Si vous êtes un modèle aspirant, et vous n`êtes pas sûr de ce qui vous rend «unique», il ne faudra pas longtemps pour le savoir! Y a-t-il une caractéristique spécifique que les gens soulignent ou complimentent sur vous? Peut-être que les gens pointent toujours tes doigts longs. Pourquoi ne pas utiliser vos mains dans plus de photos pour encadrer votre visage, ou même envisager de devenir un modèle de pièces et de modélisation de vos mains? Peut-être que vous avez des taches de rousseur que vous essayez toujours de couvrir avec le maquillage quand en vérité, qui pourrait être juste la chose qu`un client est à la recherche d`un modèle! Pour résoudre le premier défi, nous avons construit un Spark pipeline d`apprentissage profond (DLSP) pour exploiter à la fois Spark pour les transformations NLP et les GPU pour la formation d`apprentissage profond. Pour le deuxième défi, nous avons intégré un outil de planification interne des tâches et nous avons construit un pipeline de gestion du cycle de vie (MLMP) modèle au-dessus du DLSP, ce qui nous permet de programmer et d`exécuter chaque tâche à la fréquence requise. Ces deux pipelines nous ont permis non seulement de former et de déployer des modèles d`apprentissage en profondeur dans le système de production d`uber, mais aussi de recycler et actualiser les modèles pour les maintenir à des performances optimales Deuxièmement, notre implémentation originale n`était pas suffisamment extensible pour être utilisée par les futurs Modèles NLP. 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. 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! Tout le monde n`est pas d`accord. Certains artistes, comme Foo Fighters et Pearl Jam, ont renoncé à utiliser le modèle de tarification dynamique, comme ont de plus petits artistes indépendants comme le père John Misty. «Un artiste comme le père John Misty est très conscient du prix des billets», dit son Manager, Dan Fraser. «Juste parce que plus de gens sont prêts à payer pour un billet, il ne veut pas [charger]… Il laissera de l`argent sur la table. Plus tôt cette année, nous avons introduit le système Customer obsession ticket Assistant (COTA) d`uber, un outil qui exploite les techniques d`apprentissage automatique et de traitement du langage naturel (PNL) pour recommander des réponses de ticket de support (type de contact et réponse) au client les agents de support, avec le type de contact étant la catégorie d`émission à laquelle le ticket est assigné et répondez aux agents de modèle utilisés pour répondre. Après l`avoir intégré à notre plateforme de support client, COTA v1 a réduit les délais de résolution des tickets de langue anglaise de plus de 10% tout en fournissant un service avec des niveaux de satisfaction client similaires ou supérieurs.
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.