Cómo utiliza Uber la IA para mejorar las entregas

¿Cómo puede Uber entregar comida y llegar siempre a tiempo o unos minutos antes? ¿Cómo relacionan a los pasajeros con los conductores para que siempre puedas encontrar un Uber? ¿Todo eso mientras también administra todos los controladores?

Bueno, vamos a responder exactamente eso en el video...

Referencias

►Lea el artículo completo: https://www.louisbouchard.ai/uber-deepeta/
►Publicación de blog de Uber: https://eng.uber.com/deepeta-how-uber-predicts-arrival-times/
►Qué son los transformadores:
►Transformadores Lineales: https://arxiv.org/pdf/2006.16236.pdf
►My Newsletter (¡Una nueva aplicación de IA explicada semanalmente en sus correos electrónicos!): https://www.louisbouchard.ai/newsletter/

Transcripción de vídeo

0:00

¿Cómo puede Uber entregar comida y siempre?

0:02

llegar a tiempo o unos minutos antes

0:05

¿Cómo hacen coincidir a los pasajeros con los conductores para que

0:07

que siempre puedes encontrar un uber todo eso

0:10

mientras que pronto gestionamos todos los controladores que

0:12

responderá estas preguntas en este

0:14

video con su predicción de tiempo de llegada

0:16

algoritmo profundo eta profundo eta es de uber

0:20

algoritmo más avanzado para estimar

0:22

tiempos de llegada usando aprendizaje profundo usado

0:25

tanto para uber como para uber eats deep eta can

0:28

organizar mágicamente todo en el

0:30

fondo para que los pilotos, conductores y

0:32

los alimentos van con fluidez del punto a al

0:34

punto b de la manera más eficiente posible muchas

0:37

existen diferentes algoritmos para estimar

0:40

viajo en esas redes de carreteras, pero yo no

0:42

creo que alguno está tan optimizado como el de uber

0:45

herramientas de predicción de tiempo de llegada anterior

0:47

incluyendo uber fueron construidos con lo que

0:50

llamar a los algoritmos de ruta más corta que son

0:52

no es muy adecuado para el mundo real

0:54

predicciones ya que no consideran

0:56

señales en tiempo real durante varios años uber

0:59

usó xgboost un gradiente conocido

1:02

árbol de decisiones impulsado por aprendizaje automático

1:04

la biblioteca xjboost es extremadamente poderosa

1:07

y utilizado en muchas aplicaciones, pero fue

1:09

limitado en el caso de uber ya que cuanto más

1:11

crecía cuanto más latencia tenía querían

1:14

algo mas rapido mas preciso y mas

1:16

general para ser utilizado por los conductores jinetes

1:18

y comida a domicilio todo ortogonal

1:20

Desafíos complejos de resolver

1:22

incluso para aprendizaje automático o IA

1:25

aquí viene profundo eta un aprendizaje profundo

1:28

modelo que mejora los impulsos xg para

1:30

todos esos oh y casi lo olvido

1:33

aqui esta el patrocinador de este video

1:36

yo por favor tómate un minuto para suscribirte

1:39

si te gusta el contenido y deja tu like

1:41

También me encantaría leer tus pensamientos en

1:43

los comentarios o unirse a la discordia

1:45

comunidad aprende ai juntos para chatear con

1:47

nosotros volvamos al video

1:49

deep eta es realmente poderoso y

1:51

eficiente porque no requiere simplemente

1:53

datos y generar una predicción hay un

1:56

todo el sistema de preprocesamiento para hacer esto

1:58

datos más digeribles para el modelo este

2:00

hace que sea mucho más fácil para el modelo, ya que

2:02

puede enfocarse directamente en datos optimizados

2:05

con mucho menos ruido y mucho más pequeño

2:07

entradas un primer paso en la optimización para

2:10

la latencia emite este preprocesamiento

2:12

El módulo comienza tomando datos del mapa y

2:14

mediciones de tráfico en tiempo real para

2:16

producir un tiempo estimado inicial de

2:18

llegada para cualquier nueva solicitud de cliente

2:21

entonces el modelo toma estos

2:23

características transformadas con el espacio

2:25

origen y destino y hora de la

2:27

solicitud como una característica temporal pero

2:29

no se queda aquí también se necesita más

2:32

información sobre actividades en tiempo real

2:34

