Mit KI die Mode revolutionieren

Industrie

Technologie

Datenwissenschaft Deltasee ETL Azure Maschinelles Lernen

Einführung

NashTech stellte eine Lakehouse-Lösung bereit, die eine skalierbare und kollaborative Umgebung für die Datenwissenschaft förderte und zu einer Senkung der Betriebskosten um 70 % führte.

Ein schwedischer multinationaler Bekleidungskonzern mit Hauptsitz in Stockholm ist nach dem spanischen Unternehmen Inditex der zweitgrößte Bekleidungseinzelhändler weltweit. Es ist eines der größten Modeunternehmen der Welt mit mehr als 120.000 Mitarbeitern weltweit und ist in 74 Ländern mit über 5.000 Geschäften unter den verschiedenen Marken des Unternehmens vertreten.

Die Herausforderung

Daten sind das Herzstück aller Aktivitäten des Unternehmens, das in der Mode- und Einzelhandelsbranche eine wichtige Rolle spielt und Innovationen vorantreibt. Das Unternehmen musste seine Lieferkette und seine Prognosen verbessern, um die Kosten zu vereinfachen und die Erträge zu maximieren, da es in rasantem Tempo Standorte in der ganzen Welt eröffnete.

Das vor Ort installierte Hadoop-System schränkte jedoch die Fähigkeit ein, Daten von Millionen von Verbrauchern aufzunehmen und zu analysieren, was für die Durchführung von Vorhersagemodellen erforderlich war. Das Unternehmen entschied sich für die Lakehouse-Lösung von NashTecch, um die Verwaltung der Infrastruktur zu vereinfachen, leistungsstarke Datenpipelines in großem Umfang bereitzustellen und den Lebenszyklus des maschinellen Lernens zu optimieren, damit datengesteuerte Entscheidungen getroffen werden können, die das Unternehmenswachstum beschleunigen.

“Technologie ist ein großer Gleichmacher, der es unseren Kunden ermöglicht, mit den größten Banken der Welt zu konkurrieren. Einer der bedeutenden technologischen Vorteile, die NashTech expertise Solution bietet, ist die Möglichkeit der gemeinsamen Nutzung über unser Produktportfolio hinweg. Die wichtigen Ereignisse, die während der gesamten finanziellen Reise eines Endbenutzers auftreten, von der Eröffnung eines Kontos über die Aufnahme eines Kredits für ein Haus oder ein kleines Unternehmen bis hin zum Sparen für das College oder den Ruhestand”, sagte Vice President, Hosting Architecture.

Veraltete Architektur, die das Unternehmenswachstum nicht unterstützen kann

Um die Effizienz der Lieferkette zu verbessern, entschied sich das Unternehmen für die Nutzung von Daten und KI, um die Entscheidungsfindung und den Betrieb zu verbessern. Die alte, auf Hadoop basierende Architektur war jedoch ineffizient und konnte nicht skaliert werden, um die schnellen Geschäftsanforderungen zu erfüllen.

– Massive Datenmengen von über 5.000 Geschäften in über 70 Märkten mit Millionen von Kunden täglich.
– Die Datentechnik hatte mit Clustern fester Größe, einer komplexen Infrastruktur, die ressourcenintensiv und kostspielig zu skalieren war, sowie mit Problemen der Datensicherheit zu kämpfen.
– Schwierigkeiten bei der Skalierung der Abläufe zur Unterstützung der Data-Science-Bemühungen bei all diesen Daten, die aus verschiedenen, isolierten Datenquellen stammen.
– Die Markteinführungszeit wurde durch erhebliche DevOps-Verzögerungen beeinträchtigt, die sich auf die Fähigkeit der Datenwissenschaftler auswirkten, Modelle schnell zu erstellen, zu trainieren und bereitzustellen. Es würde ein ganzes Jahr dauern, um von der Idee zur Produktion zu gelangen.

Die Lösung

Die Vereinfachung von Datenoperationen fördert ML-Innovationen.

