Jetblue es el líder de datos en la industria de las aerolíneas que utiliza datos para ofrecer experiencias de clientes líderes en la industria y tarifas bajas disruptivas a destinos populares en todo el mundo. La clave para las experiencias de los clientes de JetBlue que impulsan una fuerte lealtad es mantenerse eficiente incluso cuando operan en los espacios aéreos más congestionados del mundo, una hazaña que sería inalcanzable sin análisis y IA en tiempo actual.
JetBlue se optimiza para la alta utilización de aviones y tripulación al adquirir una comprensión profunda de las operaciones de aerolíneas globales, la relación entre los aviones, los clientes y la tripulación, los conductores de retraso y los posibles efectos en cascada de los retrasos que pueden conducir a mayores interrupciones.
Llegar a este nivel de información requiere sentido de grandes volúmenes y variedades de fuentes de todos los componentes de los datos de operaciones a los datos meteorológicos a los datos de tráfico de las aerolíneas y más. La complejidad de los datos y la situación puede ser difícil de comprender rápidamente y tomar medidas sin la ayuda del aprendizaje automático.
Es por eso que JetBlue innova con análisis y IA en tiempo actual, utilizando más de 15 aplicaciones de aprendizaje automático en producción hoy para precios dinámicos, personalización del cliente, aplicaciones de alerta, chatbots y más. Estas aplicaciones de aprendizaje automático le dan a JetBlue una ventaja competitiva al mejorar sus capacidades comerciales y operativas.
En este weblog, discutiremos cómo JetBlue creó una plataforma de aprendizaje automático interno, Blueml, que permite a los equipos producir rápidamente nuevas aplicaciones de aprendizaje automático utilizando una biblioteca y configuración comunes. Blueml ha sido basic para apoyar aplicaciones basadas en LLM y productos AI y ML en tiempo actual de JetBlue.
Datos e IA en JetBlue
Tienda de funciones Blueml
JetBlue adopta una arquitectura de Lakehouse utilizando tablas de Databricks Delta Reside para admitir datos de una variedad de fuentes y formatos, lo que facilita que los científicos e ingenieros de datos sean iterar en sus aplicaciones. En el lakehouse, los datos se procesan y enriquecen después del marco de medallón Para crear características y predicciones de lotes, casi en tiempo actual y en tiempo actual para la tienda de funciones Blueml. RockSet actúa como la tienda de funciones en línea para Blueml, características persistentes para consultas de baja latencia durante la inferencia.
La tienda de funciones Blueml ha acelerado el desarrollo de aplicaciones ML en JetBlue, lo que permite a los científicos e ingenieros de datos centrarse en el modelado y la ingeniería de características reutilizables y no las operaciones de código y ML complejos. Como resultado, los equipos pueden producir nuevas características y modelos con un elevador de ingeniería mínimo.
Un habilitador central de la velocidad del desarrollo de ML con Blueml es la flexibilidad del sistema de base de datos subyacente. RockSet tiene un modelo de esquema y consulta flexibles, lo que permite agregar fácilmente nuevos datos o alterar características y predicciones. Con rockset’s Tecnología de indexación convergenteLos datos se indexan en un índice de búsqueda, almacén de columna, índice ANN y almacén de filas para análisis de latencia de milisegundos en una amplia gama de patrones de consulta. RockSet proporciona la velocidad y la escala requeridas de las aplicaciones ML a las que se acceden diariamente más de 2,000 empleados en JetBlue.
Base de datos vectorial para chatbots
JetBlue también usa RockSet como su base de datos vectorial Para almacenar e indexar vectores de alta dimensión generados a partir de modelos de idiomas grandes (LLM) para habilitar la búsqueda eficiente de aplicaciones de chatbot. Con las mejoras recientes y la disponibilidad de LLMS, JetBlue está trabajando rápidamente para facilitar que los equipos internos accedan a los datos utilizando el lenguaje pure para encontrar el estado de los vuelos, las preguntas frecuentes generales, el análisis de los sentimientos del cliente, los motivos de cualquier retraso y el impacto de los retrasos en clientes y tripulaciones.
Capa semántica en tiempo actual para aplicaciones AI y ML
Además de la iniciativa Blueml, JetBlue también ha aprovechado la arquitectura de Lakehouse por sus productos AI & ML que requieren una capa semántica en tiempo actual. El equipo de ciencia de datos, ingeniería de datos y AI y ML en JetBlue ha podido conectar rápidamente las tuberías de transmisión a las colecciones de rockset y lanzar API de consultas Lambda. Estos puntos finales de API REST se integran directamente en las aplicaciones frontales, lo que resulta en una estrategia de mercado de Go-to-Market de productos sin problemas y eficientes sin la necesidad de grandes equipos de ingeniería de software program.
Los usuarios de los productos AI y ML en tiempo actual pueden usar con éxito el LLMS incrustadosCapacidades de simulación y funcionalidades más avanzadas directamente en los productos como resultado de las capas semánticas altas QPS, baja barrera a entrada y escalable. Estos productos van desde pronósticos de ingresos y precios dinámicos auxiliares hasta gemelos digitales operativos y motores de recomendación de decisión.
Requisitos para la tienda de funciones en línea y la base de datos vectorial
RockSet se utiliza en todo el equipo de ciencia de datos en JetBlue para servir productos internos, incluidas recomendaciones, promociones de advertising y los gemelos digitales operativos. JetBlue evaluó rockset basado en los siguientes requisitos:
- Consultas de latencia de milisegundos: los equipos internos quieren experiencias instantáneas para que puedan responder rápidamente a las condiciones cambiantes en el aire y en el suelo. Es por eso que las experiencias de chat como «¿Cuánto tiempo se retrasa mi vuelo» necesita generar respuestas en menos de un segundo?
