El motor de IA que funciona dentro de cada viaje de Uber
Son las 5:00 p. m. de un viernes por la tarde en el distrito financiero de Sídney.
Las oficinas se vacían en minutos. Los restaurantes se llenan. 40.000 personas abren su aplicación de Uber casi al mismo tiempo. Acaba de empezar a llover.
La pregunta que Uber debe responder ahora mismo es brutalmente simple. ¿Cuántas solicitudes de viaje llegarán en los próximos 15 minutos?
Equivócate y las consecuencias son inmediatas. Largas esperas. Cancelaciones. Clientes que se pasan a la competencia. A la escala de Uber, un pequeño error en la predicción no es un problema de redondeo. Es un problema de ingresos medido en millones.
La mayoría de la gente piensa que Uber funciona de forma reactiva. Un pasajero abre la aplicación y el sistema se apresura a encontrar un conductor cercano. No funciona así.
Los sistemas de IA de Uber ejecutan pronósticos de demanda continuamente, las 24 horas del día. Cuando abres la aplicación un viernes por la tarde, Uber ya sabía que vendrías. El conductor que te recoge puede haber sido reposicionado 20 minutos antes basándose en un pronóstico que predijo la demanda en ese lugar exacto a esa hora exacta.
Esa capacidad no está construida sobre la intuición. Está construida sobre las matemáticas.
Una mejora del 1 por ciento en la precisión del pronóstico, al volumen de Uber, se traduce en cientos de millones de dólares de ingresos anuales adicionales. No por un solo cambio dramático, sino por miles de pequeñas ineficiencias eliminadas simultáneamente, que se acumulan cada hora en cada ciudad.
Esta es la Parte 1 de una serie de 5 partes sobre cómo Uber predice el futuro antes de que ocurra.
La Parte 2 cubre la arquitectura del ensamble de tres modelos. La Parte 3 recorre cada fórmula con números reales de un viernes por la tarde en Sídney. La Parte 4 construye la implementación completa desde cero en Python. La Parte 5 muestra el plano de producción de PyTorch funcionando a escala.
Cada cálculo verificado. Cada línea de código funciona.
Sigue leyendo. Las matemáticas son más accesibles de lo que la mayoría de la gente espera.
#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.