სამომხმარებლო ჩართულობისა და ჯილდოების კომპანია Fetch მომხმარებლებს სთავაზობს აპლიკაციას, რომლის მეშვეობითაც მათ შეუძლიათ თავიანთი შესყიდვებიდან ჯილდოების მიღება ქვითრების დასკანერებით. კომპანია ასევე ამუშავებს ამ ქვითრებს, რათა მიიღოს ინფორმაცია მომხმარებელთა ქცევის შესახებ და მიაწოდოს ეს მონაცემები ბრენდ პარტნიორებს. ყოველკვირეული სკანირების სწრაფი ზრდის გამო, Fetch-ს დასჭირდა სიჩქარისა და სიზუსტის გაუმჯობესება. Amazon Web Services-ზე (AWS), Fetch-მა მოახდინა მანქანური სწავლების (ML) პაიპლაინის ოპტიმიზაცია Hugging Face-ისა და Amazon SageMaker-ის გამოყენებით. Amazon SageMaker არის სერვისი ML მოდელების შესაქმნელად, გასაწვრთნელად და განსათავსებლად სრულად მართული ინფრასტრუქტურით, ხელსაწყოებითა და სამუშაო პროცესებით. ახლა Fetch-ის აპლიკაციას შეუძლია სკანირების დამუშავება უფრო სწრაფად და მნიშვნელოვნად მაღალი სიზუსტით. Fetch აპლიკაციის გამოყენებით, მომხმარებლებს შეუძლიათ ქვითრების დასკანერება, ქულების მიღება და მათი სასაჩუქრე ბარათებზე გადაცვლა. იმისთვის, რომ მომხმარებლები ქვითრების დასკანერებისთვის მყისიერად დაჯილდოვებულიყვნენ, Fetch-ს უნდა შეძლებოდა ტექსტის აღება ქვითრიდან, შესაბამისი მონაცემების ამოღება და მათი სტრუქტურირება ისე, რომ სისტემის დანარჩენ ნაწილს შეძლებოდა მათი დამუშავება და ანალიზი. კვირაში 80 მილიონზე მეტი ქვითრის დამუშავებით — პიკური დატვირთვისას წამში ასობით ქვითარი — საჭირო იყო ამ პროცესის სწრაფად, ზუსტად და მასშტაბურად განხორციელება. 2021 წელს Fetch-მა მიზნად დაისახა აპლიკაციის სკანირების ფუნქციონალის ოპტიმიზაცია. Fetch არის AWS-ზე დაფუძნებული კომპანია და მისი ML ოპერაციების გუნდი უკვე იყენებდა Amazon SageMaker-ს მრავალი მოდელისთვის. ამან გაამარტივა გადაწყვეტილება, გაეუმჯობესებინა ML პაიპლაინი მოდელების Amazon SageMaker-ზე მიგრაციით. მთელი პროექტის განმავლობაში Fetch ყოველკვირეულად მართავდა ზარებს AWS-ის გუნდთან და იღებდა მხარდაჭერას სფეროს ექსპერტისგან, რომელიც AWS-მა Fetch-ს დაუნიშნა. კომპანიამ 12 თვეში Amazon SageMaker-ის გამოყენებით ხუთზე მეტი ML მოდელი შექმნა, გაწვრთნა და განათავსა. 2022 წლის ბოლოს, Fetch-მა გამოუშვა განახლებული მობილური აპლიკაცია და ახალი ML პაიპლაინი. Fetch-ის ML პაიპლაინი მუშაობს Amazon SageMaker-ის რამდენიმე ფუნქციის მეშვეობით, განსაკუთრებით Amazon SageMaker Model Training-ის, რომელიც ამცირებს ML მოდელების მასშტაბურად წვრთნისა და ოპტიმიზაციის დროსა და ღირებულებას, ასევე Amazon SageMaker Processing-ის, რაც არის გამარტივებული, მართული გამოცდილება მონაცემთა დამუშავების სამუშაოების შესასრულებლად. კომპანია თავის მორგებულ ML მოდელებს ამუშავებს მრავალ-GPU ინსტანციების გამოყენებით სწრაფი მუშაობისთვის. „Amazon SageMaker-ზე GPU ინსტანციების გამოყენება მარტივია“, – ამბობს ელენ ლაითი, Fetch-ის backend ინჟინერი. Fetch ავარჯიშებს ამ მოდელებს, რათა იდენტიფიცირება გაუკეთოს და ამოიღოს ქვითრებიდან ძირითადი ინფორმაცია, რომლის გამოყენება კომპანიას შეუძლია ღირებული ინფორმაციის