هذه المقالة عبارة عن منشور مشترك من منشور تم نشره في الأصل في سبتمبر 2023 على موقع AWS الإلكتروني.
ملخص
تقدم شركة Fetch لإشراك المستهلكين ومكافآتهم تطبيقًا يتيح للمستخدمين كسب مكافآت على مشترياتهم عن طريق مسح إيصالاتهم ضوئيًا. تقوم الشركة أيضًا بتحليل هذه الإيصالات لتوليد رؤى حول سلوك المستهلك وتوفير تلك الرؤى لشركاء العلامة التجارية. مع النمو السريع لعمليات المسح الأسبوعية، كان برنامج Fetch بحاجة إلى تحسين سرعته ودقته.
في Amazon Web Services (AWS)، قامت Fetch بتحسين مسار التعلم الآلي (ML) الخاص بها باستخدام Hugging Face وAmazon SageMaker، وهي خدمة لبناء نماذج تعلم الآلة وتدريبها ونشرها مع بنية تحتية وأدوات وسير عمل مُدارة بالكامل. الآن، يمكن لتطبيق Fetch معالجة عمليات الفحص بشكل أسرع وبدقة أعلى بكثير.
فرصة | استخدام Amazon SageMaker لتسريع مسار التعلم الآلي خلال 12 شهرًا للجلب
باستخدام تطبيق Fetch، يمكن للعملاء مسح الإيصالات ضوئيًا واستلام النقاط واستبدال تلك النقاط ببطاقات الهدايا. لمكافأة المستخدمين على عمليات فحص الإيصالات بشكل فوري، كان تطبيق Fetch بحاجة إلى أن يكون قادرًا على التقاط النص من الإيصال، واستخراج البيانات ذات الصلة، وتنظيمه بحيث يتمكن باقي نظامه من معالجته وتحليله. مع معالجة أكثر من 80 مليون إيصال أسبوعيًا – مئات الإيصالات في الثانية في ذروة حركة المرور – كان من الضروري إجراء هذه العملية بسرعة ودقة وعلى نطاق واسع.
في عام 2021، شرعت شركة Fetch في تحسين وظائف المسح في تطبيقها. Fetch هي شركة أصلية تابعة لـ AWS، وكان فريق عمليات ML التابع لها يستخدم Amazon SageMaker بالفعل في العديد من نماذجها. وقد أدى هذا إلى جعل القرار بتعزيز مسار تعلم الآلة من خلال ترحيل نماذجه إلى Amazon SageMaker قرارًا مباشرًا.
طوال المشروع، أجرى Fetch مكالمات أسبوعية مع فريق AWS وتلقى الدعم من أحد الخبراء المتخصصين الذين قامت AWS بإقرانه مع Fetch. قامت الشركة ببناء وتدريب ونشر أكثر من خمسة نماذج تعلم الآلة باستخدام Amazon SageMaker في 12 شهرًا. في أواخر عام 2022، طرحت Fetch تطبيقها المحدث للهاتف المحمول وخط أنابيب التعلم الآلي الجديد.
“يعد Amazon SageMaker بمثابة تغيير لقواعد اللعبة بالنسبة لـ Fetch. فنحن نستخدم كل ميزة تقريبًا على نطاق واسع. ومع ظهور ميزات جديدة، تصبح ذات قيمة على الفور. ومن الصعب تخيل تنفيذ هذا المشروع بدون ميزات Amazon SageMaker.”
سام كورزين، مهندس التعلم الآلي، Fetch
الحل | تقليل زمن الوصول بنسبة 50% باستخدام التعلم الآلي والوجه العناق على مثيلات وحدة معالجة الرسومات الخاصة بـ Amazon SageMaker
“باستخدام مرونة Hugging Face AWS Deep Learning Container، تمكنا من تحسين جودة نماذجنا، وكانت شراكة Hugging Face مع AWS تعني أنه كان من السهل نشر هذه النماذج.”
