HelloFresh escolhe plataforma Tecton para melhorar sua experiência de Machine Learning em tempo real

A HelloFresh, uma empresa de entrega de alimentos frescos e de kit de refeições, tornou-se um usuário ávido de Machine Learning para melhorar a experiência de seus clientes. A empresa havia desenvolvido um conjunto substancial de sistemas de Machine Learning e previsão internamente, mas essa abordagem caseira estava atingindo os limites de sua capacidade. A HelloFresh procurou outras opções e recentemente escolheu a plataforma de recursos da Tecton para Machine Learning em tempo real. A plataforma de recursos da Tecton permitirá que a HelloFresh padronize o uso de Machine Learning em escala. Em sistemas de Machine Learning, recursos são tipos de variáveis usadas como entradas para modelos preditivos, como aqueles para detecção de fraudes ou mecanismos de recomendação. Os recursos podem ser coisas como quanto um cliente comprou nos últimos 30 dias, o preço atual de um item, se o item está em estoque e muitos outros. Sem um repositório de recursos, as informações atualizadas têm que ser buscadas em sistemas de dados brutos e processadas antes de poderem ser usadas, o que atrasa tudo. Os recursos podem ser abstraídos dos dados brutos, fornecendo uma abordagem mais consistente em diferentes sistemas e facilitando o compartilhamento de recursos de alta qualidade entre equipes. "Estamos passando pelo processo de trocar nossos principais modelos de produção para serem alimentados pelo repositório de recursos da Tecton, o que nos permitirá reutilizar recursos construídos para funções de negócios como Marketing, Aquisições ou Gerenciamento da Cadeia de Suprimentos para uma variedade de novos modelos", disse Bertincourt. "Atualmente, uma equipe está usando um modelo de incorporação generalizado que usa recursos fornecidos pela Tecton e visa tornar as incorporações acessíveis e utilizáveis para modelos de Machine Learning. Isso está fornecendo a base para a implementação de modelos de previsão e personalização no futuro". Um repositório de recursos também pode fornecer informações importantes de governança, como qual versão dos recursos foi usada para fazer uma previsão específica, vital para depurar modelos e também para cumprir regulamentações em algumas indústrias. Ferramentas de governança sólidas são particularmente importantes para sistemas online, pois fazer boas previsões requer dados atuais e de alta qualidade, não coleções estáticas de dados antigos e questionáveis de origem. "Nos concentramos em acumular dados para melhorar a interação de nossos clientes com o produto e usamos cuidadosamente os dados de nossos clientes", afirma Bertincourt. "Nossa coleta de dados está totalmente focada em ajudar a modelar a experiência do nosso cliente, em vez de coletar grandes quantidades de dados apenas porque podemos". Com a crescente escrutínio das práticas de dados das empresas, o uso cuidadoso de dados deve ser uma prioridade para toda equipe de ciência de dados. Ferramentas como a Tecton se tornarão ainda mais necessárias à medida que as equipes construírem sistemas de inferência altamente automatizados. Os clientes desejam ter a confiança de que as empresas estão usando apenas dados coletados eticamente e para seu benefício. Um repositório de recursos como a Tecton é uma maneira pela qual as empresas podem demonstrar aos clientes e reguladores que a Machine Learning está sendo usada de forma responsável, ao mesmo tempo que melhora a experiência do cliente.