Làm thế nào để Uber có thể giao đồ ăn và luôn đến đúng giờ hoặc trước vài phút? Làm cách nào để họ so khớp người đi xe với người lái xe để bạn luôn có thể tìm thấy một chiếc Uber? Tất cả điều đó trong khi cũng quản lý tất cả các trình điều khiển ?! Vâng, chúng tôi sẽ trả lời chính xác điều đó trong video ... Người giới thiệu ►Đọc toàn bộ bài viết: ►Bài viết trên blog: ► Máy biến áp là gì: ►Linear Transformers: ►Bản tin của tôi (Một ứng dụng AI mới được giải thích hàng tuần cho email của bạn!): 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/ Bản ghi video 0:00 làm thế nào uber có thể giao đồ ăn và luôn 0:02 đến đúng giờ hoặc trước vài phút 0:05 làm thế nào để họ kết hợp người lái xe với người lái xe 0:07 rằng bạn luôn có thể tìm thấy một uber tất cả những thứ đó 0:10 trong khi sớm quản lý tất cả các trình điều khiển, chúng tôi 0:12 sẽ trả lời những câu hỏi này trong này 0:14 video với dự đoán thời gian đến của họ 0:16 thuật toán deep eta deep eta là của uber 0:20 thuật toán tiên tiến nhất để ước tính 0:22 thời gian đến bằng cách sử dụng học sâu được sử dụng 0:25 cho cả uber và uber ăn sâu eta có thể 0:28 tổ chức mọi thứ một cách kỳ diệu trong 0:30 nền để người lái xe và 0:32 thức ăn trôi chảy từ điểm a đến 0:34 điểm b càng hiệu quả càng tốt 0:37 các thuật toán khác nhau tồn tại để ước tính 0:40 đi trên những mạng lưới đường như vậy nhưng tôi không 0:42 nghĩ rằng bất kỳ cái nào cũng được tối ưu hóa như của uber 0:45 công cụ dự đoán thời gian đến trước 0:47 bao gồm cả uber được xây dựng với những gì chúng tôi 0:50 gọi các thuật toán đường đi ngắn nhất là 0:52 không phù hợp với thế giới thực 0:54 dự đoán vì họ không xem xét 0:56 tín hiệu thời gian thực trong vài năm uber 0:59 đã sử dụng xgboost một gradient nổi tiếng 1:02 tăng cường học máy trên cây quyết định 1:04 thư viện xjboost cực kỳ mạnh mẽ 1:07 và được sử dụng trong nhiều ứng dụng nhưng 1:09 giới hạn trong trường hợp của uber vì nó càng nhiều 1:11 thời gian chờ càng tăng theo họ muốn 1:14 cái gì đó nhanh hơn, chính xác hơn và hơn thế nữa 1:16 thường được sử dụng cho người lái xe 1:18 và giao thức ăn tất cả trực giao 1:20 những thách thức phức tạp để giải quyết 1:22 ngay cả đối với học máy hay ai 1:25 ở đây có deep eta a deep learning 1:28 mô hình cải tiến khi tăng xg cho 1:30 tất cả những điều đó và tôi gần như đã quên 1:33 đây là nhà tài trợ của video này 1:36 tôi xin vui lòng dành một phút để đăng ký 1:39 nếu bạn thích nội dung và để lại một lượt thích 1:41 tôi cũng muốn đọc những suy nghĩ của bạn trong 1:43 các ý kiến hoặc tham gia vào mối bất hòa 1:45 cộng đồng cùng nhau tìm hiểu ai để trò chuyện 1:47 chúng ta hãy quay lại video 1:49 deep eta thực sự mạnh mẽ và 1:51 hiệu quả bởi vì nó không chỉ đơn giản là 1:53 dữ liệu và tạo dự đoán có một 1:56 toàn bộ hệ thống tiền xử lý để thực hiện điều này 1:58 dữ liệu dễ tiêu hóa hơn cho mô hình này 2:00 làm cho nó dễ dàng hơn nhiều cho mô hình vì nó 2:02 có thể trực tiếp tập trung vào dữ liệu được tối ưu hóa 2:05 với ít tiếng ồn hơn và nhỏ hơn nhiều 2:07 đầu tiên bước đầu tiên trong việc tối ưu hóa cho 2:10 vấn đề về độ trễ trong quá trình xử lý trước này 2:12 mô-đun bắt đầu bằng cách lấy dữ liệu bản đồ và 2:14 đo lưu lượng truy cập thời gian thực tới 2:16 tạo ra thời gian ước tính ban đầu là 2:18 đến bất kỳ yêu cầu mới của khách hàng 2:21 sau đó mô hình tiếp nhận những điều này 2:23 các tính năng được biến đổi với không gian 2:25 nguồn gốc và điểm đến và thời gian của 2:27 yêu cầu như một tính năng tạm thời nhưng nó 2:29 không dừng lại ở đây, nó còn mất nhiều thời gian hơn 2:32 thông tin về các hoạt động thời gian thực 2:34 như thời tiết giao thông hoặc thậm chí là thiên nhiên 2:36 yêu cầu như