Совместное использование контейнерного окружения и сервера Nvidia GPU позволило специалистам по обработке данных Domino создавать более функциональные и достоверные модели для улучшения операций хранения и доставки.
Когда используются слова (AI)("искусственный интеллект") и (ML)("машинное обучение"), люди часто думают о передовых отраслях промышленности, таких как исследование космоса и биомедицина, которые в значительной степени опираются на исследования и разработки. Дело в том, что искусственный интеллект и ML должны быть тем, на что смотрят все отрасли, включая розничную торговлю. Сейчас мы находимся в эпоху обслуживания клиентов, и небольшие различия в обслуживании могут иметь большое значение для доли рынка.
На прошлой неделе Nvidia провела виртуальную версию ежегодной конференции по GPU-технологиям (GTC), которая стала витриной для реальных случаев использования AI/ML. Исторически выставка была высокотехнологичной, но с годами она превратилась в мероприятие, на котором компании демонстрируют, как они используют передовые технологии для преобразования своего бизнеса.
Domino's использует AI и ML для улучшения работы магазинов и онлайн-операций.
Domino's - это пример знакомого розничного бизнеса, который представил, как он использует AI и ML. Компания придумала успешный рецепт, чтобы изменить способ своей работы. Секретным ингредиентом является технология Nvidia, которую использует ведущая сеть пиццерий для улучшения работы магазинов и интернет-магазинов, обеспечения лучшего обслуживания клиентов и более эффективного маршрутизации заказов.
В результате, компания Domino's видит более счастливых клиентов и больше советов для своих водителей. Но это лишь маленький кусочек многогранного пирога. Так что же нужно, чтобы доставить изделия из магазина Domino в чей-то дом? Ответ довольно сложный.
Команда Domino создала модель прогнозирования доставки, которая прогнозирует, когда заказ будет готов, используя атрибуты заказа и то, что происходит в магазине Domino, такие как количество сотрудников, менеджеров и клиентов, присутствующих в данный момент. Модель была основана на большом наборе данных о пяти миллионах заказов, который не является массивным, но достаточно большим для создания достоверных моделей. Все будущие заказы возвращаются в систему для дальнейшего повышения достоверности модели.
Настольные компьютеры и ноутбуки не режут AI и ML.
Предыдущие модели Domino использовали ноутбуки и настольные компьютеры с GPU, и на обучение ушло более 16 часов. Длительный период времени чрезвычайно усложнил задачу усовершенствования модели, сказал менеджер по данным и искусственному интеллекту Domino Закари Фрагосо (Zachary Fragoso) во время презентации на виртуальной выставке GTC 2020.
ITaaS, также известный как "IT на основе потребления" или "IT на основе оплаты за использование", может стать следующим рубежом в IT-стратегии вашей компании.
Дополнительная вычислительная мощность DGX-1 позволила специалистам по работе с данными компании Domino обучать более сложные модели за меньшее время. Система сократила время обучения до менее чем часа и повысила точность прогнозов заказов с 75% до 95%. По словам Фрагосо, тест показал, как система Domino может повысить производительность за счет более быстрого обучения моделей.
Раньше делиться работой между командами - включая обзоры кода и тестирование качества - было непросто, поскольку специалисты по данным работали в своих собственных локальных средах. Теперь, когда ученые работают с общим сервером DGX-1, они могут легко обмениваться контейнерами Docker, которые полностью настраиваются и воспроизводятся. Это дает ученым, работающим с данными, большой пул ресурсов для работы и доступа к ним, когда это необходимо, поэтому они не сидят сложа руки. Решение Docker, интегрированное Domino с DGX-1, также упрощает воспроизведение кода в различных средах, так как все данные содержатся в изображении Docker.
AI и ML быстро движутся в области ИТ-отделов.
Привлечение стека вывода внутри компании позволяет компании Domino пользоваться всеми преимуществами, которые предлагают облачные провайдеры для хостинга моделей ML, сохраняя при этом все данные и ресурсы на территории компании. Это изменило способ развертывания моделей учеными, работающими с данными, давая им гораздо больший контроль над процессом развертывания, объяснил Fragoso в своей презентации.
В заключение Fragoso посоветовала другим компаниям, которые хотят внедрить эти технологии в своей компании: "Подумайте о том, как ваши специалисты по работе с данными будут работать вместе и сотрудничать". В нашем случае DGX-1 и наши специалисты по работе с данными взаимодействуют в едином рабочем пространстве. Это было то, о чем наша команда не задумывалась, когда мы впервые приобрели этот продукт, и это было реальной ценностью для нас".
Исторически сложилось так, что исследователи данных действовали как независимые силосохранилища внутри компаний. Все больше и больше ИТ-организаций просят взять на себя задачу предоставления правильных технологий для инициатив AI и ML. Ученые в области данных являются дорогим ресурсом для большинства компаний, и то, что они сидят и ждут, пока модели закончатся, сродни выкидыванию хорошей пиццы в окно. Правильно подобранная инфраструктура, такая как серверы серии DGX, позволяет компаниям ускорить время обработки данных, чтобы ученые, занимающиеся данными, могли работать больше и меньше ждать.