डिलीवरी को बेहतर बनाने के लिए Uber AI का इस्तेमाल कैसे करता है

Uber खाना कैसे डिलीवर कर सकता है और हमेशा समय पर या कुछ मिनट पहले पहुँच सकता है? वे सवारों को ड्राइवरों से कैसे मिलाते हैं ताकि आपको हमेशा एक उबेर मिल सके? वह सब जबकि सभी ड्राइवरों का प्रबंधन भी ?!

खैर, हम इसका जवाब वीडियो में देंगे...

संदर्भ

►पूरा लेख पढ़ें: https://www.louisbouchard.ai/uber-deepeta/
►उबर ब्लॉग पोस्ट: https://eng.uber.com/deepeta-how-uber-predicts-arrival-times/
ट्रांसफॉर्मर क्या होते हैं:
रैखिक ट्रांसफॉर्मर: https://arxiv.org/pdf/2006.16236.pdf
►माई न्यूज़लेटर (आपके ईमेल को साप्ताहिक रूप से समझाया गया एक नया AI एप्लिकेशन!): https://www.louisbouchard.ai/newsletter/

वीडियो प्रतिलेख

0:00

Uber खाना कैसे डिलीवर कर सकता है और हमेशा

0:02

समय पर या कुछ मिनट पहले पहुंचें

0:05

वे सवारों को ड्राइवरों से कैसे मिलाते हैं?

