هوش مصنوعی سریع: چگونه Databricks هزینه‌های یادگیری ماشین ایندیانا پیسرز را ۱۲,۰۰۰ برابر کاهش داد و تحلیل داده‌ها را سرعت بخشید
در دنیای بسکتبال، آمار و داده‌ها نقش مهمی ایفا می‌کنند، اما برای سازمان Pacers Sports and Entertainment (PS&E) اطلاعات مربوط به طرفداران نیز به همان اندازه ارزشمند است. این شرکت که مالک تیم‌های ایندیانا پیسرز در NBA، ایندیانا فیور در WNBA و ایندیانا مد انتس در NBA G League است، سالانه صدها هزار دلار برای پردازش داده‌ها و استفاده از یادگیری ماشین هزینه می‌کرد.
با این حال، این سازمان اخیراً با کمک Databricks موفق شده است هزینه‌های پردازش یادگیری ماشین خود را تا ۱۲,۰۰۰ برابر کاهش دهد و همزمان سرعت دسترسی به تحلیل‌های داده را افزایش دهد.
تاثیر همکاری با Databricks
قبل از همکاری با Databricks، PS&E از یک سیستم یادگیری ماشین با هزینه‌ای در حدود ۱۰۰,۰۰۰ دلار در سال استفاده می‌کرد. این هزینه نه‌تنها سنگین بود، بلکه باعث افزایش زمان پردازش داده‌ها و کاهش بهره‌وری تحلیلگران داده می‌شد.
با ورود Databricks، سیستم تجزیه و تحلیل داده PS&E متحول شد. این پلتفرم با استفاده از هوش مصنوعی و یادگیری ماشین مبتنی بر ابر، پردازش داده‌ها را بهینه‌تر کرده و هزینه‌ها را تا حدی کاهش داد که دیگر مانعی برای استفاده گسترده از تحلیل داده‌ها وجود نداشته باشد.
مزایای حاصل از این تغییر
انتقال به بستر Databricks تغییرات مثبتی را برای سازمان PS&E به همراه داشت، از جمله:
- کاهش شدید هزینه‌ها: کاهش هزینه پردازش داده‌ها به کمتر از یک صدم مقدار قبلی.
- افزایش سرعت تحلیل داده: پردازش داده‌های طرفداران و ارائه پیشنهادات سریع‌تر و دقیق‌تر به آن‌ها.
- بهبود تجربه طرفداران: استفاده از داده‌های دقیق‌تر برای ارائه تجربه‌ای شخصی‌سازی شده به هواداران تیم.
- کاربرد بهینه‌تر منابع: کاهش نیاز به منابع سخت‌افزاری پرهزینه و بهبود بهره‌وری تیم تجزیه و تحلیل داده.
نتیجه‌گیری
همکاری ایندیانا پیسرز با Databricks نشان‌دهنده قدرت و اهمیت استفاده از فناوری‌های ابری در ورزش حرفه‌ای است. این تحول نه‌تنها هزینه‌های گزاف یادگیری ماشین را حذف کرده، بلکه کیفیت تحلیل داده‌ها را نیز به طرز چشمگیری بهبود بخشیده است. با این تغییر، PS&E می‌تواند از داده‌های هواداران به شکلی هوشمندانه‌تر بهره ببرد و تجربه‌ای بهتر برای آن‌ها فراهم کند.
برای اطلاعات بیشتر، به منبع اصلی مراجعه کنید: VentureBeat