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: ►Uber のブログ投稿: ►変圧器とは: ►リニアトランス: ►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/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/ 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]
