Brzi prekid AI: Kako su Databricks pomogli da Pacersi smanjuju ML košta 12.000x% dok ubrzavaju uvide

Statistika može biti sve u košarci – ali za Pacers Sports and Entertainment (PS&E), podaci o obožavateljima jednako su vrijedni.

Ipak dok je matična tvrtka Indianapolis Pacers (NBA), Indiana groznica (Wnba) i Indiana Mad Ants (NBA G League) pumpao je nebrojene iznose u platformu strojnog učenja u iznosu od 100 000 USD godišnje (ML) za generiranje prediktivnih modela oko takvih čimbenika kao što su cijene i potražnja za ulaznicama, uvidi nisu dovoljno brzo.

Jared Chavez, menadžer za inženjerstvo i strategiju podataka, namjeravao je to promijeniti, prelazak na Databricks na Salesforce prije godinu i pol.

Sada? Njegov tim izvodi isti raspon prediktivnih projekata s pažljivim konfiguracijama izračunavanja kako bi stekao kritički uvid u ponašanje navijača – za samo 8 dolara godišnje. To je naizgled nezamislivi, naizgled nezamislivi, Chavez zaslužuje u velikoj mjeri sposobnosti njegovog tima da smanji ML izračunavanje na gotovo infinitimalne količine.

“Vrlo smo dobri u optimizaciji našeg računanja i shvatiti koliko daleko možemo spustiti granicu kako bismo naši modeli pokrenuli”, rekao je on za VentureBeat. “To je stvarno ono po čemu smo bili poznati s Databricks -om.”

Rezanje OPEX -a za 98%

Pored tri košarkaške ekipe, PS&E sa sjedištem u Indianapolisu upravlja Pacers Gaming Esports Business, domaćin je March Madness Games i vodi užurban posao s 300 sati kroz događaj kroz The Event Event Gainbridge Fieldhouse Arena (koncerti, komične emisije, rodeos, ostali sportski događaji). Nadalje, tvrtka je samo prošlog mjeseca objavila planove za izgradnju 78 milijuna dolara Indiana Fever Sportski performansni centarkoji će Skybridge povezati s arenom i garažu za parkiranje (očekuje se da će se otvoriti 2027.).

Sve to čini zadivljujuću količinu podataka-i širenje podataka. Sa stajališta podataka o podatkovnoj infrastrukturi, Chavez je istaknuo da je do prije dvije godine organizacija bila domaćin dva potpuno neovisna skladišta izgrađena Microsoft Azure Synapse Analytics. Različiti timovi u cijelom poslu koristili su vlastiti oblik analitike, a skupovi alata i vještina divlje su varirali.

Iako je Azure Synapse izvrsno obavljao posao povezujući se s vanjskim platformama, to je bilo poticajno za organizaciju veličine PS&E, objasnio je. Također, integrirajući ML platformu tvrtke s Microsoft Azure Data Studio doveo do fragmentacije.

Da bi riješio ove probleme, Chavez se prebacio na DataBricks Autol I Radni prostor za strojno učenje Databricks U kolovozu 2023. početni fokus bio je konfigurirati, obučiti i rasporediti modele oko cijene ulaznica i potražnje za igrom.

I tehnički i netehnički korisnici odmah su smatrali da su platforme korisne, napomenuo je Chavez i brzo su ubrzali ML proces (i smanjili troškove).

“To dramatično poboljšava vrijeme odgovora za moj marketinški tim, jer ne moraju znati kodirati”, rekao je Chavez. Sve su to gumbi za njih, a svi se ti podaci vraćaju na Databricks kao objedinjene zapise. “

Nadalje, njegov je tim organizirao 60-nekih sustava tvrtke Podaci o prodajnom snagu Oblak. Sada izvještava da imaju 440x više podataka u pohrani i 8x više izvora podataka u proizvodnji.

PS&E danas djeluje na nešto manje od 2% svojih prethodnih godišnjih troškova OPEX -a. “Spasili smo stotine tisuća godišnje samo na operacijama”, rekao je Chavez. „Reinvestirali smo ga u obogaćivanje podataka o kupcima. Reinvestirali smo se u bolje alate za ne samo moj tim, već i analitičke jedinice oko tvrtke. ”

Nastavak usavršavanja, duboko razumijevanje podataka

Kako je njegov tim izračunao tako zapanjujuće nisko? DataBricks je kontinuirano rafinirao konfiguracije klastera, poboljšane mogućnosti povezivanja s shemama i integrirani izlazi modela natrag u tablice podataka PS&E, objasnio je Chavez. Snažni ML motor “kontinuirano se obogaćuje, rafinira, spaja i predviđaju” na PS&E evidenciju kupaca u svakom sustavu i prihodima.

To dovodi do bolje informiranih predviđanja sa svakom iteracijom-i u stvari, povremeni automatski model ponekad čini izravno u proizvodnju bez ikakvog daljnjeg podešavanja iz svog tima, izvijestio je Chavez.

“Istina, to je samo poznavanje veličine podataka, ali i otprilike koliko će vremena trebati za treniranje”, rekao je Chavez. Dodao je: “To je najmanju veličinu klastera koju biste mogli pokrenuti, to bi mogao biti samo klaster optimiziran za memoriju, ali to je samo poznavanje Apache iskre i znajući na koji bismo način mogli pohraniti i čitati podatke prilično optimalno.”

Tko će najvjerojatnije kupiti sezonske karte?