0:07

कि आप हमेशा एक uber वह सब पा सकते हैं

0:10

जल्द ही सभी ड्राइवरों का प्रबंधन करते हुए हम

0:12

इसमें इन सवालों के जवाब देंगे

0:14

उनके आगमन समय की भविष्यवाणी के साथ वीडियो

0:16

एल्गोरिथम डीप एटा डीप एटा उबर का है

0:20

आकलन के लिए सबसे उन्नत एल्गोरिथम

0:22

गहरी शिक्षा का उपयोग करके आगमन का समय

0:25

uber और uber दोनों के लिए डीप एटा कैन खाती है

0:28

जादुई रूप से सब कुछ व्यवस्थित करें

0:30

पृष्ठभूमि ताकि सवार चालक और

0:32

भोजन धाराप्रवाह एक बिंदु से जा रहे हैं

0:34

बिंदु बी यथासंभव कुशलता से कई

0:37

अनुमान लगाने के लिए अलग-अलग एल्गोरिदम मौजूद हैं

0:40

ऐसे सड़क नेटवर्क पर यात्रा करें लेकिन मैं नहीं

0:42

लगता है कि कोई भी उबर के रूप में अनुकूलित है

0:45

पिछला आगमन समय भविष्यवाणी उपकरण

0:47

uber सहित हम क्या बना रहे थे

0:50

सबसे छोटे पथ एल्गोरिदम को कॉल करें जो हैं

0:52

वास्तविक दुनिया के लिए उपयुक्त नहीं है

0:54

भविष्यवाणियां क्योंकि वे विचार नहीं करते हैं

0:56

कई वर्षों के लिए रीयल-टाइम सिग्नल uber

0:59

एक प्रसिद्ध ग्रेडिएंट xgboost का उपयोग किया

1:02

बूस्टेड डिसीजन ट्री मशीन लर्निंग

1:04

पुस्तकालय xjboost अत्यंत शक्तिशाली है

1:07

और कई अनुप्रयोगों में उपयोग किया गया था लेकिन था

1:09

उबेर के मामले में जितना अधिक यह सीमित है

1:11

वे चाहते थे कि अधिक विलंबता बढ़ी

1:14

कुछ तेजी से अधिक सटीक और अधिक

1:16

ड्राइवर सवारों के लिए उपयोग किए जाने वाले सामान्य

1:18

और भोजन वितरण सभी ओर्थोगोनल

1:20

चुनौतियां जिनका समाधान करना जटिल है

1:22

मशीन लर्निंग या एआई के लिए भी

1:25

यहाँ गहरी और गहरी सीख आती है

1:28

मॉडल जो xg बूस्ट पर सुधार करता है

1:30

वे सभी ओह और मैं लगभग भूल गए थे

1:33

यहाँ इस वीडियो का प्रायोजक है

1:36

स्वयं कृपया सदस्यता लेने के लिए एक मिनट का समय निकालें

1:39

अगर आपको सामग्री पसंद है और एक लाइक छोड़ दें

1:41

मुझे आपके विचार पढ़ने में भी अच्छा लगेगा

1:43

टिप्पणी या कलह में शामिल हों

1:45

समुदाय के साथ चैट करने के लिए एआई सीखें

1:47

आइए वीडियो पर वापस आते हैं

1:49

डीप एटा वास्तव में शक्तिशाली है और

1:51

कुशल क्योंकि यह बस नहीं लेता है

1:53

डेटा और एक भविष्यवाणी उत्पन्न करते हैं a

1:56

इसे बनाने के लिए संपूर्ण प्रीप्रोसेसिंग सिस्टम

1:58

इस मॉडल के लिए डेटा अधिक सुपाच्य है

2:00

यह मॉडल के लिए इसे बहुत आसान बनाता है क्योंकि यह

2:02

अनुकूलित डेटा पर सीधे ध्यान केंद्रित कर सकते हैं

2:05

बहुत कम शोर के साथ और बहुत छोटा

2:07

के लिए अनुकूलन में पहला कदम इनपुट करता है

2:10

विलंबता इस पूर्व-प्रसंस्करण को जारी करती है

2:12

मॉड्यूल नक्शा डेटा लेकर शुरू होता है और

2:14

वास्तविक समय यातायात माप

2:16

का प्रारंभिक अनुमानित समय उत्पन्न करें

2:18

किसी भी नए ग्राहक अनुरोध के लिए आगमन

2:21

तब मॉडल इनमें लेता है

2:23

स्थानिक . के साथ रूपांतरित विशेषताएं

2:25

उत्पत्ति और गंतव्य और समय

2:27

एक अस्थायी सुविधा के रूप में अनुरोध करें लेकिन यह

2:29

यहीं नहीं रुकता यह और भी लेता है

2:32

वास्तविक समय की गतिविधियों के बारे में जानकारी

2:34

जैसे ट्रैफिक का मौसम या प्रकृति भी

2:36

डिलीवरी या सवारी जैसे अनुरोध के बारे में

2:39

यह सभी अतिरिक्त जानकारी साझा करें

2:41

से सुधार करना आवश्यक है

2:43

सबसे छोटा पथ एल्गोरिदम जिसका हमने उल्लेख किया है

2:45

जो अत्यधिक कुशल हैं लेकिन बहुत दूर हैं

2:47

बुद्धिमान वास्तविक विश्व प्रमाण हैं और

2:50

यह किस प्रकार की वास्तुकला करता है

2:52

मॉडल का उपयोग आपने अनुमान लगाया कि यह एक ट्रांसफार्मर है

2:54

क्या आप हैरान हैं क्योंकि मैं निश्चित रूप से हूं

2:56

नहीं और यह सीधे पहले का जवाब देता है

2:59

