すべてのUber配車の中で動いているAIエンジン

シドニーのCBD、金曜日の午後5時。

オフィスは数分で空っぽになる。レストランは満席になる。4万人がほぼ同じ瞬間にUberアプリを開く。雨が降り始めたばかりだ。

Uberが今まさに答えなければならない問いは、残酷なほど単純だ。次の15分間に何件の配車リクエストが届くのか？

間違えれば、結果は即座に現れる。長い待ち時間。キャンセル。競合に流れる顧客。Uberの規模では、予測の小さな誤差は端数の問題ではない。数百万ドル単位で測られる収益の問題だ。

ほとんどの人は、Uberは受け身で動いていると思っている。乗客がアプリを開くと、システムが慌てて近くのドライバーを探す。実際はそうではない。

UberのAIシステムは、需要予測を24時間休みなく回し続けている。金曜日の夕方にあなたがアプリを開く頃には、Uberはあなたが来ることをすでに知っている。あなたを迎えに来るドライバーは、その場所でその時間に需要が来ると予測した予報に基づき、20分前に配置換えされていたかもしれない。

その能力は直感の上に築かれているのではない。数学の上に築かれている。

Uberの規模で予測精度が1パーセント向上すれば、年間で数億ドルの追加収益に相当する。劇的な一つの変化からではなく、同時に取り除かれる何千もの小さな非効率が、毎時間、すべての都市で積み重なっていくことから生まれる。

これは、Uberが起こる前に未来をどう予測するかを解説する全5回シリーズの第1回である。

第2回では3モデルのアンサンブルアーキテクチャを扱う。第3回では、シドニーの金曜日の夕方の実際の数字を使ってすべての数式を順に見ていく。第4回ではPythonで完全な実装をゼロから作る。第5回では、大規模に稼働する本番用PyTorchブループリントを紹介する。

すべての計算は検証済み。すべてのコードは動く。

ついてきてほしい。数学は、ほとんどの人が思うよりずっと身近なものだ。

#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.