Swiggy利用350多项功能以及多任务神经网络模型来预测客户的终身价值。
Swiggy开发了一套自主研发的预测生命周期价值模型，该模型采用了超过350个预订单相关特征，并结合了多任务MLP算法来分析Food业务及Instamart业务的数据。通过将订单数量作为辅助训练指标，模型的参数数量减少了63%，同时其预测性能也得到了提升。目前，Swiggy正在将这种预测生命周期价值的方法与Google的Target ROAS竞价系统相结合，以优化客户获取策略。 作者：Leela Kumili
Swiggy开发了一套自主研发的预测生命周期价值模型，该模型采用了超过350个预订单相关特征，并结合了多任务MLP算法来分析Food业务及Instamart业务的数据。通过将订单数量作为辅助训练指标，模型的参数数量减少了63%，同时其预测性能也得到了提升。目前，Swiggy正在将这种预测生命周期价值的方法与Google的Target ROAS竞价系统相结合，以优化客户获取策略。
作者：Leela Kumili相关文章
DoorDash利用多智能体大语言模型来处理这60,000个功能标志相关的数据。
DoorDash构建了一个多智能体大型语言模型系统，用于自动化清理超过60,000个特征标志以及分布在623个代码仓库中的这些标志。该工作流程结合了实时实验数据、工程师的审核流程、独立的Git开发环境、并行运行的智能体以及自动验证机制。在针对50个特征标志进行的测试中，有45个特征标志在平均13.8分钟的时间内生成了可使用的拉取请求，每次清理操作的成本为4.79美元。 作者：Leela Kumili
阅读全文
通过采用服务器驱动型架构，Airbnb将认证代码的长度缩短了60%。
Airbnb重新设计了其认证架构，采用了基于服务器处理的流程以及根据策略来选择相应的认证方式。这一新的“灵活认证系统”使与认证相关的代码量减少了60%，使得网页客户端的大小缩减了100 KB，同时大大提高了认证成功的成功率（成功率提升了2.6%），还有效减少了重复账户的创建现象（重复账户的数量减少了27%），此外，使用一次性密码进行认证所带来的成本也降低了11%。 作者：Leela Kumili
阅读全文
优步在其服务网格中实现了依赖关系的自动化分析功能。
Uber开发了一套自动化的依赖关系分析系统，该系统利用RPC中间件以及生产环境中的各项指标来分析调用方与下游组件之间的故障关联关系。这种分类方法将依赖关系分为“失败时关闭相关组件”、“失败时保持相关组件正常运行”以及“未知类型”三种，并有效弥补了采样式分布式追踪技术在处理Uber庞大服务网络中那些罕见故障时的局限性。 作者：Leela Kumili
阅读全文
演讲主题：25万亿枚代币究竟揭示了什么？这些数据能帮助我们了解开发者们实际上是如何运用人工智能代理技术的。
Brendan O’Leary探讨了现实世界中人工智能的普及程度实际上取决于人们是否能够建立起对相关技术的信任，而非仅仅追求各种模型评估指标。他利用多达40万亿条使用数据，详细解释了人工智能普及过程中的四个关键阶段，并分析了在信息构建、多模型协同处理以及反馈机制等方面可能出现的故障点，这些分析有助于工程领域的领导者成功推进基于人工智能的工作流程的规模化应用。 作者：Brendan O’Leary
阅读全文