मॉडल बनाने की थी चुनौती

3:01

अधिक सटीक मैंने पहले ही कवर कर लिया है

3:03

my . पर कई बार ट्रांसफॉर्मर

3:04

चैनल इसलिए मैं इसमें नहीं जाऊंगा कि यह कैसे काम करता है

3:07

इस वीडियो में लेकिन मैं फिर भी चाहता था

3:08

के लिए कुछ विशिष्ट विशेषताओं को हाइलाइट करें

3:11

यह विशेष रूप से सबसे पहले आपको होना चाहिए

3:13

सोच लेकिन ट्रांसफार्मर बहुत बड़े हैं और

3:16

धीमे मॉडल यह निम्न का कैसे हो सकता है

3:18

एक्सजी बूस्ट की तुलना में विलंबता अच्छी तरह से आप होगी

3:21

ठीक है उन्होंने इसे आजमाया है और यह भी था

3:23

धीमा इसलिए उन्हें कुछ बदलाव करने पड़े

3:26

सबसे बड़ा प्रभाव वाला परिवर्तन था

3:28

एक रैखिक ट्रांसफॉर्मर का उपयोग करने के लिए जो स्केल करता है

3:30

इसके बजाय इनपुट के आयाम के साथ

3:33

इनपुट की लंबाई का इसका मतलब है कि अगर

3:35

इनपुट लंबा ट्रांसफॉर्मर होगा

3:38

बहुत धीमी गति से और अक्सर ऐसा होता है

3:40

उन्हें रूटिंग के रूप में अधिक जानकारी के साथ

3:42

डेटा के बजाय यह आयामों के साथ स्केल करता है

3:45

कुछ ऐसा जो वे नियंत्रित कर सकते हैं वह बहुत है

3:47

छोटे में एक और महान सुधार

3:49

गति इनपुट का विवेकीकरण है

3:52

जिसका अर्थ है कि वे निरंतर मूल्य लेते हैं

3:53

और उनके द्वारा गणना करना बहुत आसान बनाते हैं

3:56

समान मूल्यों को एक साथ समूहित करना

3:58

विवेकीकरण नियमित रूप से प्रयोग किया जाता है

4:00

गणना में तेजी लाने की भविष्यवाणी

4:02

यह जो गति देता है वह स्पष्ट रूप से अधिक है

4:04

त्रुटि जो डुप्लिकेट मानों को ला सकती है

4:07

अब एक चुनौती बाकी है

4:10

और अब तक का सबसे दिलचस्प है कैसे

4:13

उन्होंने इसे यहाँ और अधिक सामान्य बना दिया है

4:15

इसका उत्तर देने के लिए डीप ईटा मॉडल को पूरा करें

4:18

प्रश्न वहाँ पहले है

4:19

डेटा का परिमाणीकरण जो तब है

4:22

एम्बेडेड और रैखिक को भेजा गया

4:24

ट्रांसफॉर्मर हमने अभी चर्चा की फिर हम

4:26

बनाने के लिए पूरी तरह से जुड़ी हुई परत है

4:28

हमारी भविष्यवाणियां और हमारे पास एक अंतिम चरण है

4:31

हमारे मॉडल को सामान्य पूर्वाग्रह बनाने के लिए

4:33

समायोजन डिकोडर इसमें लगेगा

4:36

भविष्यवाणियां और प्रकार की विशेषताएं हम

4:38

वीडियो की शुरुआत में उल्लेख किया गया है

4:40

ग्राहक द्वारा किए गए कारण से युक्त

4:42

एक भविष्यवाणी प्रस्तुत करने के लिए uber के लिए एक अनुरोध

4:44

किसी कार्य के लिए अधिक उपयुक्त मूल्य के लिए

4:46

वे समय-समय पर फिर से प्रशिक्षित और तैनात करते हैं

4:49

अपने स्वयं के मंच का उपयोग करके उनका मॉडल

4:51

माइकल एंजेलो कहा जाता है जिसे मैं पसंद करूंगा

4:53

यदि आप रुचि रखते हैं तो अगला कवर करें

4:56

कृपया मुझे टिप्पणियों में बताएं और

4:58

voila यह वही है जो uber वर्तमान में उपयोग करता है

5:01

सवारी देने और देने के लिए उनका सिस्टम

5:03

सभी को यथासंभव कुशलता से

5:07

बेशक यह केवल एक सिंहावलोकन था और

5:09

उन्होंने सुधार करने के लिए और अधिक तकनीकों का इस्तेमाल किया

5:11

वास्तुकला जिसे आप में खोज सकते हैं

5:13

उनके महान ब्लॉग पोस्ट को नीचे लिंक किया गया है if

5:16

आप उत्सुक हैं मैं भी बस यही चाहता था

5:18

ध्यान दें कि यह सिर्फ का एक सिंहावलोकन था

5:20

उनका आगमन समय भविष्यवाणी एल्गोरिथ्म

5:22

और मैं किसी भी तरह से uber . से संबद्ध नहीं हूं

5:25

मुझे आशा है कि आपने इस सप्ताह के वीडियो का आनंद लिया

5:28

वास्तविक पर लागू मॉडल को कवर करना

5:30

एक नए शोध पत्र के बजाय दुनिया

5:32

और यदि ऐसा है तो कृपया बेझिझक सुझाव दें

5:35

करने के लिए कोई दिलचस्प एप्लिकेशन या टूल

5:37

आगे कवर करें मुझे आपकी आईडी पढ़ना अच्छा लगेगा

5:39

देखने के लिए धन्यवाद और मैं देखूंगा

5:41

आप अगले हफ्ते एक और अद्भुत पेपर के साथ

[संगीत]