machine learning Archives

Expérimenter plus vite et avec moins d'efforts

Expériences de politique commerciale à l'aide de plans factoriels fractionnaires

Chez DoorDash, nous nous efforçons constamment d'améliorer nos processus d'expérimentation en tenant compte de quatre dimensions clés, à savoir la vélocité pour augmenter le nombre d'expériences que nous pouvons mener, le labeur pour minimiser nos efforts de lancement et d'analyse, la rigueur pour garantir une conception expérimentale solide et des analyses robustes et efficaces, et l'efficacité pour réduire les coûts associés à nos efforts d'expérimentation.

Personnaliser l'expérience de la page du magasin de détail DoorDash

La mission de l'expérience d'achat au détail DoorDash cherche à combiner les meilleurs aspects de l'achat en personne avec le pouvoir de la personnalisation.

Transformer les MLOps chez DoorDash avec Machine Learning Workbench

Il est amusant pour un être humain d'écrire un article sur l'intelligence artificielle à une époque où les systèmes d'IA, alimentés par l'apprentissage automatique, génèrent leurs propres articles de blog.

Comment DoorDash améliore ses prévisions de vacances grâce à une approche ML en cascade

Chez DoorDash, nous établissons des prévisions de l'offre et de la demande afin de planifier les opérations de manière proactive, par exemple en acquérant le nombre adéquat de Dashers (livreurs) et en ajoutant une rémunération supplémentaire lorsque nous prévoyons une offre faible.

Comment DoorDash a construit un modèle d'apprentissage d'ensemble pour la prévision des séries temporelles

Dans les applications de prévision du monde réel, il est difficile de trouver un équilibre entre la précision et la rapidité.

DoorDash identifie cinq grands domaines d'utilisation de l'IA générative

Dans le sillage de ChatGPT et Generative AI, DoorDash identifie les moyens par lesquels cette nouvelle technologie peut améliorer l'expérience de commande des clients sur la plateforme.

L'utilisation de CockroachDB pour réduire de 75% les coûts du Feature Store

En construisant un magasin de fonctionnalités pour gérer la croissance massive de notre plateforme d'apprentissage automatique ("ML"), nous avons appris que l'utilisation d'un mélange de différentes bases de données peut apporter des gains significatifs en termes d'efficacité et de simplicité opérationnelle.

Cycle de vie d'un produit de ML réussi : Réduire les temps d'attente au lave-linge

La création d'une plateforme de livraison à base de ML comme DoorDash est une entreprise complexe.

Comment DoorDash a amélioré une heuristique avec la ML pour sauver des milliers de commandes annulées

L'un des défis de la gestion de notre plateforme est de pouvoir suivre avec précision l'état opérationnel des commerçants et leur capacité à recevoir et à exécuter les commandes.

Sélection de la meilleure image pour chaque commerçant à l'aide de l'exploration et de l'apprentissage automatique

Pour inciter les consommateurs de DoorDash à commander sur la plateforme, il existe peu d'outils plus puissants qu'une image convaincante, ce qui soulève les questions suivantes : quelle est la meilleure image à montrer à chaque client, et comment pouvons-nous construire un modèle pour déterminer cela de manière programmatique en utilisant les images disponibles de chaque commerçant ?