- Alta concurrencia: la base de datos admite aplicaciones de alta concurrencia apalancadas por más de 10,000 empleados a diario.
- Datos en tiempo actual: JetBlue opera en los espacios aéreos más congestionados y los retrasos en todo el mundo pueden afectar las operaciones. Todos los productos operativos de IA y ML deben admitir la latencia de datos de milisegundos para que los equipos puedan tomar medidas inmediatas sobre los datos más actualizados.
- Arquitectura escalable: JetBlue requiere una arquitectura de nube escalable que separe el cálculo del almacenamiento, ya que hay una serie de aplicaciones que necesitan acceder a las mismas características y conjuntos de datos. Con una arquitectura en la nube, cada aplicación tiene su propio clúster de cómputo aislado para eliminar la contención de recursos entre las aplicaciones y ahorrar en los costos de almacenamiento.
Además de evaluar RockSet, el equipo de ciencia de datos también analizó varias soluciones puntuales, incluidas tiendas de funciones, bases de datos vectoriales y almacenes de datos. Con RockSet, pudieron consolidar 3-4 bases de datos en una sola solución y minimizar las operaciones.
«La iteración y la velocidad de los nuevos productos ML fueron los más importantes para nosotros», cube Sai Ravuru, gerente senior de ciencia de datos y análisis de JetBlue. “Vimos el inmenso poder de los análisis en tiempo actual y la IA para transformar el aumento y la automatización de la decisión en tiempo actual de JetBlue, ya que unir 3-4 las soluciones de base de datos habrían ralentizado el desarrollo de aplicaciones. Con RockSet, encontramos una base de datos que podría mantenerse al día con el ritmo rápido de innovación en JetBlue «.
Beneficios de RockSet para AI en JetBlue
El equipo de datos de JetBlue adoptó RockSet como su tienda de funciones en línea y base de datos de búsqueda vectorial. Las características de Core RockSet permiten al equipo de datos moverse más rápido en el desarrollo de aplicaciones al tiempo que logran un rendimiento constante:
- Índice convergente: el Índice convergente Ofrece un rendimiento de consultas de latencia de milisegundos en las búsquedas, búsqueda de vectores, agregaciones y uniones con un ajuste de rendimiento mínimo. Con la ventaja de rendimiento lista para usar de RockSet, el equipo de JetBlue podría lanzar rápidamente nuevas características o aplicaciones.
- Modelo de datos flexibles: los datos a gran escala y muy anidados podrían consultarse fácilmente usando SQL. Además, la gestión de esquemas dinámicos de Rockset eliminó la dependencia del equipo de ciencias de datos en la ingeniería para las modificaciones de características. Como resultado del modelo de datos flexibles de Rockset, el equipo vio una disminución del 30% en el tiempo para comercializar nuevas características de ML.
- API SQL: RockSet también adopta un enfoque API y tiendas nombradas consultas SQL parametrizadas que se pueden ejecutar desde un punto ultimate de descanso dedicado. Estos consulta lambdas Acelere el desarrollo de aplicaciones porque los equipos de datos ya no necesitan construir API dedicadas, eliminando un paso de desarrollo que previamente podría tomar hasta una semana. «Nos habría llevado otros 3-6 meses para que los productos AI y ML se despeguen si no fuera para la consulta Lambdas», cube Sai Ravuru. «Rockset tomó ese tiempo a días debido a la facilidad de convertir una consulta SQL en una API REST».
- Arquitectura nativa de la nube: la escalabilidad de RockSet permite a JetBlue admitir aplicaciones de altas concurrencias sin preocuparse por un aumento appreciable en su factura de cómputo. Como RockSet está diseñado especialmente para las aplicaciones de búsqueda y analítica en la nube, proporciona un mejor rendimiento de precio que Lakehouse y Information Warehouse Options y ya está generando ahorros de cómputo para JetBlue. Uno de los beneficios de la arquitectura de Rockset es su capacidad para separar ambos almacenamiento de cómputo y calculador para entregar aplicaciones de rendimiento consistente construidas en datos de transmisión de alta velocidad.
El futuro de la IA en el cielo
La IA solo está comenzando a tomar el vuelo y ya está beneficiando a JetBlue y a los aproximadamente 40 millones de viajeros que lleva cada año. La velocidad de innovación en JetBlue está habilitada por la facilidad de uso de la pila de datos subyacente.
«Tenemos más de 15 aplicaciones de ML en producción y veo que ese número crece exponencialmente durante el próximo año», cube Sai Ravuru. «Se remonta a nuestra inversión en Blueml como una plataforma centralizada de autoservicio para IA y ML, donde se puede acceder a datos y predicciones en tiempo actual en toda la organización para mejorar la experiencia del cliente», continúa Ravuru. “Hemos construido la base para permitir la innovación a través de AI y no puedo esperar para ver el impacto transformador que tiene en la experiencia de nuestros clientes reserva, volando e interactuando con los canales digitales de JetBlue. A continuación, está llevando muchas de las concepts servidas a los equipos internos e infundirlos en el sitio net y las aplicaciones de JetBlue. Todavía hay mucho más por venir «.
Contenido integrado: https://youtu.be/k30xqhmwdta?si=nmtamhe0nhkkijy
