Comment Uber peut-il livrer de la nourriture et arriver toujours à l'heure ou quelques minutes avant ? Comment font-ils correspondre les passagers aux chauffeurs pour que vous puissiez toujours trouver un Uber ? Tout ça en gérant tous les pilotes ?! Eh bien, nous répondrons exactement à cela dans la vidéo... Références ►Lire l'article complet : ►Article de blog Uber : ►Que sont les transformateurs : ►Transformateurs linéaires : ►Ma Newsletter (Une nouvelle application d'IA expliquée chaque semaine à vos mails !) : https://www.louisbouchard.ai/uber-deepeta/ https://eng.uber.com/deepeta-how-uber-predicts-arrival-times/ https://youtu.be/sMCHC7XFynM https://arxiv.org/pdf/2006.16236.pdf https://www.louisbouchard.ai/newsletter/ Transcription de la vidéo 0:00 comment uber peut-il livrer de la nourriture et toujours 0:02 arriver à l'heure ou quelques minutes avant 0:05 comment font-ils correspondre les coureurs aux conducteurs afin 0:07 que tu peux toujours trouver un uber tout ça 0:10 tout en gérant bientôt tous les chauffeurs que nous 0:12 répondra à ces questions dans ce 0:14 vidéo avec leur prévision d'heure d'arrivée 0:16 algorithme deep eta deep eta est celui d'uber 0:20 algorithme le plus avancé pour estimer 0:22 heures d'arrivée à l'aide de l'apprentissage en profondeur utilisé 0:25 à la fois pour uber et uber mange profondément eta peut 0:28 organiser magiquement tout dans le 0:30 arrière-plan afin que les coureurs conducteurs et 0:32 la nourriture va couramment du point a au 0:34 point b aussi efficacement que possible beaucoup 0:37 différents algorithmes existent pour estimer 0:40 voyager sur ces réseaux routiers, mais je ne le fais pas 0:42 pense que certains sont aussi optimisés que ceux d'uber 0:45 outils de prévision de l'heure d'arrivée précédente 0:47 y compris uber ont été construits avec ce que nous 0:50 appeler des algorithmes de plus court chemin qui sont 0:52 pas bien adapté au monde réel 0:54 prédictions puisqu'ils ne tiennent pas compte 0:56 signaux en temps réel depuis plusieurs années uber 0:59 utilisé xgboost un gradient bien connu 1:02 Apprentissage automatique de l'arbre de décision boosté 1:04 la bibliothèque xjboost est extrêmement puissante 1:07 et utilisé dans de nombreuses applications, mais a été 1:09 limité dans le cas d'uber car plus il 1:11 augmentait plus il y avait de latence qu'ils voulaient 1:14 quelque chose de plus rapide plus précis et plus 1:16 général à utiliser pour les pilotes pilotes 1:18 et livraison de nourriture tous orthogonaux 1:20 des défis complexes à résoudre 1:22 même pour l'apprentissage automatique ou l'IA 1:25 voici venir en profondeur eta un apprentissage en profondeur 1:28 modèle qui améliore les boosts xg pour 1h30 tous ces oh et j'ai presque oublié 1:33 voici le sponsor de cette vidéo 1:36 moi-même s'il vous plaît prendre une minute pour vous abonner 1:39 si vous aimez le contenu et laissez un like 1:41 j'aimerais aussi lire vos pensées dans 1:43 les commentaires ou rejoignez le discord 1:45 communauté apprendre ai ensemble pour discuter avec 1:47 nous revenons à la vidéo 1:49 deep eta est vraiment puissant et 1:51 efficace parce qu'il ne suffit pas de prendre 1:53 données et générer une prédiction il y a un 1:56 tout le système de prétraitement pour faire cela 1:58 des données plus digestes pour le modèle ce 2:00 rend beaucoup plus facile pour le modèle car il 2:02 peut se concentrer directement sur des données optimisées 2:05 avec beaucoup moins de bruit et beaucoup plus petit 2:07 entrées une première étape dans l'optimisation pour 2:10 problèmes de latence ce pré-traitement 2:12 module commence par prendre des données cartographiques et 2:14 des mesures de trafic en temps réel pour 2:16 produire un temps initial estimé de 2:18 arrivée pour toute nouvelle demande client 2:21 alors le modèle prend en compte ces 2:23 caractéristiques transformées avec l'espace 2:25 l'origine et la destination et l'heure du 2:27 demande comme une caractéristique temporelle, mais il 2:29 ne s'arrête pas là il faut aussi plus 2:32 informations sur les activités en temps réel 2:34 comme la météo de la circulation ou même la nature 2:36 de la