Softline помогает «Спортмастеру» повысить эффективность AI-технологий
Компания Softline успешно реализовала проект, который призван помочь международной сети спортивных магазинов “Спортмастер” значительно ускорить работу моделей искусственного интеллекта. Благодаря внедрению программно-аппаратных комплексов NVIDIADGX-2, предназначенных для решения самых сложных задач в области искусственного интеллекта, ритейлер рассчитывает улучшить процесс прогнозирования спроса и пополнения товарных запасов, повысить эффективность маркетинговых программ и управления персоналом торговой сети.
Усиление конкуренции, борьба за клиента, повышение эффективности, снижение издержек, резкое увеличение объёма данных и сложности процессов стимулируют бизнес к использованию технологий искусственного интеллекта. Компания «Спортмастер» активно разрабатывает модели искусственного интеллекта для прогнозирования спроса, оптимизации управления товарными операциями, увеличения конверсии продаж, повышения эффективности программ лояльности.
Для того чтобы быстро создавать, развертывать и обучать модели искусственного интеллекта, компании “Спортмастер” требовалось решение, способное обеспечить высокую производительность в задачах машинного обучения и глубокого обучения.
Эксперты Softline, с которой ритейлера связывают многолетние деловые отношения, предложили использовать программно-аппаратный комплекс NVIDIADGX-2. Эта система, разработанная NVIDIA, предназначена для обучения нейронных сетей, решения задач математической статистики и машинного обучения. Ее производительность можно сравнить с производительностью десятков CPU-серверов, но NVIDIADGX-2 эффективнее и экономичнее. Программно-аппаратный комплекс не имеет аналогов в России, а его продвижением на отечественный рынок занимаются лишь несколько партнеров NVIDIA, среди которых — Softline. Портфель продуктов и сервисов Softline постоянно пополняется собственными и вендорскими решениями в области искусственного интеллекта.
“Обладая опытом в реализации проектов на базе AI-технологий, Softline предложила заказчику использовать системы NVIDIADGX-2 для ускорения разработки моделей машинного обучения. Возможности платформы DGX позволяют обучать нейронные сети в несколько раз быстрее, чем функционал обычных процессоров. Внедрив программно-аппаратный комплексы NVIDIADGX-2, «Спортмастер» решит актуальные бизнес-задачи. Во-первых, ускорение разработки прогнозных моделей позволит избежать дефицита товаров на прилавках и скопления неликвидной продукции на складах. Во-вторых, анализ данных с помощью методов машинного обучения поможет ритейлеру повысить эффективность маркетинговой деятельности. Сейчас активно разрабатываются программы лояльности, качество таргетированной рекламы выводится на новый уровень, готовятся маркетинговые мероприятия”, — обозначил преимущества использования системы NVIDIADGX-2 менеджер по продаже решений компании Softline Антон Юдин.
О том, как технологии искусственного интеллекта улучшают бизнес-процессы компании «Спортмастер», о результатах проекта и перспективах сотрудничества рассказывает Алексей Тюренков, начальник департамента хранилищ данных, бизнес-аналитики и исследований данных УИС компании «Спортмастер»:
“ Сложность бизнес-процессов постоянно повышается. Резко увеличивается объём данных и количество факторов, влияющих на прогнозный показатель и объект классификации. Сокращается время, необходимое человеку для принятия оптимальных решений. Как пример — ежедневное формирование заказа товара в торговую сеть из тысяч магазинов и десятков тысяч товарных позиций. Или, скажем, привлечение необходимого числа сотрудников для работы в магазине в часы пиковой нагрузки для каждого магазина сети. Или подготовка маркетинговых промо-кампаний с оптимальными параметрами сегментов (клиенты, товары, магазины). В условиях ограничения ресурсов и времени человек не в состоянии эффективно решать столь масштабные задачи оптимизации. Помощь в принятии решений ему способны оказать системы искусственного интеллекта, для эффективной работы которых требуются специализированные высокопроизводительные платформы, с ускорением вычислений на базе GPU.
Команда экспертов по анализу данных «Спортмастер» провела исследования по моделированию сложных бизнес-процессов компании, накопила значительные компетенции в разработке промышленных моделей искусственного интеллекта.
Совместно со специалистами Softline проанализировали рынок GPU-платформ и заинтересовались программно-аппаратным комплексом NVIDIADGX-2. Подготовили требования к пилотному проекту, сформировали рабочую группу из экспертов по анализу данных «Спортмастер», договорились с компанией NVIDIA о поставке в наш дата-центр «младшего брата» — сервера NVIDIA DGX Station.
Для максимального использования возможностей DGX пришлось переписать скрипты для подготовки данных и процесса обучения, провести тестирование выбранных боевых моделей машинного обучения.
По сравнению с 10-ти узловым кластером BigData, результаты оказались весьма оптимистичными. Ключевую роль здесь сыграла GPU-совместимость конкретных алгоритмов в конкретных фреймворках искусственного интеллекта. Там, где не было поддержки GPU (т.е. фактически на NVIDIADGX работал классический CPU), произошла ожидаемая просадка производительности, по сравнению с BigData. Там, где была поддержка GPU (особенно c полноценной реализацией режима multi-threaded GPU), произошел резкий прирост производительности. Например, на градиентном бустинге в Сatboost был зафиксирован 30-кратный прирост, а на XGBOOST в H2O – 20-кратный.
С учетом неплохих результатов тестирования, а также активного развития проекта RAPIDS, поддерживаемого NVIDIA (где всё больше алгоритмов переносится на GPU), было принято решение о покупке и внедрении серверного комплекса NVIDIADGX-2. Настало время разработать требования к промышленной платформе, на основе которых эксперты компании Softline сформировали спецификацию на оборудование и в кратчайшие сроки выполнили поставку двух комплексов NVIDIADGX-2 в наш дата-центр. Дальнейшая миграция боевых моделей искусственного интеллекта на production-платформу NVIDIADGX-2 подтвердила успешные результаты пилотного тестирования. Более того, удалось получить дополнительный прирост производительности за счет более мощного железа NVIDIADGX-2. Таким образом, по сравнению со старой архитектурой, появилось «окно возможностей» для наращивания функционала. Например, переход с еженедельной на ежедневную технологию полного обучения моделей, значительное увеличение количества факторов и возможности «эшелонирования» моделей, использование новых ресурсоемких алгоритмов для повышения качества прогноза и результатов классификации.
Подводя итоги, можно признать результаты проекта успешными. В дальнейшем, планируем наращивать темпы сотрудничества с компаниями NVIDIA и Softline, способствовать активному развитию софтверной части (opensource проект RAPIDS)”.