Comment Uber utilise l'IA pour améliorer les livraisons

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 : https://www.louisbouchard.ai/uber-deepeta/
►Article de blog Uber : https://eng.uber.com/deepeta-how-uber-predicts-arrival-times/
►Que sont les transformateurs :
►Transformateurs linéaires : https://arxiv.org/pdf/2006.16236.pdf
►Ma Newsletter (Une nouvelle application d'IA expliquée chaque semaine à vos mails !) : 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]