفاده از Horizontal Scaling در SageMaker Endpoints.

نتیجه‌گیری واضح است: هوش مصنوعی در پردازش لحظه‌ای تصاویر، می‌تواند با یکپارچه‌سازی مناسب با پلتفرم ابری، به سرعت و دقت مراحل تصمیم‌گیری را بهبود بخشد. برای Fetch، این به معنی رضایت بیشتر کاربران، داده‌های دقیق‌تر برای برندهای شریک و سودآوری افزایشی بود.

پرسش‌های پرتکرار

کاهش ۵۰٪ تاخیر در پردازش چطور بر تجربه کاربر تأثیر می‌گذارد؟

کاهش تاخیر به معنی پاسخ سریعتر برای کاربران است؛ به‌منظور این که زمان انتظار برای تایید رسید را از چند ثانیه به زیر ثانیه کاهش می‌دهد و در نتیجه رضایت و اعتماد آنها افزایشی پیدا می‌کند.

چگونه Hugging Face و SageMaker در کنار هم همکاری می‌کنند؟

Hugging Face مدل‌های پیش‌آموزش‌ده و قابل دسترس در Hub را فراهم می‌کند؛ SageMaker این مدل‌ها را بر روی GPU Instances می‌نصب، آموزش می‌دهد و به‌صورت مؤثر به عنوان یک Endpoints مدیریت می‌شود، از این‌رو هم‌چنان با کنترل کامل ابری در دسترس است.