Gépi tanulás a Wizz Air járatai mögött
Hogyan optimalizálható a leghatékonyabban egy légitársaság járatainak telítettsége?
Az agent és a mérnök is azt csinálja, amiben jó - így dolgozik a megújult Mito (x)
A Mito a nyárra összevonta négy üzletágát a nagyvállalati szoftverfejlesztés kihívásaira válaszul.
|
Az agent és a mérnök is azt csinálja, amiben jó - így dolgozik a megújult Mito (x)
A Mito a nyárra összevonta négy üzletágát a nagyvállalati szoftverfejlesztés kihívásaira válaszul.
Diszkont légitársaságként fontos, hogy minden járat a lehető legnagyobb kihasználtsággal repüljön a működési költségek alacsonyan tartása érdekében. A tényleges utasszámot a dinamikus árazáson túl az is befolyásolja, hogy kik azok az érvényes foglalással rendelkező utasok, akik végül valamilyen okból mégsem utaznak. Prikler Attila a Wizz Air IT vezetője a 2019. november 27-28-án rendezett HWSW mobile! termékfejlesztői konferencián tartott előadásában egy esettanulmány segítségével mutatja be, milyen döntések mentén jutottak el gépi tanulási modellek sikeres alkalmazásához a tényleges utasszám előrejelzésében.
Járatok telítettségének optimalizálása gépi tanulás segítségével - Prikler Attila (Wizz Air)
Még több videó
Az agent és a mérnök is azt csinálja, amiben jó - így dolgozik a megújult Mito (x)
A Mito a nyárra összevonta négy üzletágát a nagyvállalati szoftverfejlesztés kihívásaira válaszul.Az agent és a mérnök is azt csinálja, amiben jó - így dolgozik a megújult Mito (x) A Mito a nyárra összevonta négy üzletágát a nagyvállalati szoftverfejlesztés kihívásaira válaszul.
Diszkont légitársaságként fontos, hogy minden járat a lehető legnagyobb kihasználtsággal repüljön a működési költségek alacsonyan tartása érdekében. A tényleges utasszámot a dinamikus árazáson túl az is befolyásolja, hogy kik azok az érvényes foglalással rendelkező utasok, akik végül valamilyen okból mégsem utaznak. Prikler Attila a Wizz Air IT vezetője a 2019. november 27-28-án rendezett HWSW mobile! termékfejlesztői konferencián tartott előadásában egy esettanulmány segítségével mutatja be, milyen döntések mentén jutottak el gépi tanulási modellek sikeres alkalmazásához a tényleges utasszám előrejelzésében.
Járatok telítettségének optimalizálása gépi tanulás segítségével - Prikler Attila (Wizz Air)
Még több videó