每一程 Uber 車程入面運行緊嘅 AI 引擎

悉尼市中心，星期五下晝五點鐘。

寫字樓幾分鐘內就清空。餐廳爆棚。四萬人差唔多喺同一刻打開 Uber 應用程式。雨啱啱開始落。

Uber 而家一定要答嘅問題簡單到殘忍。跟住落嚟 15 分鐘入面會有幾多個叫車請求？

估錯咗，後果即刻浮現。等車等好耐。取消訂單。客戶走去幫襯競爭對手。喺 Uber 嘅規模，預測上嘅少少誤差唔係四捨五入嘅小問題。係用百萬計嘅收入問題。

大部分人都以為 Uber 係被動應付嘅。乘客一打開應用程式，系統就急急腳去搵附近嘅司機。其實唔係咁運作嘅。

Uber 嘅 AI 系統每日 24 個鐘頭不停咁跑需求預測。到你星期五晚黑打開應用程式嗰陣，Uber 一早就知道你要嚟。嚟接你嘅司機，好可能喺 20 分鐘之前已經根據一份預測調咗位——嗰份預測話嗰個地點嗰個時間會有需求。

呢種能力唔係靠直覺建立起嚟嘅。係靠數學建立起嚟嘅。

喺 Uber 嘅規模，預測準確度提升 1 個百分點，就等於每年多出幾億美元嘅收入。唔係靠一次大變動，而係靠同時間剷走幾千個細微嘅浪費，喺每個城市每個鐘頭一點一點噉累積起嚟。

呢個係講 Uber 點樣喺事情發生之前預測未來嘅五集系列嘅第一集。

第二集講三模型集成嘅架構。第三集用悉尼一個星期五晚黑嘅真實數字，將每一條公式行一次。第四集用 Python 由零開始起出完整嘅實現。第五集展示喺大規模上運行嘅生產級 PyTorch 藍圖。

每一條計算都驗證過。每一行代碼都跑得郁。

繼續跟住睇。數學比大部分人想像中容易接近得多。

#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.