Ang AI Engine na Tumatakbo sa Loob ng Bawat Uber Ride

Alas-5:00 ng hapon sa isang Biyernes sa CBD ng Sydney.

Ang mga opisina ay naaalisan ng tao sa loob ng ilang minuto. Pumupuno ang mga restawran. 40,000 katao ang nagbubukas ng kanilang Uber app halos sabay-sabay. Nagsisimula pa lang bumuhos ang ulan.

Ang tanong na dapat sagutin ng Uber ngayon ay brutal na simple. Ilang ride request ang darating sa susunod na 15 minuto?

Magkamali ka at ang mga bunga ay agaran. Mababagal na paghihintay. Mga kanselasyon. Mga customer na lumilipat sa mga kakumpitensya. Sa sukat ng Uber, ang isang maliit na pagkakamali sa prediksyon ay hindi problema sa pag-round off. Ito ay problema sa kita na sinusukat sa milyon-milyon.

Karamihan ng mga tao ay nag-iisip na ang Uber ay gumagana nang reaktibo. Binubuksan ng rider ang app at ang sistema ay nagmamadaling maghanap ng malapit na driver. Hindi ganoon ang pag-andar nito.

Ang mga AI system ng Uber ay patuloy na nagpapatakbo ng demand forecast, 24 oras bawat araw. Sa oras na buksan mo ang app sa Biyernes ng hapon, alam na ng Uber na darating ka. Ang driver na susunduin ka ay maaaring nailipat na ng posisyon 20 minuto bago pa, batay sa isang forecast na nagpahula ng demand sa eksaktong lugar na iyon sa eksaktong oras na iyon.

Ang kakayahang iyon ay hindi itinayo sa intuition. Itinayo ito sa matematika.

Ang 1 porsyentong pagbuti sa katumpakan ng forecast sa dami ng Uber ay katumbas ng daan-daang milyong dolyar ng karagdagang taunang kita. Hindi mula sa isang dramatikong pagbabago, kundi mula sa libu-libong maliit na kawalang-bisang sabay-sabay na inalis, na nag-iipon bawat oras sa bawat lungsod.

Ito ang Unang Bahagi ng isang 5-bahaging serye tungkol sa kung paano hinuhulaan ng Uber ang hinaharap bago pa ito mangyari.

Sinasaklaw ng Ikalawang Bahagi ang arkitektura ng tatlong-modelong ensemble. Dinadaanan ng Ikatlong Bahagi ang bawat pormula gamit ang mga totoong numero mula sa isang Biyernes ng hapon sa Sydney. Itinatayo ng Ikaapat na Bahagi ang buong implementasyon mula sa simula sa Python. Ipinapakita ng Ikalimang Bahagi ang production PyTorch blueprint na tumatakbo sa malaking sukat.

Bawat kalkulasyon ay beripikado. Bawat linya ng code ay gumagana.

Sumama ka. Ang matematika ay mas madaling abutin kaysa sa inaasahan ng karamihan.

#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.