በእያንዳንዱ የኡበር ጉዞ ውስጥ የሚሰራው የ AI ሞተር

በሲድኒ ሲቢዲ አርብ ከሰዓት 5:00 (17:00) ላይ ነው።

ቢሮዎች በደቂቃዎች ውስጥ ባዶ ይሆናሉ። ምግብ ቤቶች ይሞላሉ። 40,000 ሰዎች የኡበር መተግበሪያቸውን ማነካካት ጀምረዋል። ዝናብ መዝነብ ጀምሯል።

ኡበር አሁን መመለስ ያለበት ጥያቄ በጣም ቀላል ነው። በሚቀጥሉት 15 ደቂቃዎች ውስጥ ስንት የጉዞ ጥያቄዎች ይደርሳሉ?

ስህተት ከሰሩት መስጠቶች ወዲያውኑ ናቸው። ረጅም ጥበቃዎች። ስረዛዎች። ደምበኞች ወደ ተፎካካሪዎች መቀየር። በኡበር መጠን፣ በትንሽ ስህተት ግምት ማጠራቀም ችግር አይደለም። በሚሊዮኖች የሚለካ የገቢ ችግር ነው።

አብዛኛዎቹ ሰዎች ኡበር በተቃራኒ ሁኔታ እንደሚሰራ ያስባሉ። ተሳፋሪው መተግበሪያውን ከከፈተ በኋላ ስርዓቱ በአቅራቢያው ሹፌር ለማግኘት ይጣጣራል። እንዲህ ሆኖ አይሰራም።

የኡበር የ AI ስርዓቶች የፍላጎት ትንበያዎችን ማስተካከያ በቀን 24 ሰዓት ያካሂዳሉ። አርብ ማታ መተግበሪያውን በከፈትክ ጊዜ፣ ኡበር አስቀድሞ እንደምትመጣ አውቋል። የሚወስድህ ሹፌር በትክክለኛው ቦታ እና በትክክለኛው ጊዜ ፍላጎትን ያስቀመጠ ትንበያ መሠረት በማድረግ ከ20 ደቂቃዎች በፊት እንደገና ሊቀመጥ ይችላል።

ይህ ችሎታ በአዕምሮ ላይ የተገነባ አይደለም። በሂሳብ ላይ የተገነባ ነው።

በትንበያ ትክክለኛነት 1 በመቶ መሻሻል በኡበር መጠን ለመቶዎች ሚሊዮን ዶላር ተጨማሪ ዓመታዊ ገቢ ይተላለፋል። ከአንድ ስፍራዊ ለውጥ ሳይሆን፣ በአንድ ጊዜ ከሺዎች የሚቆጠሩ ትናንሽ ኢ-ውጤታማነቶች መወጣት፣ በእያንዳንዱ ሰዓት በእያንዳንዱ ከተማ ይጨምራል።

ይህ ኡበር የወደፊቱን ከመከሰቱ በፊት እንዴት እንደሚተነብይ በ5-ክፍል ተከታታይ ክፍል 1 ነው።

ክፍል 2 የሦስት-ሞዴል ኤንሰምብል አርክቴክቸርን ይሸፍናል። ክፍል 3 እያንዳንዱን ቀመር ከሲድኒ አርብ ማታ እውነተኛ ቁጥሮች ጋር ያሳያል። ክፍል 4 ሙሉ አፈጻጸሙን በፓይሰን ከጅምር ይገነባል። ክፍል 5 በመጠን የሚሰራውን የምርት PyTorch ብሉፕሪንት ያሳያል።

እያንዳንዱ ስሌት ተረጋግጧል። እያንዳንዱ የኮድ መስመር ይሰራል።

ተከተል። ሂሳቡ ከአብዛኛዎቹ ሰዎች ግምት በላይ ተደራሽ ነው።

#MachineLearning #ArtificialIntelligence #AI #DataScience #Mathematics #Uber #TimeSeriesForecasting #DemandForecasting #AIEngineering #TechLeadership #TheMagicOfHiddenMathematicsInAI #PredictiveAnalytics #DeepLearning #MLOps #Python

Originally published on LinkedIn by Keshavan Thiagaraja. Read the original on LinkedIn.