Como a Uber usa IA para melhorar as entregas

Como o Uber pode entregar comida e sempre chegar na hora ou alguns minutos antes? Como eles combinam os passageiros com os motoristas para que você sempre encontre um Uber? Tudo isso enquanto gerencia todos os drivers?! Bom, vamos responder exatamente isso no vídeo... Referências ►Leia o artigo completo: ►Postagem no blog da Uber: ►O que são transformadores: ►Transformadores lineares: ►Meu boletim informativo (um novo aplicativo de IA explicado semanalmente para seus e-mails!): 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/ Transcrição do vídeo 0:00 como o uber pode entregar comida e sempre 0:02 chegar a tempo ou alguns minutos antes 0:05 como eles combinam os passageiros com os motoristas? 0:07 que você sempre pode encontrar um uber tudo isso 0:10 ao mesmo tempo em que gerenciamos todos os motoristas que 0:12 vai responder a essas perguntas neste 0:14 vídeo com a previsão do horário de chegada 0:16 algoritmo deep eta deep eta é uber's 0:20 algoritmo mais avançado para estimar 0:22 tempos de chegada usando aprendizado profundo usado 0:25 tanto para uber quanto para uber come deep eta can 0:28 organizar magicamente tudo no 0:30 antecedentes para que pilotos, motoristas e 0:32 os alimentos vão fluentemente do ponto a ao 0:34 apontar b tão eficientemente quanto possível muitos 0:37 existem diferentes algoritmos para estimar 0:40 viajo em tais redes rodoviárias, mas eu não 0:42 acho que qualquer um é tão otimizado quanto o do uber 0:45 ferramentas de previsão de hora de chegada anterior 0:47 incluindo o uber foram construídos com o que nós 0:50 chamar algoritmos de caminho mais curto que são 0:52 não é adequado para o mundo real 0:54 previsões, uma vez que não consideram 0:56 sinais em tempo real por vários anos uber 0:59 usei xgboost um gradiente bem conhecido 1:02 aprendizado de máquina de árvore de decisão aprimorada 1:04 biblioteca xjboost é extremamente poderosa 1:07 e usado em muitas aplicações, mas foi 1:09 limitado no caso do uber quanto mais ele 1:11 cresceu mais latência que eles queriam 1:14 algo mais rápido mais preciso e mais 1:16 geral para ser usado para motoristas pilotos 1:18 e entrega de comida tudo ortogonal 1:20 desafios complexos de resolver 1:22 mesmo para aprendizado de máquina ou IA 1:25 aí vem deep eta um aprendizado profundo 1:28 modelo que melhora os impulsos xg para 1:30 todos aqueles oh e eu quase esqueci 1:33 aqui está o patrocinador deste vídeo 1:36 eu mesmo, por favor, dedique um minuto para se inscrever 1:39 se gostou do conteúdo e deixe seu like 1:41 eu também adoraria ler seus pensamentos em 1:43 os comentários ou entre no discord 1:45 comunidade aprenda ai juntos para conversar com 1:47 vamos voltar ao vídeo 1:49 deep eta é realmente poderoso e 1:51 eficiente porque não leva simplesmente 1:53 dados e gerar uma previsão, há um 1:56 todo o sistema de pré-processamento para fazer isso 1:58 dados mais digeríveis para o modelo 2:00 torna muito mais fácil para o modelo, pois 2:02 pode se concentrar diretamente em dados otimizados 2:05 com muito menos ruído e muito menor 2:07 insere uma primeira etapa na otimização para 2:10 a latência emite esse pré-processamento 2:12 módulo começa pegando os dados do mapa e 2:14 medições de tráfego em tempo real para 2:16 produzir um tempo inicial estimado de 2:18 chegada para qualquer novo pedido do cliente 2:21 então o modelo leva nesses 2:23 feições transformadas com o espaço 2:25 origem e destino e hora do 2:27 pedido como um recurso temporal, mas 2:29 não para por aqui também leva mais 2:32 informações sobre atividades em tempo real 2:34 como o clima do trânsito ou até mesmo a natureza 2:36 do pedido como entrega ou carona 2:39 compartilhe