Проблема Uber на миллиард долларов: надежное и быстрое прогнозирование расчетного времени прибытия

Визуальное глубокое погружение в то, как Uber использует теорию графов, встраивания и самовнимание, а также прогнозирует ожидаемое время прибытия.

Получите список лично курируемых и свободно доступных ресурсов по машинному обучению, НЛП и компьютерному зрению БЕСПЛАТНО при подписке на рассылку новостей.

Чтобы узнать больше по этой теме, см. раздел ссылок внизу. Подумайте о том, чтобы поделиться этим постом с теми, кто хочет узнать больше о машинном обучении.

Представьте, что вам нужно успеть на рейс через час, и вы рассчитываете, что Uber доставит вас в аэропорт. Точное расчетное время прибытия или ETA позволит вам расслабиться, зная, сколько времени у вас есть. Напротив, ненадежное расчетное время прибытия может стать причиной стресса, заставляя вас искать другое такси или рисковать опоздать на рейс.

Для Uber точные расчетные сроки имеют решающее значение не только для удобства пользователей, но и для прибыли. Представьте себе сценарий, в котором пассажиры постоянно сталкиваются с задержками из-за неточных значений расчетного времени прибытия. Это может привести к разочарованию и снижению количества пассажиров, что отразится на доходах Uber.

0. Почему прогнозирование расчетного времени прибытия так важно?

Прогнозирование точного предполагаемого времени прибытия или ETA имеет решающее значение для успеха Uber. Неточные расчетные сроки прибытия могут привести к ухудшению пользовательского опыта, что приведет к снижению использования и потере доходов [4].

Это напрямую влияет на доходы компании, приводя к убыткам в миллионы долларов за несколько недель всего в нескольких городах. Экстраполяция этого на все страны присутствия Uber приведет к существенным финансовым потерям в миллиарды долларов [4].

Кроме того, служба прогнозирования расчетного времени прибытия Uber используется внутренними продуктами и помогает эффективно распределять ресурсы. Во время поездки служба ETA показывает пользователю время до пункта назначения, отправляет лучший автомобиль, чтобы минимизировать время ожидания, и доставит пользователя из источника в пункт назначения, обновляя ETA несколько раз.

1. Дизайнерские решения Uber

Раньше Uber использовал ансамбли деревьев решений с градиентным усилением для прогнозирования расчетного времени прибытия. С увеличением объема обучающих данных, доступных со временем, было вполне естественно перейти к более мощным моделям машинного обучения.

Преодоление разрыва с помощью традиционных алгоритмов и машинного обучения.

Uber решил перейти от ансамблей деревьев решений к моделям глубокого обучения. Переход на модели, более близкие к новейшим, означал, что им придется решать проблемы, связанные с масштабированием таких моделей. Uber разработал систему машинного обучения с учетом следующих ограничений [2]:

• Задержка:  модель машинного обучения для прогнозирования ETA имеет самое большое количество запросов в секунду в Uber. Он должен масштабироваться и стать услугой с низкой задержкой, используемой внутренними клиентами Uber.

• Точность.  Основным показателем Uber является средняя абсолютная ошибка (MAE) между прогнозируемым и истинным расчетным временем прибытия. Новая модель ML должна быть лучше модели XGBoost.

• Обобщаемость:  модель Uber должна обеспечивать надежные прогнозы расчетного времени прибытия в разных странах Uber и различных бизнес-кейсах, таких как Uber Eats и Uber Rides.

2. Не изобретайте колесо заново

Система ETA Uber представляет собой удачное сочетание традиционных алгоритмов маршрутизации и передовых технологий глубокого обучения. Думайте об этом как о слоеном пироге. Первый уровень — это механизм маршрутизации, который использует данные карты, схемы движения и скорости транспортных средств для создания базовой оценки времени в пути.

Источник: codecompass00.substack.com

Комментарии: