- Uber ETA का उपयोग किराया गणना, pickup time की भविष्यवाणी, rider-driver matching, और delivery time planning आदि में करता है
- पारंपरिक ETA engines सड़क network को छोटे हिस्सों में बांटकर graph पर weights देकर गणना करते हैं
→ shortest-path algorithm से optimal route खोजा जाता है, और weights जोड़े जाते हैं
- लेकिन "map ही terrain नहीं है"। road graph सिर्फ एक model है, और वास्तविक स्थिति को पूरी तरह प्रतिबिंबित नहीं कर पाता
- साथ ही, यह भी पता नहीं होता कि riders/drivers कौन-सा route चुनेंगे
- road graph-आधारित अनुमान के ऊपर historical data और real signals को मिलाकर machine learning model train किया जाता है, ताकि बेहतर ETA निकाला जा सके
- कई वर्षों तक Uber ने ETA prediction में सुधार के लिए "Gradient-boosted decision tree ensembles" का उपयोग किया
→ लेकिन अब Apache Spark + XGBoost के साथ scale करने की सीमा आ चुकी थी
- इसलिए deep learning पर स्विच करके तीन प्रमुख समस्याएं हल की गईं
- Latency : कुछ milliseconds के भीतर ETA की गणना
- Accuracy : MAE(Mean Absolute Error, औसत निरपेक्ष त्रुटि) को XGBoost model से बेहतर करना
- Generality : Uber के सभी business में, पूरी दुनिया में ETA prediction उपलब्ध कराना
- 7 तरह की neural network architectures का परीक्षण किया गया
→ अंत में Self-Attention का उपयोग करने वाली Encoder-Decoder architecture (Transformer) सबसे सटीक निकली
→ accuracy ज्यादा थी, लेकिन speed बहुत धीमी थी, इसलिए computation को तेज़ करने वाले Linear Transformer को चुना गया
अभी कोई टिप्पणी नहीं है.