Comment FactSet a réduit le temps d'entraînement et de déploiement des modèles de plusieurs jours à quelques heures grâce à Databricks AI Runtime
Traduit de l'original anglais par IA. Voir en anglais
FactSet a réduit le temps nécessaire pour configurer, entraîner et déployer ses modèles Text-to-Formula de plusieurs jours à quelques heures en adoptant Databricks AI Runtime. En exploitant des ressources de calcul GPU serverless directement aux côtés des workflows Lakehouse existants, l'équipe peut désormais réentraîner en continu des modèles ouverts affinés toutes les deux à trois semaines pour convertir des requêtes en langage naturel en formules FactSet Query Language.
* Le système Text-to-Formula (TTF) de FactSet convertit les requêtes en langage naturel des professionnels de l'investissement en formules FactSet Query Language (FQL). Après qu'une approche RAG initiale a atteint une limite de qualité sur les formules complexes, FactSet a fait des modèles ouverts affinés un élément central de l'architecture. * L'équipe réentraîne les modèles toutes les deux à trois semaines à mesure que de nouvelles données deviennent disponibles, ce qui rend la configuration de l'infrastructure et la vitesse de déploiement cruciales pour le cycle de développement. * Avec Databricks AI Runtime, FactSet peut sélectionner des ressources de calcul GPU serverless pour chaque charge de travail et s'entraîner parallèlement à ses workflows Lakehouse existants, réduisant ainsi le temps de configuration, d'entraînement et de déploiement d'un modèle de plusieurs jours à quelques heures.