Le moteur d'IA qui tourne dans chaque course Uber

Il est 17 h 00 un vendredi soir dans le quartier d'affaires de Sydney.

Les bureaux se vident en quelques minutes. Les restaurants se remplissent. 40 000 personnes ouvrent leur application Uber presque au même moment. La pluie vient de commencer à tomber.

La question à laquelle Uber doit répondre maintenant est brutalement simple. Combien de demandes de course vont arriver dans les 15 prochaines minutes ?

Se tromper, et les conséquences sont immédiates. De longues attentes. Des annulations. Des clients qui passent à la concurrence. À l'échelle d'Uber, une petite erreur de prévision n'est pas un problème d'arrondi. C'est un problème de revenus mesuré en millions.

La plupart des gens pensent qu'Uber fonctionne de manière réactive. Un passager ouvre l'application et le système se démène pour trouver un chauffeur à proximité. Ce n'est pas comme ça que ça marche.

Les systèmes d'IA d'Uber exécutent des prévisions de demande en continu, 24 heures sur 24. Au moment où vous ouvrez l'application un vendredi soir, Uber savait déjà que vous alliez venir. Le chauffeur qui vient vous chercher a peut-être été repositionné 20 minutes plus tôt sur la base d'une prévision qui annonçait la demande à cet endroit précis à cette heure précise.

Cette capacité n'est pas bâtie sur l'intuition. Elle est bâtie sur les mathématiques.

Une amélioration de 1 pour cent de la précision des prévisions, au volume d'Uber, se traduit par des centaines de millions de dollars de revenus annuels supplémentaires. Pas grâce à un changement spectaculaire, mais grâce à des milliers de petites inefficacités éliminées simultanément, qui se cumulent chaque heure dans chaque ville.

Ceci est la partie 1 d'une série en 5 parties sur la façon dont Uber prédit l'avenir avant qu'il n'arrive.

La partie 2 couvre l'architecture de l'ensemble de trois modèles. La partie 3 parcourt chaque formule avec des chiffres réels d'un vendredi soir à Sydney. La partie 4 construit l'implémentation complète à partir de zéro en Python. La partie 5 montre le plan de production PyTorch fonctionnant à grande échelle.

Chaque calcul vérifié. Chaque ligne de code fonctionne.

Suivez le guide. Les mathématiques sont plus accessibles que la plupart des gens ne l'imaginent.

#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.