demande comme la livraison ou le trajet 2:39 partagez toutes ces informations supplémentaires 2:41 est nécessaire d'améliorer de la 2:43 algorithmes de chemin le plus court que nous avons mentionnés 2:45 qui sont très efficaces mais loin d'être 2:47 intelligents sont à l'épreuve du monde réel et 2:50 quel genre d'architecture cela fait-il 2:52 modèle utiliser vous l'avez deviné un transformateur 2:54 êtes-vous surpris parce que je suis définitivement 2:56 pas et cela répond directement à la première 2:59 défi qui était de faire le modèle 3:01 plus précis que j'ai déjà couvert 3:03 transformateurs de nombreuses fois sur mon 3:04 canal donc je ne vais pas entrer dans la façon dont cela fonctionne 3:07 dans cette vidéo mais je voulais quand même 3:08 mettre en évidence quelques caractéristiques spécifiques pour 3:11 celui-ci en particulier, vous devez d'abord être 3:13 penser mais les transformateurs sont énormes et 3:16 modèles lents comment peut-il être inférieur 3:18 plus de latence xg boost bien tu seras 3:21 c'est vrai qu'ils l'ont essayé et c'était trop 3:23 lent donc ils ont dû faire quelques changements 3:26 le changement avec le plus grand impact a été 3:28 utiliser un transformateur linéaire qui met à l'échelle 3h30 avec la dimension de l'entrée à la place 3:33 de la longueur de l'entrée, cela signifie que si 3:35 l'entrée est longue les transformateurs seront 3:38 très lent et c'est souvent le cas pour 3:40 eux avec autant d'informations que le routage 3:42 les données à la place, elles sont mises à l'échelle avec les dimensions 3:45 quelque chose qu'ils peuvent contrôler qui est beaucoup 3:47 plus petit une autre grande amélioration dans 3:49 la vitesse est la discrétisation des entrées 3:52 ce qui signifie qu'ils prennent des valeurs continues 3:53 et les rendre beaucoup plus faciles à calculer en 3:56 regrouper des valeurs similaires 3:58 la discrétisation est régulièrement utilisée dans 4:00 prédiction pour accélérer le calcul 4:02 la vitesse qu'il donne l'emporte clairement sur la 4:04 erreur que les valeurs en double peuvent apporter 4:07 maintenant il reste un défi à relever 4:10 et de loin le plus intéressant est de savoir comment 4:13 ils l'ont rendu plus général voici le 4:15 modèle eta profond complet pour répondre à cette question 4:18 question il y a le plus tôt 4:19 quantification des données qui sont ensuite 4:22 intégré et envoyé au linéaire 4:24 transformateur dont nous venons de parler puis nous 4:26 avoir la couche entièrement connectée pour faire 4:28 nos prédictions et nous avons une dernière étape 4:31 pour généraliser notre modèle, le biais 4:33 décodeur de réglage qu'il faudra dans le 4:36 prédictions et les caractéristiques de type que nous 4:38 mentionné au début de la vidéo 4:40 contenant la raison pour laquelle le client a fait 4:42 une demande d'uber à une prédiction de rendu 4:44 à une valeur plus appropriée pour une tâche 4:46 ils se recyclent et déploient périodiquement 4:49 leur modèle en utilisant leur propre plateforme 4:51 appelé michelangelo que j'aimerais 4:53 couverture suivante si vous êtes intéressé si c'est le cas 4:56 s'il vous plaît laissez-moi savoir dans les commentaires et 4:58 voila c'est ce que uber utilise actuellement dans 5:01 leur système pour livrer et effectuer des trajets 5:03 à tous le plus efficacement possible 5:07 bien sûr, ce n'était qu'un aperçu et 5:09 ils ont utilisé plus de techniques pour améliorer la 5:11 architecture que vous pouvez découvrir dans 5:13 leur excellent article de blog lié ci-dessous si 5:16 tu es curieux je voulais aussi juste 5:18 notez que ce n'était qu'un aperçu de 5:20 leur algorithme de prédiction de l'heure d'arrivée 5:22 et je ne suis en aucun cas affilié à uber 5:25 j'espère que la vidéo de cette semaine vous a plu 5:28 couvrant un modèle appliqué au réel 5h30 monde au lieu d'un nouveau document de recherche 5:32 et si c'est le cas, n'hésitez pas à suggérer 5:35 toutes les applications ou tous les outils intéressants pour 5:37 couvrir ensuite j'aimerais lire vos identifiants 5:39 merci d'avoir regardé et je verrai 5:41 vous la semaine prochaine avec un autre article incroyable [Musique]