e colete todas essas informações extras 2:41 é preciso melhorar desde o 2:43 algoritmos de caminho mais curto que mencionamos 2:45 que são altamente eficientes, mas longe de 2:47 inteligentes são à prova do mundo real e 2:50 que tipo de arquitetura faz isso 2:52 modelo de uso você adivinhou um transformador 2:54 você está surpreso porque eu estou definitivamente 2:56 não e isso responde diretamente ao primeiro 2:59 desafio que era fazer o modelo 3:01 mais preciso eu já cobri 3:03 transformadores inúmeras vezes no meu 3:04 canal, então não vou entrar em como funciona 3:07 neste vídeo, mas eu ainda queria 3:08 destacar alguns recursos específicos para 3:11 este em particular primeiro você deve ser 3:13 pensando, mas os transformadores são enormes e 3:16 modelos lentos como pode ser de menor 3:18 latência do que xg boost bem, você será 3:21 certo eles tentaram e foi demais 3:23 lento, então eles tiveram que fazer algumas mudanças 3:26 a mudança de maior impacto foi 3:28 usar um transformador linear que escala 3:30 com a dimensão da entrada em vez 3:33 do comprimento da entrada, isso significa que se 3:35 a entrada é longa, os transformadores serão 3:38 muito lento e este é frequentemente o caso para 3:40 eles com tanta informação quanto roteamento 3:42 dados em vez disso, ele escala com dimensões 3:45 algo que eles podem controlar que é muito 3:47 menor outra grande melhoria em 3:49 velocidade é a discretização das entradas 3:52 o que significa que eles assumem valores contínuos 3:53 e torná-los muito mais fáceis de calcular por 3:56 agrupar valores semelhantes juntos 3:58 A discretização é usada regularmente em 4:00 previsão para acelerar a computação como 4:02 a velocidade que dá supera claramente o 4:04 erro que valores duplicados podem trazer 4:07 agora há um desafio para cobrir 4:10 e de longe o mais interessante é como 4:13 eles tornaram mais geral aqui está o 4:15 modelo eta profundo completo para responder a isso 4:18 pergunta há o anterior 4:19 quantização dos dados que são então 4:22 incorporado e enviado para o linear 4:24 transformador que acabamos de discutir, então nós 4:26 ter a camada totalmente conectada para fazer 4:28 nossas previsões e temos uma etapa final 4:31 para tornar nosso modelo geral, o viés 4:33 decodificador de ajuste que levará no 4:36 previsões e os recursos de tipo que 4:38 mencionei no começo do vídeo 4:40 contendo o motivo pelo qual o cliente fez 4:42 uma solicitação para uber para uma previsão de renderização 4:44 para um valor mais apropriado para uma tarefa 4:46 eles retreinam e implantam periodicamente 4:49 seu modelo usando sua própria plataforma 4:51 chamado michelangelo que eu adoraria 4:53 cobrir a seguir se você estiver interessado em caso afirmativo 4:56 por favor, deixe-me saber nos comentários e 4:58 voila é isso que o uber usa atualmente em 5:01 seu sistema para entregar e dar caronas 5:03 a todos da forma mais eficiente possível 5:07 é claro que isso foi apenas uma visão geral e 5:09 eles usaram mais técnicas para melhorar o 5:11 arquitetura que você pode descobrir em 5:13 sua ótima postagem no blog com link abaixo se 5:16 você está curioso eu também só queria 5:18 observe que esta foi apenas uma visão geral de 5:20 seu algoritmo de previsão de hora de chegada 5:22 e não sou de forma alguma afiliado ao uber 5:25 espero que tenham gostado do vídeo desta semana 5:28 abrangendo um modelo aplicado ao real 5:30 mundo em vez de um novo trabalho de pesquisa 5:32 e se assim for, por favor, sinta-se livre para sugerir 5:35 quaisquer aplicativos ou ferramentas interessantes para 5:37 cobrir a seguir eu adoraria ler seus ids 5:39 obrigado por assistir e eu vou ver 5:41 você na próxima semana com outro papel incrível [Música]