como el clima del tráfico o incluso la naturaleza

2:36

de la solicitud como entrega o viaje

2:39

compartir recogida toda esta información adicional

2:41

es necesario mejorar desde el

2:43

algoritmos de ruta más corta que mencionamos

2:45

que son altamente eficientes pero lejos de

2:47

inteligentes son prueba del mundo real y

2:50

que tipo de arquitectura hace esto

2:52

modelo uso adivinaste un transformador

2:54

¿Estás sorprendido porque definitivamente estoy

2:56

no y esto responde directamente a la primera

2:59

reto que era hacer la maqueta

3:01

más preciso ya he cubierto

3:03

transformadores numerosas veces en mi

3:04

canal así que no entraré en cómo funciona

3:07

en este video pero aún quería

3:08

destacar algunas características específicas para

3:11

este en particular primero debes ser

3:13

pensando pero los transformadores son enormes y

3:16

modelos lentos como puede ser de menor

3:18

latencia que xg boost bien serás

3:21

cierto lo han probado y era demasiado

3:23

lento por lo que tuvieron que hacer algunos cambios

3:26

el cambio con mayor impacto fue

3:28

usar un transformador lineal que escala

3:30

con la dimensión de la entrada en su lugar

3:33

de la longitud de la entrada, esto significa que si

3:35

la entrada es larga los transformadores serán

3:38

muy lento y esto es a menudo el caso de

3:40

ellos con tanta información como el enrutamiento

3:42

los datos en su lugar se escalan con dimensiones

3:45

algo que pueden controlar que es mucho

3:47

más pequeño otra gran mejora en

3:49

la velocidad es la discretización de las entradas

3:52

lo que significa que toman valores continuos

3:53

y hacerlos mucho más fáciles de calcular por

3:56

agrupar valores similares juntos

3:58

la discretización se usa regularmente en

4:00

predicción para acelerar el cálculo como

4:02

la velocidad que da supera claramente la

4:04

error que puede traer valores duplicados

4:07

ahora queda un desafío por cubrir

4:10

y, con mucho, lo más interesante es cómo

4:13

lo hicieron más general aquí está el

4:15

modelo eta profundo completo para responder a esto

4:18

pregunta hay la anterior

4:19

cuantificación de los datos que luego son

4:22

incrustado y enviado al lineal

4:24

transformador que acabamos de discutir, entonces

4:26

tener la capa completamente conectada para hacer

4:28

nuestras predicciones y tenemos un paso final

4:31

para hacer nuestro modelo general el sesgo

4:33

decodificador de ajuste que tomará en el

4:36

predicciones y las características de tipo que

4:38

mencionado al principio del video

4:40

que contiene la razón por la cual el cliente hizo

4:42

una solicitud a uber para una predicción de renderizado

4:44

a un valor más apropiado para una tarea

4:46

periódicamente se reentrenan y despliegan

4:49

su modelo usando su propia plataforma

4:51

llamado michelangelo que me encantaría

4:53

cubra a continuación si está interesado si es así

4:56

por favor hágamelo saber en los comentarios y

4:58

voila esto es lo que uber usa actualmente en

5:01

su sistema para entregar y dar paseos

5:03

a todos de la manera más eficiente posible

5:07

por supuesto, esto fue solo una descripción general y

5:09

utilizaron más técnicas para mejorar la

5:11

arquitectura que puedes conocer en

5:13

su gran publicación de blog vinculada a continuación si

5:16

tienes curiosidad yo también solo quería

5:18

Tenga en cuenta que esto fue solo una descripción general de

5:20

su algoritmo de predicción de la hora de llegada

5:22

y de ninguna manera estoy afiliado a uber

5:25

espero que hayan disfrutado el video de esta semana

5:28

cubriendo un modelo aplicado a lo real

5:30

mundo en lugar de un nuevo trabajo de investigación

5:32

y si es así, siéntase libre de sugerir

5:35

cualquier aplicación o herramienta interesante para

5:37

portada a continuación, me encantaría leer sus identificaciones

5:39

gracias por mirar y voy a ver

5:41

la semana que viene con otro papel increíble

[Música]