سام كورزين، مهندس التعلم الآلي، Fetch
يتم تشغيل مسار تعلم الآلة من Fetch بواسطة العديد من ميزات Amazon SageMaker، لا سيما Amazon SageMaker Model Training، مما يقلل الوقت والتكلفة لتدريب نماذج تعلم الآلة وضبطها على نطاق واسع، وAmazon SageMaker Processing، وهي تجربة مبسطة ومُدارة لتشغيل أعباء عمل معالجة البيانات. تدير الشركة نماذج ML المخصصة الخاصة بها باستخدام مثيلات GPU المتعددة للحصول على أداء سريع. تقول إلين لايت، مهندسة الواجهة الخلفية في Fetch، “إن مثيلات وحدة معالجة الرسومات في Amazon SageMaker سهلة الاستخدام”. يقوم برنامج Fetch بتدريب هذه النماذج لتحديد واستخراج المعلومات الأساسية عن الإيصالات التي يمكن للشركة استخدامها لتوليد رؤى قيمة ومكافأة المستخدمين. وفي Amazon SageMaker، يتميز نظام ML المخصص من Fetch بأنه قابل للتطوير بسلاسة. يقول سام كورزين، مهندس تعلم الآلة في Fetch: “باستخدام Amazon SageMaker، لدينا طريقة بسيطة لتوسيع نطاق أنظمتنا، خاصة فيما يتعلق بالاستدلال ووقت التشغيل”. وفي الوقت نفسه، تعني عمليات نشر النماذج الموحدة عملًا يدويًا أقل.
اعتمدت Fetch بشكل كبير على ميزات التدريب على تعلم الآلة في Amazon SageMaker، وخاصة وظائفها التدريبية، حيث قامت بتحسين نماذجها وتكرارها. يمكن لـ Fetch أيضًا تدريب نماذج تعلم الآلة بشكل متوازٍ، مما يؤدي إلى تسريع عملية التطوير والنشر. يقول أليك ستاشفسكي، العالم التطبيقي في شركة Fetch: “هناك القليل من الاحتكاك بالنسبة لنا لنشر النماذج”. “في الأساس، ليس علينا أن نفكر في الأمر.” وقد أدى هذا إلى زيادة الثقة وتحسين الإنتاجية للشركة بأكملها. في أحد الأمثلة، تمكن أحد المتدربين الجدد من نشر نموذج بنفسه بحلول يومه الثالث في العمل.
منذ اعتماد Amazon SageMaker لضبط تعلم الآلة والتدريب عليه وإعادة التدريب عليه، قامت Fetch بتعزيز دقة نموذج فهم المستندات الخاص بها بنسبة 200 بالمائة. وهي تواصل تحسين نماذجها لمزيد من التحسين. يقول كوينسي يو، مهندس تعلم الآلة في Fetch: “لقد كان Amazon SageMaker أداة رئيسية في بناء هذه النماذج المتميزة”. لتحسين عملية الضبط، يعتمد Fetch على Amazon SageMaker Inference Recommender، وهي إحدى إمكانيات Amazon SageMaker التي تقلل الوقت المطلوب للحصول على نماذج تعلم الآلة في الإنتاج عن طريق أتمتة اختبار التحميل وضبط النموذج.
بالإضافة إلى نماذج ML المخصصة، يستخدم Fetch حاويات AWS Deep Learning Containers (AWS DL Containers)، والتي يمكن للشركات استخدامها لنشر بيئات التعلم العميق بسرعة مع صور حاويات محسنة ومعبأة مسبقًا. يعمل هذا على تبسيط عملية استخدام المكتبات من شركة Hugging Face Inc.(Hugging Face)، وهي شركة تعمل في مجال تكنولوجيا الذكاء الاصطناعي وشريك AWS. على وجه التحديد، يستخدم Fetch مجموعة أدوات Amazon SageMaker Hugging Face Inference Toolkit، وهي مكتبة مفتوحة المصدر لخدمة نماذج المحولات، وحاوية Hugging Face AWS Deep Learning Container للتدريب والاستدلال. يقول كورزين: “باستخدام مرونة Hugging Face AWS Deep Learning Container، يمكننا تحسين جودة نماذجنا”. “وكانت شراكة Hugging Face مع AWS تعني أنه كان من السهل نشر هذه النماذج.”