გენერირებისთვის და მომხმარებლების დაჯილდოებისთვის. Amazon SageMaker-ზე Fetch-ის მორგებული ML სისტემა შეუფერხებლად მასშტაბირებადია. „Amazon SageMaker-ის გამოყენებით, ჩვენ გვაქვს სისტემების მასშტაბირების მარტივი გზა, განსაკუთრებით ინფერენციისთვის და გაშვების დროისთვის“, – ამბობს სემ კორზაინი, Fetch-ის ML ინჟინერი. ამასთან, მოდელების სტანდარტიზებული განლაგება ნაკლებ ხელით შესრულებად სამუშაოს ნიშნავს. Fetch ძლიერად დაეყრდნო Amazon SageMaker-ის ML სასწავლო ფუნქციებს, განსაკუთრებით მის სასწავლო სამუშაოებს, მოდელების დახვეწისა და იტერაციის დროს. Fetch-ს ასევე შეუძლია ML მოდელების პარალელურად წვრთნა, რაც აჩქარებს განვითარებასა და განლაგებას. „მოდელების განლაგება ჩვენთვის თითქმის არანაირ სირთულეს არ წარმოადგენს“, – ამბობს ალეკ სტაშევსკი, Fetch-ის გამოყენებითი მეცნიერი. „ძირითადად, ჩვენ ამაზე ფიქრი არ გვჭირდება.“ ამან გაზარდა ნდობა და გააუმჯობესა პროდუქტიულობა მთელი კომპანიისთვის. ერთ-ერთი მაგალითით, ახალმა სტაჟიორმა სამუშაოზე მოსვლიდან მესამე დღეს თავად შეძლო მოდელის განლაგება. Amazon SageMaker-ის მიღების შემდეგ ML ოპტიმიზაციისთვის, წვრთნისა და გადამზადებისთვის, Fetch-მა 200 პროცენტით გააუმჯობესა დოკუმენტის აღქმის მოდელის სიზუსტე. ის აგრძელებს თავისი მოდელების დახვეწას შემდგომი გაუმჯობესებისთვის. „Amazon SageMaker იყო ძირითადი ინსტრუმენტი ამ გამორჩეული მოდელების შესაქმნელად“, – ამბობს კუენსი იუ, Fetch-ის ML ინჟინერი. ოპტიმიზაციის პროცესის გასაუმჯობესებლად, Fetch ეყრდნობა Amazon SageMaker Inference Recommender-ს, Amazon SageMaker-ის შესაძლებლობას, რომელიც ამცირებს ML მოდელების პროდუქციაში გაშვებისთვის საჭირო დროს დატვირთვის ტესტირებისა და მოდელის ოპტიმიზაციის ავტომატიზაციით. თავისი მორგებული ML მოდელების გარდა, Fetch იყენებს AWS Deep Learning Containers-ს (AWS DL კონტეინერები), რომელთა გამოყენება ბიზნესს შეუძლია ღრმა სწავლების გარემოს სწრაფად განსათავსებლად ოპტიმიზებული, წინასწარ შეფუთული კონტეინერის სურათებით. ეს ამარტივებს Hugging Face Inc.-ის (Hugging Face) ბიბლიოთეკების გამოყენების პროცესს, რომელიც არის ხელოვნური ინტელექტის ტექნოლოგიური კომპანია და AWS-ის პარტნიორი. კერძოდ, Fetch იყენებს Amazon SageMaker Hugging Face Inference Toolkit-ს, ღია კოდის ბიბლიოთეკას ტრანსფორმატორის მოდელების მოსამსახურებლად, და Hugging Face AWS Deep Learning Container-ს წვრთნისა და ინფერენციისთვის. „Hugging Face AWS Deep Learning Container-ის მოქნილობის გამოყენებით, ჩვენ შეგვეძლო ჩვენი მოდელების ხარისხის გაუმჯობესება“, – ამბობს კორზაინი. „და Hugging Face-ის პარტნიორობა AWS-თან ნიშნავდა, რომ ამ მოდელების განლაგება მარტივი იყო.“ ყველა მეტრულ მონაცემისთვის, რომელსაც Fetch ზომავს, Amazon SageMaker-ის მიღების შემდეგ მუშაობა გაუმჯობესდა. კომპანიამ ყველაზე ნელი სკანირებისთვის დაყოვნება 50 პროცენტით შეამცირა. „ჩვენი გაუმჯობესებული სიზუსტე ასევე ზრდის პარტნიორების ნდობას ჩვენი მონაცემების მიმართ“, – ამბობს კორზაინი. მეტი ნდობით, პარტნიორები გაზრდიან...