Dicas

Modele de ticket

La durée moyenne de la poignée par ticket est beaucoup plus faible pour le groupe de traitement tout au long de la phase de test A/B, comme illustré à la figure 6 (b). Une observation supplémentaire de la figure 6 (a) est que les performances du modèle se désintègre au fil du temps, soulignant la nécessité de la gestion du modèle pipeline MLMP illustrée à la figure 5. (Note: pour assurer la cohérence, nous n`avons pas reformer les modèles au cours de l`expérience). 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. Bien qu`il ne soit pas insurmontable, ce niveau de difficulté pour une tâche en cours pourrait, au fil du temps, décourager l`entretien régulier. Idéalement, nous voulions exploiter Spark pour les transformations de la PNL de façon distribuée. Les calculs Spark sont généralement effectués à l`aide de clusters CPU. D`autre part, la formation d`apprentissage profond fonctionne plus efficacement sur une infrastructure basée sur GPU. Pour répondre à cette dualité, nous devions trouver un moyen d`utiliser à la fois les transformations Spark et la formation GPU, ainsi que de construire un pipeline unifié pour la formation et le service du modèle d`apprentissage profond. Selon le nouveau modèle de tarification, les prix des billets dépendront du jour de la visite.

Dans certains cas, le coût est plus, dans d`autres cas, le coût est moins. Au lieu de se cacher, de réduire, de dissimuler ou de s`éloigner de ces aspects de leurs apparences, ces modèles ont choisi d`utiliser ce qui les rend différents de leur avantage, plutôt que d`essayer d`être comme tout le monde. Il s`avère, célébrant et soulignant ce qui vous rend différent ou unique comme un modèle est ce qui vous fera vous démarquer et être mémorable! Il est difficile de dire si ces modèles auraient eu le même cheminement de carrière et de succès s`ils n`embrassaient pas leurs différences, mais il n`a certainement pas blessé leur carrière! Pour résumer brièvement, le COTA v1 a été construit avec des techniques traditionnelles de modélisation et de machine learning qui intègrent un mélange de caractéristiques textuelles, catégorielles et numériques, comme illustré à la figure 1 (a), ci-dessous: Si vous êtes allé sur Ticketmaster en janvier et a tiré vers le haut d`un siège de troisième rangée pour Taylor Swift 2 juin spectacle à Chicago Soldier Field, il vous aurait coûté $995. Mais si vous avez regardé le même siège trois mois plus tard, le prix aurait été $595. C`est parce que SWIFT a adopté des «prix dynamiques», où les billets de concert – comme les sièges d`avion – changent constamment de prix pour s`adapter à la demande du marché. C`est un mouvement destiné à presser le marché des billets secondaires-mais il est également laissé de nombreux fans confus car ils sont invités à payer des centaines de dollars de plus que la valeur nominale. «Fondamentalement, Ticketmaster fonctionne comme StubHub, dit une source de concert-Business. 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.