NashTech stellt ihnen eine Lakehouse-Lösung zur Verfügung, die eine skalierbare und kollaborative Umgebung für Data Science und Engineering geschaffen hat, die es Dateningenieuren und -wissenschaftlern ermöglicht, sich auf den gesamten Datenlebenszyklus zu konzentrieren, anstatt Cluster zu verwalten, und Modelle schnell zu trainieren und zu operationalisieren, mit dem Ziel, Lieferkettenentscheidungen für das Unternehmen zu beschleunigen.

Seitdem hat die Organisation die Nutzung der NashTech-Kompetenzlösung auf andere Projekte ausgeweitet, darunter ein Projekt, bei dem Kafka zur Standardisierung und Übertragung von Daten aus Apache Cassandra-Datenbanken auf die Cloud Data Access-Plattform von Molecula verwendet wird. “Diese Lösung nutzt mehrere Funktionen von NashTech’s Expertise Solution”, erklären die Teammitglieder. “Wir strukturieren die Daten aus unseren Cassandra-Datenbanken mithilfe eines in Schema Registry gespeicherten Modells und verwenden NashTech Replicator, um Themen über mehrere Rechenzentren hinweg zu replizieren.”

“Wir wickeln jedes Jahr fast 1,5 Billionen Dollar über unsere Plattform ab, daher ist Zuverlässigkeit für uns von entscheidender Bedeutung; wir können uns keinen Datenverlust oder Fehler beim Schreiben von Nachrichten leisten.” In dem Maße, in dem wir unsere Plattform auf die Kreditvergabe, die Kreditentscheidung und andere Bereiche ausweiten, wird die Notwendigkeit eines zuverlässigen Datenaustauschs immer wichtiger. Mit dem Fachwissen von NashTech als Teil unserer Software-Architektur können wir Daten problemlos zwischen Produkten und zwischen öffentlichen und privaten Rechenzentren verschieben, um diesen Bedarf zu decken.”

– Eine vollständig verwaltete Plattform mit automatisiertem Cluster-Management vereinfacht die Verwaltung und den Betrieb der Infrastruktur im großen Maßstab.
– Eine kollaborative Notebook-Umgebung mit Unterstützung für mehrere Sprachen (SQL, Scala, Python, R) ermöglicht es einem Team von Anwendern, in ihrer bevorzugten Sprache zusammenzuarbeiten und so eine einheitliche, teamübergreifende Umgebung zur Steigerung der Produktivität zu schaffen.
– Integrierte NashTech-Lösung mit Azure und anderen Technologien wie Apache Airflow und Kubernetes, so dass elastisches Modelltraining in großem Maßstab erreicht werden kann.

Das Ergebnis

Bessere Entscheidungsfindung, drastische Kosteneinsparungen

Selbst eine Verbesserung der Genauigkeit eines einzelnen Modells um 0,1 % hat enorme Auswirkungen auf das Unternehmen. Mit NashTech machen sie Daten für jeden Entscheidungsträger zugänglicher, wodurch das Unternehmen schneller und relevanter wächst.

– Verbesserte betriebliche Effizienz: Funktionen wie die automatische Skalierung von Clustern haben den Betrieb von der Datenaufnahme bis zur Verwaltung des gesamten Lebenszyklus des maschinellen Lernens verbessert und die Betriebskosten um 70 % gesenkt.
– Bessere teamübergreifende Zusammenarbeit: Die einheitliche Analyseumgebung für Datenwissenschaftler und Ingenieure hat die Anzahl der Komponenten, die für die Produktion benötigt werden, drastisch reduziert und ermöglicht eine einfache Einrichtung und Verwaltung.
– Enorme Auswirkungen auf das Geschäft bei schnellerer Einsicht: Durch die Möglichkeit, Entscheidungen detaillierter zu treffen, konnten sie die strategische Entscheidungsfindung und Geschäftsprognosen verbessern.

“NashTech ist das Herzstück unseres Datengeschäfts, es ist der Ort, an den wir gehen, um Erkenntnisse zu gewinnen”.

Leiter der KI-Technologie und -Architektur