Uber が AI を使用して配達を改善する方法

Uber はどうすれば料理を配達し、常に時間通りに、または数分前に到着できるでしょうか?いつでも Uber を見つけられるように、乗客とドライバーをどのようにマッチングさせますか?すべてのドライバーを管理しながら、そのすべてが?!

さて、私たちはビデオでそれを正確に答えます...

参考文献

►記事全文を読む: https://www.louisbouchard.ai/uber-deepeta/
►Uber のブログ投稿: https://eng.uber.com/deepeta-how-uber-predicts-arrival-times/
►変圧器とは:
►リニアトランス: https://arxiv.org/pdf/2006.16236.pdf
►マイ ニュースレター (毎週メールで説明される新しい AI アプリケーション!): https://www.louisbouchard.ai/newsletter/

ビデオ トランスクリプト

0:00

Uber はどのようにしていつでも食べ物を配達できますか

0:02

時間通りまたは数分前に到着

0:05

ライダーとドライバーをどのように一致させるのですか

0:07

いつでもどこでも uber を見つけることができます

0:10

すぐにすべてのドライバーを管理しながら

0:12

この中でこれらの質問に答えます

0:14

到着時間の予測を含むビデオ

0:16

アルゴリズム ディープ イータ ディープ イータは uber のものです

0:20

推定のための最も高度なアルゴリズム

0:22

ディープラーニングを使用した到着時間

0:25

uber と uber eats deep eta can の両方

0:28

魔法のようにすべてを整理する

0:30

ライダーのドライバーと

0:32

食べ物はポイントaからポイントまでスムーズに行きます

0:34

ポイント b できるだけ効率的に多くの

0:37

推定するさまざまなアルゴリズムが存在します

0:40

そのような道路網を旅行しますが、私はしません

0:42

ユーバーと同じくらい最適化されていると思います

0:45

前回到着時間予測ツール

0:47

Uber を含め、

0:50

最短経路アルゴリズムを呼び出す

0:52

現実世界にはあまり適していない

0:54

考慮していないため、予測

0:56

数年間のリアルタイム信号 uber

0:59

よく知られたグラデーションをxgboostに使用

1:02

ブースト デシジョン ツリー機械学習

1:04

ライブラリ xjboost は非常に強力です

1:07

多くのアプリケーションで使用されていましたが、

1:09

ユーバーの場合は、それが多ければ多いほど制限されます

1:11

必要なだけレイテンシが増加しました

1:14

より速く、より正確に、より

1:16

ドライバーライダーに使用される一般的な

1:18

およびフードデリバリーはすべて直交しています

1:20

解決するのが複雑な課題

1:22

機械学習やAIでも

1:25

深層学習のディープイータが登場

1:28

xgブーストを改善するモデル

1:30

それらのすべてああ、私はほとんど忘れていました

1:33

この動画のスポンサーはこちら

1:36

私自身、購読するのに少し時間がかかります

1:39

コンテンツが好きで、いいねを残した場合

1:41

私もあなたの考えを読みたいです

1:43

コメントまたは不和に参加する

1:45

コミュニティはチャットするために一緒にAIを学びます

1:47

ビデオに戻りましょう

1:49

ディープイータは本当に強力で、

1:51

単純にかからないので効率的

1:53

データと予測を生成します

1:56

これを行うための前処理システム全体

1:58

モデルにとってより消化しやすいデータ

2:00

モデルにとってはるかに簡単になります

2:02

最適化されたデータに直接集中できる

2:05

ノイズがはるかに少なく、はるかに小さい

2:07

最適化の最初のステップを入力します

2:10

この前処理のレイテンシの問題

2:12

モジュールは地図データを取得することから始まり、

2:14

リアルタイムのトラフィック測定

2:16

の初期推定時間を生成する

2:18

新しい顧客の要求の到着

2:21

次に、モデルはこれらを取り込みます

2:23

空間で変換されたフィーチャ

2:25

出発地と目的地と時間

2:27

一時的な機能として要求しますが、

2:29

