نکات کلیدی پروژه Fetch
Fetch، اپلیکیشن پاداش خریداری‌کنندگان، با بیش از ۱۸ میلیون کاربر فعال، اقدام به بازسازی پلتفرم هوش مصنوعی کرد. به‌جای استفاده از ابزارهای سوم‌نفره، به‌صورت سفارشی ابزارهای تشخیص، پردازش و تحلیل رسید را ایجاد کردند.
نحوه همکاری با Hugging Face و AWS
با بهره‌گیری از خدمات مدل‌پردازان و مستندسازی متن‌باز Hugging Face، همراه با مقیاس‌پذیری AWS، سرعت پردازش رسیدها به ۱۱ میلیون تل در روز رسید. این همکاری باعث شد تا تاخیر در تحلیل به نصف کاهش یابد و هزینه‌های عملیات به مقدار قابل‌ملاحظه‌ای کاهش کنند.
فواید و تأثیرات بر کسب‌وکار
- کاهش زمان توسعه ۳۰٪
- کاهش تاخیر پردازش به ۵۰٪
- صرفه‌جویی در هزینه‌های محاسباتی ۱۵٪
- افزایش دقت در تجزیه و تحلیل مشتریان
- امکان انعطاف‌پذیری بالا در افزودن ویژگی‌های جدید
این دستاورد، نشان دهنده قدرت هماهنگی بین متن‌باز و ابری است که می‌تواند به‌سرعت مقررات هوش مصنوعی را به‌عنوان یک بار آورندهٔ ارزش برای صنعت‌های مختلف تجزیه و تحلیل داده تبدیل کند.
پرسش‌های پرتکرار
چگونه Fetch با استفاده از Hugging Face به کاهش تاخیر دست یافت؟
با فراخوانی مدل‌های تولید متن و پردازش تصویر به‌صورت موازی و استفاده از نودهای سرور شخصی در AWS، زمان پردازش رسیدها به نصف کاهش یافت.
آیا این مدل‌ها فقط برای رسیدها کاربرد دارند؟
نه، ساختار پایهٔ این ابزارها برای پردازش متن و تصویر قابل انتقال به زمینه‌های دیگر مثل تحلیل نظرات مشتریان، یا تجزیه و تحلیل خرید در زمان واقعی می‌باشد.
