Skip to content

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.

Comment nous avons appliqué la mise en cache côté client pour améliorer de 70 % les performances de la boutique en ligne

Chez DoorDash, nous faisons des millions de prédictions chaque seconde pour alimenter les applications d'apprentissage automatique afin d'améliorer nos domaines de recherche, de recommandation, de logistique et de fraude, et la mise à l'échelle de ces systèmes complexes avec notre magasin de fonctionnalités est continuellement un défi.

Construire un Gigascale ML Feature Store avec Redis, Binary Serialization, String Hashing et Compression

Lorsqu'une entreprise comptant des millions de consommateurs, telle que DoorDash, construit des modèles d'apprentissage automatique, la quantité de données de caractéristiques peut atteindre des milliards d'enregistrements, dont des millions sont activement récupérés au cours de l'inférence du modèle, avec des contraintes de faible latence.