Modele de tickets

Si vous avez des yeux Super-expressifs, ils peuvent être un excellent outil pour la modélisation, car ils vont vraiment faire vos photos prendre vie. La prochaine fois que vous pensez de cacher ou de couvrir vos caractéristiques uniques avant une audition ou casting appel, essayez de les souligner à la place et il pourrait conduire à votre grande rupture dans le monde de la modélisation! Pensez à certains des modèles les plus emblématiques à travers l`histoire. Prenons Lauren Hutton, Iman, Cara Delevinge, Cindy Crawford, et Tyra Banks. Chacun d`eux a trouvé un succès massif dans l`industrie de la modélisation (et dans les affaires, les films, la télévision, la conception de la mode, et les cosmétiques) ils sont bien connus pour leurs carrières de modélisation, mais ils ont chacun une caractéristique spécifique qui les rend instantanément reconnaissable. Mis à part le succès, ils ont chacun quelque chose d`autre en commun: une caractéristique unique que d`autres peuvent essayer de minimiser ou de réduire, mais celui que chacun d`eux a choisi d`embrasser! 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. 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. LAKE BUENA VISTA, Floride — Disney World a déployé un nouveau modèle de tarification des tickets ainsi qu`une nouvelle plate-forme pour l`achat de billets. Les billets achetés avant le début de ce nouveau modèle ne seront pas effectués.

Divers prix des billets WDW devraient également augmenter ce jour-là, mais cela n`a pas encore été annoncé. La figure 3 (b) décrit comment nous servons le modèle formé à l`aide d`un pipeline Spark d`apprentissage profond pour la prédiction par lots et les services de prédiction en temps réel. Le Spark pipeline construit à partir de l`entraînement contient à la fois des transformateurs de pré-traitement et des transformations TensorFlow. Nous avons étendu Michel-Ange pour soutenir le service des pipelines génériques Spark et utilisé l`infrastructure de déploiement et de service existante pour servir le modèle d`apprentissage profond. Le pipeline utilisé pour le service s`exécute sur une machine virtuelle Java (JVM). Les performances que nous voyons pendant le service ont une latence de P95 < 10ms, ce qui démontre l`avantage d`une faible latence lors de l`utilisation d`une infrastructure de service JVM existante pour les modèles d`apprentissage profond. En étendant Spark pipelines pour encapsuler des modèles d`apprentissage profond, nous avons pu tirer parti du meilleur des mondes CPU et GPU: 1) le calcul distribué des transformations Spark et la portion à faible latence de Spark pipelines à l`aide des CPU et 2) le l`accélération de la formation des modèles d`apprentissage profond à l`aide de GPU. En bref, l`apprentissage profond peut améliorer la précision de prédiction du Top 1 de la solution de 16% (de 49% à 65%) pour le modèle de type de contact, et de 8% (de 47% à 55%) pour le modèle de réponse comparé à COTA v1, qui peut améliorer directement la expérience de support client. Deuxièmement, notre implémentation originale n`a pas été suffisamment extensible pour être utilisée par les futurs modèles de la PNL.

Depuis, nous avons fait un effort très conscient pour développer un processus de déploiement d`apprentissage profond qui ouvre la porte non seulement pour nos modèles, mais aussi pour ceux de toutes les autres équipes d`uber. Sur la base de ces exemples et beaucoup plus, l`apprentissage profond semblait être un choix naturel pour le développement de COTA v2. En effet, grâce à des expériences hors ligne, nous avons constaté que les modèles d`apprentissage profond pouvaient fournir des prédictions de résolution de tickets beaucoup plus précises par rapport à COTA v1. Alors que la COTA v1 a accéléré la résolution des tickets de soutien, il y avait deux domaines principaux que nous avons identifiés pour amélioration. Premièrement, le COTA v1 a procédé à un échantillonnage négatif d`une manière excessivement complexe qui rendait difficile la formation de nos modèles. Combiné avec des dépendances dans des tableaux de données spécifiques, ce facteur a finalement fait de la réorganisation de la COTA une entreprise substantielle.

Comments are closed.