เอนจิน AI ที่ทำงานอยู่ในทุกการเดินทางของ Uber

เวลา 17:00 น. ของเย็นวันศุกร์ในย่าน CBD ของซิดนีย์

สำนักงานว่างลงภายในไม่กี่นาที ร้านอาหารเต็ม ผู้คน 40,000 คนเปิดแอป Uber ของพวกเขาในเวลาเกือบพร้อมกัน ฝนเพิ่งเริ่มตก

คำถามที่ Uber ต้องตอบตอนนี้นั้นเรียบง่ายอย่างโหดร้าย จะมีคำขอเดินทางเข้ามากี่รายการในอีก 15 นาทีข้างหน้า

ทำนายผิดและผลที่ตามมาก็เกิดขึ้นทันที การรอคอยที่ยาวนาน การยกเลิก ลูกค้าหันไปใช้คู่แข่ง ในระดับของ Uber ข้อผิดพลาดเล็กน้อยในการคาดการณ์ไม่ใช่ปัญหาการปัดเศษ มันคือปัญหารายได้ที่วัดเป็นล้าน

คนส่วนใหญ่คิดว่า Uber ทำงานแบบตอบสนอง ผู้โดยสารเปิดแอปและระบบก็วิ่งวุ่นหาคนขับที่อยู่ใกล้ๆ มันไม่ได้ทำงานแบบนั้น

ระบบ AI ของ Uber ทำการพยากรณ์ความต้องการอย่างต่อเนื่องตลอด 24 ชั่วโมงต่อวัน ก่อนที่คุณจะเปิดแอปในเย็นวันศุกร์ Uber รู้แล้วว่าคุณกำลังจะมา คนขับที่มารับคุณอาจถูกย้ายตำแหน่งไปเมื่อ 20 นาทีก่อนหน้านั้น จากการพยากรณ์ที่คาดการณ์ความต้องการในตำแหน่งนั้นพอดีในเวลานั้นพอดี

ความสามารถนั้นไม่ได้สร้างขึ้นบนสัญชาตญาณ มันสร้างขึ้นบนคณิตศาสตร์

การปรับปรุงความแม่นยำในการพยากรณ์เพียง 1 เปอร์เซ็นต์ในปริมาณของ Uber แปลงเป็นรายได้เพิ่มเติมหลายร้อยล้านดอลลาร์ต่อปี ไม่ใช่จากการเปลี่ยนแปลงครั้งใหญ่เพียงครั้งเดียว แต่จากความไร้ประสิทธิภาพเล็กๆ นับพันที่ถูกขจัดออกพร้อมกัน สะสมขึ้นทุกชั่วโมงในทุกเมือง

นี่คือตอนที่ 1 ของซีรีส์ 5 ตอนเกี่ยวกับวิธีที่ Uber คาดการณ์อนาคตก่อนที่มันจะเกิดขึ้น

ตอนที่ 2 ครอบคลุมสถาปัตยกรรมกลุ่มสามโมเดล ตอนที่ 3 พาเดินผ่านทุกสูตรด้วยตัวเลขจริงจากเย็นวันศุกร์ในซิดนีย์ ตอนที่ 4 สร้างการใช้งานเต็มรูปแบบตั้งแต่ต้นด้วย Python ตอนที่ 5 แสดงแบบพิมพ์เขียวการผลิต PyTorch ที่ทำงานในระดับใหญ่

ทุกการคำนวณได้รับการยืนยันแล้ว ทุกบรรทัดของโค้ดทำงานได้

ติดตามต่อไป คณิตศาสตร์เข้าถึงได้ง่ายกว่าที่คนส่วนใหญ่คาดคิด

#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.