Jedan od načina Chavezovog tima je korištenje podataka, AI i ML je u sklonosti za pakete sezonskih karata. Kako je rekao: “Prodajemo bezbožni broj njih.”

Cilj je utvrditi koje karakteristike kupaca utječu na to gdje odluče sjediti. Chavez je objasnio da je njegov tim geo-locirajućih adresa koje imaju u skladu s korelacijom između demografije, razine prihoda i udaljenosti putovanja. Oni također analiziraju povijesti kupnje korisnika u maloprodaji, hrani i pićima, angažmanu mobilnih aplikacija i ostale događaje koje bi mogli prisustvovati u kampusu PS&E.

Nadalje, oni povlače podatke iz StubHub -a, Geeka sjedišta i drugih dobavljača izvan Ticketmastera kako bi procijenili cjenovne bodove i utvrdili koliko se zalihe kreću. To se sve može vjenčati sa svime što znaju o danom kupcu kako bi shvatili gdje će sjediti, objasnio je Chavez.

Naoružani tim podacima, oni bi, na primjer, mogli nadoknaditi kupca iz odjeljka 201 do odjeljka 101 Centralnog suda. “Sada možemo samo preprodavati svoje sjedalo u višoj palubi, već možemo prodati i još jedan manji paket na istim sjedalima koje je kupio u sredini sezone, koristeći iste karakteristike za drugu osobu”, rekao je Chavez.

Slično tome, podaci se mogu koristiti za poboljšanje sponzorstava koja su presudna za bilo koju sportsku franšizu.

“Naravno, žele se uskladiti s organizacijama koje se preklapaju s njihovim”, rekao je Chavez. “Pa možemo li bolje obogatiti? Možemo li bolje predvidjeti? Možemo li napraviti prilagođenu segmentaciju? “

U idealnom slučaju, cilj je sučelje na kojem bi bilo koji korisnik mogao postavljati pitanja poput: “Dajte mi dio baze obožavatelja Pacersa u svojim srednjim do kasnim 20-ima s raspoloživim dohotkom.” Još dalje: “Potražite one koji zarađuju više od 100 tisuća dolara godišnje i zanimaju se za luksuzna vozila.” Sučelje bi tada moglo vratiti postotak koji se preklapa s podacima sponzora.

“Kad naši timovi za partnerstvo pokušavaju zatvoriti ove ponude, oni mogu, na zahtjev, samo povući informacije bez da se oslanjaju na analitički tim da bi to učinili za njih”, rekao je Chavez.

Kako bi dodatno podržao taj cilj, njegov tim želi izgraditi sobu za čišćenje podataka ili sigurno okruženje koje omogućava dijeljenje osjetljivih podataka. To može biti osobito korisno sa sponzorima, kao i suradnjom s drugim timovima i NCAA (sa sjedištem u Indianapolisu).

“Naziv igre za nas trenutno je vrijeme odgovora, bilo da je to suočen s kupcem ili unutarnjim”, rekao je Chavez. “Možemo li dramatično smanjiti potrebna znanja kako bismo smanjili informacije i razvrstili ih pomoću AI?”

Prikupljanje podataka i AI za razumijevanje obrazaca prometa, poboljšati natpise

Drugo područje fokusa za Chavezov tim ispituje gdje su ljudi u bilo kojem trenutku u PS & E-ovom kampusu (koji sadrži troslojnu arenu s vanjskom platoom). Chavez je objasnio da su sposobnosti prikupljanja podataka u cijeloj mrežnoj infrastrukturi putem WiFi pristupnih točaka.

“Kad uđete u arenu, svirate ih sve, čak i ako se ne prijavite u njih, jer vaš telefon provjerava WiFi”, rekao je. “Vidim gdje se krećeš. Ne znam tko si, ali vidim gdje se krećeš. ”

To na kraju može pomoći voditi ljude oko arene – recimo, ako netko želi kupiti pereci i traži koncesijski stalak – i pomoći svom timu da utvrdi gdje će pozicionirati kioske hrane i robe.

Slično tome, podaci o lokaciji mogu pomoći u određivanju optimalnih mjesta za natpis, objasnio je Chavez. Jedan zanimljiv način za prepoznavanje broja dojma za natpis je postavljanje gradijenata vida na mjesta ekvivalentno prosječnoj visini ventilatora.

“Onda izračunajmo koliko bi dobro netko vidio kako to hoda s brojem ljudi oko njih”, rekao je Chavez. “Dakle, mogu reći svom sponzoru da ste dobili 5000 dojmova na to, a 1.200 njih bilo je prilično dobro.”

Slično tome, kad su obožavatelji na svojim sjedalima, okruženi su znakovima i digitalnim zaslonima. Podaci o lokaciji mogu pomoći u određivanju kvalitete (i količine) dojma na temelju kuta gdje sjede. Kao što je Chavez napomenuo: “Da je ovaj oglas bio na ekranu samo 10 sekundi u trećoj četvrtini, tko bi ga vidio?”

Jednom kada PS&E ima odgovarajuće lokacijske podatke koji će vam pomoći u odgovoru na ove vrste pitanja, njegov tim planira raditi VR laboratorij Sveučilišta Indiana za modeliranje cijelog kampusa. “Tada ćemo imati vrlo zabavan sandbox da se pokrenemo i odgovorimo na sva ova 3D svemirska pitanja koja su me gnjavila posljednje dvije godine”, rekao je Chavez.