ここで止まらない

2:32

リアルタイム アクティビティに関する情報

2:34

交通状況や自然など

2:36

配達や乗車などのリクエストの

2:39

このすべての追加情報をピックアップして共有する

2:41

から改善する必要があります。

2:43

言及した最短経路アルゴリズム

2:45

非常に効率的ですが、

2:47

インテリジェントは実世界で証明されており、

2:50

これはどのようなアーキテクチャで行われますか

2:52

モデルの使用、あなたはそれを変圧器だと推測しました

2:54

私は間違いなく

2:56

そうではなく、これは最初の質問に直接答えます

2:59

モデルを作るという挑戦

3:01

より正確には、すでに説明しました

3:03

私のトランスフォーマーは何度も

3:04

チャネルなので、それがどのように機能するかについては説明しません

3:07

このビデオでは、私はまだしたかった

3:08

のいくつかの特定の機能を強調する

3:11

これは特に最初にあなたでなければなりません

3:13

思ってたけどトランスフォーマーはでかいし

3:16

遅いモデルはどうやってそれを下げることができますか

3:18

xgブーストよりも遅延がよくなる

3:21

彼らはそれを試してみましたが、それもそうでした

3:23

遅いので、いくつかの変更を加える必要がありました

3:26

最も大きな影響を与えた変更は

3:28

スケーリングするリニアトランスを使用するには

3:30

代わりに入力の次元で

3:33

入力の長さの場合、これは次のことを意味します

3:35

入力は長いトランスフォーマーになります

3:38

非常に遅く、これは多くの場合

3:40

ルーティングと同じくらい多くの情報を持つ

3:42

データではなく、次元に合わせてスケーリングします

3:45

彼らがコントロールできるもの

3:47

小さい別の大きな改善

3:49

速度は入力の離散化です

3:52

連続値を取ることを意味します

3:53

そして、それらを計算するのをはるかに簡単にします

3:56

類似した値を一緒にクラスタ化する

3:58

離散化は定期的に使用されます

4:00

として計算を高速化する予測

4:02

それが与える速度は明らかに

4:04

値が重複すると発生する可能性があるエラー

4:07

対処すべき課題が 1 つ残っています

4:10

最も興味深いのは

4:13

彼らはそれをより一般的にしました

4:15

これに答える完全なディープイータモデル

4:18

質問があります

4:19

そのときのデータの量子化

4:22

埋め込まれてリニアに送信される

4:24

ちょうど議論したトランスフォーマー

4:26

作成する完全に接続されたレイヤーがあります

4:28

私たちの予測と私たちは最終的なステップを持っています

4:31

私たちのモデルを一般的なバイアスにする

4:33

調整デコーダーが取り込みます

4:36

予測とタイプの特徴

4:38

動画の冒頭で述べた

4:40

顧客が作成した理由を含む

4:42

レンダー予測への uber へのリクエスト

4:44

タスクにとってより適切な値に

4:46

彼らは定期的に再訓練して展開します

4:49

独自のプラットフォームを使用したモデル

4:51

私が大好きなミケランジェロと呼ばれる

4:53

もしそうなら、興味があれば次をカバーしてください

4:56

コメントで教えてください。

4:58

ほら、これは現在Uberが使用しているものです

5:01

配達して配車するシステム

5:03

できるだけ効率的に全員に

5:07

もちろん、これは概要のみであり、

5:09

彼らはより多くの技術を使用して改善しました

5:11

あなたが見つけることができるアーキテクチャ

5:13

以下にリンクされている素晴らしいブログ投稿

5:16

あなたは興味があります

5:18

これは単なる概要であることに注意してください

5:20

到着時間予測アルゴリズム

5:22

そして、私は決してuberと提携していません

5:25

今週のビデオを楽しんでいただけたでしょうか

5:28

実物に適用されるモデルをカバー

5:30

新しい研究論文の代わりに世界

5:32

もしそうなら、お気軽に提案してください

5:35

興味深いアプリケーションやツール

5:37

次の表紙 あなたのIDを読みたいです

5:39

ご覧いただきありがとうございます。

5:41

来週、別の素晴らしい論文で

[音楽]