giao hàng hoặc đi xe 2:39 chia sẻ nhận tất cả thông tin bổ sung này 2:41 là cần thiết để cải thiện từ 2:43 các thuật toán đường đi ngắn nhất mà chúng tôi đã đề cập 2:45 có hiệu quả cao nhưng xa 2:47 thông minh là bằng chứng thế giới thực và 2:50 loại kiến trúc này làm gì 2:52 sử dụng mô hình bạn đoán nó là một máy biến áp 2:54 bạn có ngạc nhiên không vì tôi chắc chắn 2:56 không và điều này trực tiếp trả lời câu hỏi đầu tiên 2:59 thách thức đó là tạo ra mô hình 3:01 chính xác hơn tôi đã đề cập 3:03 máy biến áp nhiều lần trên của tôi 3:04 kênh nên tôi sẽ không đi sâu vào cách nó hoạt động 3:07 trong video này nhưng tôi vẫn muốn 3:08 nêu bật một vài tính năng cụ thể cho 3:11 cái này cụ thể trước tiên bạn phải 3:13 suy nghĩ nhưng máy biến áp rất lớn và 3:16 mô hình chậm làm sao nó có thể thấp hơn 3:18 độ trễ hơn xg tăng tốt, bạn sẽ 3:21 đúng họ đã thử và nó cũng vậy 3:23 chậm nên họ phải thực hiện một số thay đổi 3:26 sự thay đổi có tác động lớn nhất là 3:28 sử dụng một máy biến áp tuyến tính có quy mô 3:30 với kích thước của đầu vào thay thế 3:33 độ dài của đầu vào, điều này có nghĩa là nếu 3:35 đầu vào là máy biến áp dài sẽ 3:38 rất chậm và điều này thường xảy ra đối với 3:40 chúng với nhiều thông tin như định tuyến 3:42 dữ liệu thay vào đó nó chia tỷ lệ với các thứ nguyên 3:45 một cái gì đó họ có thể kiểm soát đó là nhiều 3:47 nhỏ hơn một cải tiến lớn khác trong 3:49 tốc độ là sự tùy ý của các yếu tố đầu vào 3:52 nghĩa là chúng nhận các giá trị liên tục 3:53 và làm cho chúng dễ dàng hơn để tính toán bằng cách 3:56 nhóm các giá trị tương tự lại với nhau 3:58 sự tùy tiện thường xuyên được sử dụng trong 4:00 dự đoán để tăng tốc độ tính toán như 4:02 tốc độ mà nó mang lại rõ ràng vượt trội hơn 4:04 lỗi mà các giá trị trùng lặp có thể mang lại 4:07 bây giờ còn một thách thức để giải quyết 4:10 và cho đến nay, điều thú vị nhất là làm thế nào 4:13 họ đã làm cho nó tổng quát hơn ở đây là 4:15 hoàn thành mô hình eta sâu để trả lời điều này 4:18 câu hỏi có sớm hơn 4:19 lượng tử hóa dữ liệu sau đó 4:22 được nhúng và gửi đến tuyến tính 4:24 máy biến áp chúng ta vừa thảo luận sau đó chúng ta 4:26 có lớp được kết nối đầy đủ để thực hiện 4:28 dự đoán của chúng tôi và chúng tôi có bước cuối cùng 4:31 để làm cho mô hình chung của chúng tôi có xu hướng 4:33 bộ giải mã điều chỉnh nó sẽ sử dụng 4:36 dự đoán và loại tính năng chúng tôi 4:38 đã đề cập ở đầu video 4:40 chứa lý do khách hàng đưa ra 4:42 một yêu cầu uber để hiển thị dự đoán 4:44 đến một giá trị thích hợp hơn cho một nhiệm vụ 4:46 họ định kỳ đào tạo lại và triển khai 4:49 mô hình của họ sử dụng nền tảng của riêng họ 4:51 được gọi là michelangelo mà tôi rất thích 4:53 trang tiếp theo nếu bạn quan tâm nếu vậy 4:56 xin vui lòng cho tôi biết trong các ý kiến và 4:58 thì đây là những gì uber hiện đang sử dụng 5:01 hệ thống của họ để cung cấp và cung cấp các chuyến đi 5:03 cho mọi người một cách hiệu quả nhất có thể 5:07 tất nhiên đây chỉ là một cái nhìn tổng quan và 5:09 họ đã sử dụng nhiều kỹ thuật hơn để cải thiện 5:11 kiến trúc mà bạn có thể tìm hiểu trong 5:13 bài đăng trên blog tuyệt vời của họ được liên kết bên dưới nếu 5:16 bạn tò mò tôi cũng chỉ muốn 5:18 lưu ý rằng đây chỉ là một cái nhìn tổng quan về 5:20 thuật toán dự đoán thời gian đến của họ 5:22 và tôi không có liên kết với uber 5:25 tôi hy vọng bạn thích video của tuần này 5:28 bao gồm một mô hình được áp dụng cho thực tế 5:30 thế giới thay vì một bài báo nghiên cứu mới 5:32 và nếu vậy, vui lòng đề xuất 5:35 bất kỳ ứng dụng hoặc công cụ thú vị nào để 5:37 bìa tiếp theo tôi rất muốn đọc id của bạn 5:39 cảm ơn bạn đã xem và tôi sẽ thấy 5:41 bạn vào tuần tới với một bài báo tuyệt vời khác [Âm nhạc]
