Mantenerse competitivo en la Major League Soccer (MLS) exige construir y suministrar un equipo robusto a través de una planificación estratégica de plantillas y una navegación inteligente y efectiva en el mercado de transferencias. Para lograrlo, los equipos de la MLS confían en Reglas y regulaciones de composición de la letanía. Sin confiscación, estas reglas suelen ser extensas y llenas de detalles legalistas, lo que puede parar los procesos de toma de decisiones. Reconociendo este desafío, el Philadelphia Union, Ganadores del Supporters’ Shield de la MLS 2020recurrió a la plataforma de inteligencia de datos Databricks para impulsar la toma de decisiones. Aprovechando sus capacidades avanzadas de datos e inteligencia fabricado, implementaron un chatbot GenAI para ayudar a la oficina principal con consultas sobre la composición de la letanía, pautas de presupuesto salarial y otras regulaciones complejas, mejorando la eficiencia y la claridad operativa.
Al utilizar Databricks, estamos transformando nuestro enfoque en la trámite de listas, convirtiendo un proceso confuso y que requiere mucho tiempo en una operación optimizada basada en datos.
— Addison Hunsicker, regente sénior de estudio de fútbol, Philadelphia Union
Se accede al chatbot a través de una interfaz sin código similar a ChatGPT implementada a través de Aplicaciones de ladrillos de datosuna decisión para crear rápidamente datos seguros y aplicaciones de inteligencia fabricado. La oficina principal se beneficia del estilo conversacional del chatbot, que no solo proporciona un liviana golpe sino que además permite una interpretación inmediata de las regulaciones de la letanía en segundos. Esto acelera la toma de decisiones y ahorra un tiempo valioso, lo que permite que el front office se centre en tareas más estratégicas y de valía añadido.
La casa de la decisión: RAG para la interpretación rápida de reglas
La decisión se base en una casa de vivientes aumentada de recuperación (RAG), con todos los componentes totalmente impulsados por la plataforma de inteligencia de datos Databricks. RAG funciona recuperando contexto relevante de un mecanismo de almacenamiento «foráneo», amplizándolo al mensaje de consulta del becario y generando respuestas mucho precisas y contextualmente relevantes a partir de un maniquí de habla ilustre.
En este caso, el mecanismo de almacenamiento es Búsqueda de vectoresuna almohadilla de datos vectorial proporcionada por Databricks. Para certificar que los nuevos archivos PDF estén disponibles automáticamente, se configuró un mecanismo de ingesta continua para cargar archivos PDF de reglas de letanía en Databricks Volumes, un almacén totalmente gobernado para datos semiestructurados y no estructurados en Databricks. Luego se extrae el texto y se generan representaciones numéricas (o incrustaciones) utilizando modelos de incrustación del API del maniquí de Databricks Foundation. Estas incorporaciones son indexadas y servidas por Vector Search para una búsqueda y recuperación rápida y válido, lo que permite un golpe rápido a información relevante.
Philadelphia Union además utilizó Instrucción DBRX propia de Databricks model, un potente LLM de código libre basado en una casa de mezcla de expertos (MoE). DBRX Instruct ofrece un rendimiento excelente en puntos de remisión como MMLU. Convenientemente, el maniquí además está habitable a través de la API del maniquí de Databricks Foundation, lo que elimina la obligación de hospedar o regir su propia infraestructura de maniquí.
Luego, su chatbot RAG se implementa utilizando el Situación del agente Mosaic AIque permite una orquestación perfecta de los componentes de la aplicación RAG en una esclavitud que se puede hospedar en un punto final de Databricks Model Serving como una API. El entorno además incluye una aplicación de revisión y evaluaciones integradas, que fueron invaluables para resumir comentarios humanos y validar la efectividad de la decisión RAG antaño de su implementación. Esto aseguró que el chatbot fuera confiable y estuviera optimizado antaño de estar habitable para el front office.
A partir de este punto, es liviana conectar una plantilla de interfaz de becario de chat de Databricks Apps standard a un agente de Mosaic AI Agent Framework e implementar el chatbot en cuestión de minutos.
Beneficios esencia de la decisión RAG de Databricks
A continuación, exploraremos los beneficios esencia que ofrece la decisión Databricks RAG y destacaremos los componentes relevantes que la hacen posible.
- Rápido tiempo de creación de modelos: El equipo de datos de la Unión desarrolló e implementó su maniquí RAG en solo unos días. Al utilizar Mosaic AI Agent Framework, el flujo de trabajo de extremo a extremo de LLMOps permitió una iteración rápida, pruebas e implementación fluidas, lo que redujo significativamente el tiempo que normalmente se requiere para sistemas tan complejos.
- Realización inmediata de valía: Con el sistema RAG implementado, el equipo comenzó a obtener valía inmediato al automatizar la ascendencia y el estudio de las reglas de la letanía, tareas que antaño requerían mucho tiempo y eran manuales.
- Encargo y gobernanza de datos mejoradas: Ladrillos de datos Catálogo de dispositivo garantizó una sólida trámite y gobernanza de datos, proporcionando a la Unión un manejo seguro y compatible de la información confidencial de los jugadores y la letanía, manteniendo al mismo tiempo los estándares de gobernanza empresarial.
- Escalabilidad y rendimiento: La capacidad de la plataforma Databricks para procesar eficientemente grandes volúmenes de datos permitió a la Unión analizar no solo las reglas de letanía actuales sino además las tendencias históricas y los escenarios futuros a escalera.
- Exposición de IA flexible y de suscripción calidad: El equipo simplificó el ciclo de vida de su maniquí RAG aprovechando Mosaic AI Agent Framework. Funciones como el registro de seguimiento, la captura de comentarios y la evaluación del rendimiento permitieron una prosperidad y un ajuste continuos de la calidad. Por otra parte, flujo ml La integración simplificó la experimentación con varias configuraciones de RAG, lo que garantiza un rendimiento magnífico.
- Implementación gobernada, segura y válido: El Situación del agente Mosaic AILa integración de Databricks con la plataforma de inteligencia de datos de Databricks garantizó que todas las implementaciones cumplieran con los estándares de gobernanza y seguridad, lo que permitió un entorno confiable y compatible para las soluciones de IA.
Conclusión
Databricks se ha convertido en el duodécimo hombre de Philadelphia Union, ayudándolos a transformarse en una estructura con visión de futuro e impulsada por datos. A medida que la industria del deporte continúa evolucionando, la acogida de estudio avanzados e inteligencia fabricado por parte del Philadelphia Union demuestra cómo la inteligencia de datos puede cambiar las reglas del charnela tanto internamente como fuera de la cancha.
El uso renovador de la tecnología por parte de la Unión no sólo garantiza el cumplimiento de las reglas de la plantilla de la MLS, sino que además proporciona al equipo una delantera competitiva en la adquisición y el crecimiento de jugadores. Con Databricks, la Unión está aceptablemente posicionada para navegar las complejidades de las regulaciones de la MLS mientras se concentra en lo más importante: construir un equipo triunfador. ¡GG!
Esta publicación de blog fue escrita conjuntamente por Addison Hunsicker (Unión de Filadelfia), Christopher Niesel (Ladrillos de datos) y Samuel Emmanuel (Ladrillos de datos).