优步如何使用人工智能来改善交付

优步如何提供食物并始终准时或提前几分钟到达？他们如何将乘客与司机匹配，以便您始终可以找到优步？所有这些同时还管理所有驱动程序？！

好吧，我们将在视频中准确回答...

参考

►阅读全文： https ://www.louisbouchard.ai/uber-deepeta/
►Uber 博客文章： https ://eng.uber.com/deepeta-how-uber-predicts-arrival-times/
►什么是变形金刚： ://youtu.be/sMCHC7XFynM
►线性变压器： https ://arxiv.org/pdf/2006.16236.pdf
►My Newsletter（每周在您的电子邮件中解释的新 AI 应用程序！）： https ://www.louisbouchard.ai/newsletter/

视频脚本

0:00

优步如何始终提供食物

0:02

准时或几分钟前到达

0:05

他们如何将骑手与司机相匹配

0:07

你总能找到一个优步

0:10

同时很快管理我们所有的司机

0:12

将在本文中回答这些问题

0:14

带有到达时间预测的视频

0:16

算法 deep eta deep eta 是 uber 的

0:20

最先进的估计算法

0:22

使用深度学习的到达时间

0:25

优步和优步都吃深 eta 罐头

0:28

神奇地组织一切

0:30

背景让车手司机和

0:32

食物从a点流利到

0:34

点 b 尽可能高效地多

0:37

存在不同的算法来估计

0:40

在这样的道路网络上旅行，但我不

0:42

认为任何都和优步一样优化

0:45

先前到达时间预测工具

0:47

包括优步都是用我们建造的

0:50

调用最短路径算法，它们是

0:52

不太适合现实世界

0:54

预测，因为他们不考虑

0:56

数年的实时信号 uber

0:59

使用 xgboost 一个众所周知的渐变

1:02

增强决策树机器学习

1:04

库 xjboost 非常强大

1:07

并在许多应用中使用，但

1:09

在优步的情况下受到限制，因为它越多

1:11

他们想要的延迟越长

1:14

更快更准确的东西

1:16

一般用于司机骑手

1:18

和送餐都是正交的

1:20

难以解决的挑战

1:22

即使是机器学习或人工智能

1:25

来了 deep eta 深度学习

1:28

改进 xg 提升的模型

1:30

所有这些哦，我差点忘了

1:33

这是这个视频的赞助商

1:36

我自己请花点时间订阅

1:39

如果你喜欢内容并留下一个like

1:41

我也很想读到你的想法

1:43

评论或加入不和谐

1:45

社区学习AI一起聊天

1:47

让我们回到视频

1:49

deep eta 真的很强大

1:51

高效，因为它不仅仅需要

1:53

数据并生成预测

1:56

整个预处理系统，使这个

1:58

这个模型的数据更容易消化

2:00

使模型更容易，因为它

2:02

可以直接关注优化数据

2:05

噪音更小，体积更小

2:07

输入优化的第一步

2:10

延迟问题此预处理

2:12

模块首先获取地图数据和

2:14

实时流量测量

2:16

产生一个初始估计时间

2:18

任何新客户要求的到来

2:21

然后模型接受这些

2:23

空间变换特征

2:25

始发地、目的地和时间

2:27

请求作为时间特征，但它

2:29

不止于此，还需要更多

2:32

实时活动信息

2:34

像交通天气甚至大自然

2:36

诸如送货或乘车之类的请求

2:39

分享所有这些额外的信息

2:41

有必要从

2:43

我们提到的最短路径算法

2:45

高效但远非

2:47

智能是真实世界的证明和

2:50

这是一种什么样的架构

2:52

模型使用你猜它是一个变压器

2:54

你感到惊讶吗，因为我肯定

2:56

不是，这直接回答了第一个

2:59

制作模型的挑战

3:01

更准确，我已经介绍过

3:03

我的变压器无数次

3:04

频道，所以我不会讨论它是如何工作的

3:07

在这个视频中，但我仍然想

3:08

突出一些特定的功能

3:11

尤其是这个，你必须是

3:13

思考，但变压器是巨大的

3:16

慢模型怎么可能更低

3:18

延迟比 xg 提升好，你会

3:21

是的，他们已经尝试过了

3:23

慢，所以他们不得不做出一些改变

3:26

影响最大的变化是

3:28

使用可缩放的线性变压器

3:30

用输入的维度代替

3:33

输入的长度，这意味着如果

3:35

输入很长，变压器将是

3:38

非常慢，这通常是

3:40

他们拥有与路由一样多的信息

3:42

数据而不是随尺寸缩放

3:45

他们可以控制的东西太多了

3:47

更小的另一个很大的改进

3:49

速度是输入的离散化

3:52

意味着它们采用连续值

3:53

并使它们更容易计算

3:56

将相似的值聚集在一起

3:58

离散化经常用于

4:00

预测以加快计算速度

4:02

它给出的速度明显超过

4:04

重复值可能带来的错误

4:07

现在还有一个挑战要解决

4:10

到目前为止，最有趣的是如何

4:13

他们使它更笼统，这里是

4:15

完整的深度 eta 模型来回答这个问题

4:18

问题是较早的

4:19

量化的数据，然后

4:22

嵌入并发送到线性

4:24

我们刚刚讨论过的变压器然后我们

4:26

有全连接层来制作

4:28

我们的预测，我们还有最后一步

4:31

使我们的模型普遍偏向

4:33

调整解码器将在

4:36

预测和我们的类型特征

4:38

视频开头提到的

4:40

包含客户做出的原因

4:42

对渲染预测的 uber 请求

4:44

更适合任务的值

4:46

他们定期重新培训和部署

4:49

他们的模型使用自己的平台

4:51

叫米开朗基罗，我很想

4:53

如果您有兴趣，请覆盖下一个

4:56

请在评论中告诉我

4:58

瞧，这就是优步目前使用的

5:01

他们提供和提供乘车服务的系统

5:03

尽可能高效地给每个人

5:07

当然这只是一个概述和

5:09

他们使用了更多的技术来改进

5:11

您可以在其中找到的架构

5:13

他们伟大的博客文章链接如下

5:16

你很好奇我也只是想

5:18

请注意，这只是一个概述

5:20

他们的到达时间预测算法

5:22

而且我绝不隶属于优步

5:25

我希望你喜欢这周的视频

5:28

涵盖应用于真实的模型

5:30

世界而不是新的研究论文

5:32

如果是这样，请随时提出建议

5:35

任何有趣的应用程序或工具

5:37

封面下一篇我很想读你的身份证

5:39

谢谢你的收看，我会看到的

5:41

下周你再写一篇精彩的论文

[音乐]