每一趟优步行程中运转的 AI 引擎

悉尼市中心,星期五下午五点。

写字楼几分钟内就空了。餐厅爆满。四万人几乎在同一时刻打开优步应用。雨刚刚开始落下。

优步此刻必须回答的问题简单得近乎残酷。接下来的 15 分钟里会有多少叫车请求?

一旦估错,后果立竿见影。等车时间变长。订单取消。客户转向竞争对手。在优步的规模上,预测中的一点点误差不是四舍五入的小问题。而是以百万美元计的收入问题。

大多数人以为优步是被动应对的。乘客一打开应用,系统就急匆匆去找附近的司机。其实不是这样运作的。

优步的 AI 系统每天 24 小时不间断地运行需求预测。到你周五晚上打开应用的时候,优步早就知道你要来了。来接你的司机,很可能在 20 分钟前就已经根据一份预测重新调了位置——那份预测说那个地点那个时间会有需求。

这种能力不是靠直觉建立的。是靠数学建立的。

在优步的规模上,预测准确度提升 1 个百分点,就等于每年多出几亿美元的营收。不是靠一次大动作,而是靠同时消除几千个微小的低效,在每个城市每个小时一点点累积起来。

这是关于优步如何在事情发生之前预测未来的五集系列的第一集。

第二集讲三模型集成的架构。第三集用悉尼一个周五晚上的真实数字,把每一条公式走一遍。第四集用 Python 从零搭建完整的实现。第五集展示在大规模上运行的生产级 PyTorch 蓝图。

每一笔计算都经过验证。每一行代码都能运行。

跟着看下去。数学比大多数人想象的要平易近人得多。

#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.