بالنسبة لكل مقياس يقيسه Fetch، تحسن الأداء منذ اعتماد Amazon SageMaker. قامت الشركة بتقليل زمن الوصول لأبطأ عمليات الفحص بنسبة 50 بالمائة. يقول كورزين: “إن تحسين دقتنا يؤدي أيضًا إلى خلق الثقة في بياناتنا بين الشركاء”. ومع المزيد من الثقة، سيزيد الشركاء من استخدامهم لحل Fetch. يقول كورزين: “إن القدرة على تحسين الدقة بشكل هادف في كل نقطة بيانات باستخدام Amazon SageMaker هي فائدة كبيرة وتنتشر في جميع أنحاء أعمالنا بأكملها”.
يمكن لميزة Fetch الآن استخراج المزيد من أنواع البيانات من الإيصال، كما تتمتع بالمرونة اللازمة لتنظيم الرؤى الناتجة وفقًا للاحتياجات المحددة لشركاء العلامات التجارية. يقول كورزين: “لقد أدى الميل إلى التعلم الآلي إلى فتح القدرة على استخلاص ما يريده شركاؤنا بالضبط من الإيصال”. “يمكن للشركاء تقديم أنواع جديدة من العروض بسبب استثمارنا في تعلم الآلة، وهذا يمثل فائدة إضافية كبيرة لهم.”
يستمتع المستخدمون بالتحديثات أيضًا؛ زاد عدد مستخدمي Fetch من 10 ملايين إلى 18 مليون مستخدم نشط شهريًا منذ إصدار الإصدار الجديد. يقول كورزين: “يعد Amazon SageMaker بمثابة تغيير لقواعد اللعبة بالنسبة لـ Fetch”. “نحن نستخدم كل ميزة تقريبًا على نطاق واسع. ومع ظهور ميزات جديدة، تصبح ذات قيمة على الفور. ومن الصعب تخيل تنفيذ هذا المشروع بدون ميزات Amazon SageMaker.” على سبيل المثال، تم ترحيل Fetch من مسار اختبار الظل المخصص إلى اختبار الظل Amazon SageMaker، والذي يتحقق من صحة أداء نماذج تعلم الآلة الجديدة مقابل نماذج الإنتاج لمنع انقطاع الخدمة. الآن، أصبح اختبار الظل أكثر مباشرة لأن Fetch يمكنه مقارنة الأداء مباشرة مع حركة الإنتاج.
النتيجة | توسيع تعلم الآلة ليشمل حالات الاستخدام الجديدة
يعمل فريق ML في Fetch باستمرار على نماذج جديدة ويكرر النماذج الحالية لضبطها لتحقيق أداء أفضل. يقول كريس لي، مطور تعلم الآلة في Fetch: “الشيء الآخر الذي نحبه هو أن نكون قادرين على تحديث مجموعتنا التكنولوجية من خلال الميزات الجديدة لـ Amazon SageMaker”. ستواصل الشركة توسيع استخدامها لـ AWS ليشمل حالات استخدام تعلم الآلة المختلفة، مثل منع الاحتيال، عبر فرق متعددة.
تعد Fetch بالفعل واحدة من أكبر شركات برمجيات مشاركة المستهلكين، وتهدف إلى مواصلة النمو. يقول كورزين: “إن AWS جزء أساسي من الطريقة التي نخطط بها للتوسع، وسوف نعتمد على ميزات Amazon SageMaker لمواصلة تحسين دقتنا”.
حول الجلب
Fetch هي شركة تعمل على إشراك المستهلكين وتوفر رؤى حول مشتريات المستهلكين لشركاء العلامات التجارية. كما يقدم أيضًا تطبيق مكافآت على الهاتف المحمول يتيح للمستخدمين كسب مكافآت على المشتريات من خلال ميزة مسح الإيصالات.
إذا كنت بحاجة إلى دعم في استخدام Hugging Face على SageMaker لشركتك، فيرجى الاتصال بنا هنا – وسيتصل بك فريقنا لمناقشة متطلباتك!
