Ir al contenido

Mejores prácticas para los menús de reparto en línea gracias al aprendizaje automático

Restaurants on busy thoroughfares can use many elements to catch a customer’s eye, but online ordering experiences mostly rely on the menu to generate sales.

Multiplicar por 4 la capacidad de los experimentos en línea gracias a la paralelización y el aumento de la sensibilidad

Las empresas impulsadas por los datos miden las reacciones reales de los clientes para determinar la eficacia de las características de los nuevos productos, pero la imposibilidad de realizar estos experimentos simultáneamente y en grupos mutuamente excluyentes ralentiza considerablemente el desarrollo.

Apoyo a la iteración rápida de productos con una plataforma de análisis de la experimentación

La nueva plataforma de experimentación de DoorDash, basada en una combinación de SQL, Kubernetes y Python, permite una rápida iteración de mejoras de funciones basadas en datos.

Using a Human-in-the-Loop to Overcome the Cold Start Problem in Menu Item Tagging

Companies with large digital catalogs often have lots of free text data about their items, but very few actual labels, making it difficult to analyze the data and develop new features. 

Building a system that can support machine learning (ML)-powered search and discovery features while simultaneously being interpretable enough for business users to develop curated experiences is difficult.

Optimización del gasto en marketing de DoorDash con aprendizaje automático

Over a hundred years ago, John Wanamaker famously said “Half the money I spend on advertising is wasted; the trouble is, I don’t know which half”.

Eficiencia en el servicio de modelos de aprendizaje automático minimizando la sobrecarga de la red con gRPC

The challenge of building machine learning (ML)-powered applications is running inferences on large volumes of data and returning a prediction over the network within milliseconds, which can’t be done without minimizing network overheads.