Code promo Uber

Comment Uber et Lyft utilisent l'IA pour améliorer l'expérience de conduite

09 juillet 2019

Les entreprises publiques américaines Uber et Lyft ont révolutionné les transports urbains. Les chauffeurs d’Uber effectuent 14 millions de trajets par jour, tandis que les 1,4 million de chauffeurs de Lyft ont servi 23 millions de passagers avec plus d’un milliard de trajets en septembre 2018, selon les prospectus que les sociétés ont fournis pour leurs PAPE ce printemps.

Lors du sommet RE • WORK Applied AI 2019 organisé à San Francisco le mois dernier, les experts en intelligence artificielle d’Uber et de Lyft ont expliqué comment les entreprises utilisent les algorithmes d’apprentissage automatique pour améliorer leurs services, tant pour les conducteurs que pour les conducteurs.

Uber: Amélioration de la communication entre pilotes avec la discussion en un clic

Imaginez que vous attendiez un Uber sur le trottoir. Alors que le temps passe, l'icône de la voiture dépêchée sur l'écran de votre smartphone reste frustrante loin de votre position, vous invitant à utiliser l'application pour envoyer un message au conducteur: «Tout va bien? Pouvez-vous conduire plus vite? »Si votre chauffeur Uber vous envoie un SMS au volant, cela constitue un risque pour la sécurité et est illégal dans la plupart des juridictions.

Pour offrir aux conducteurs et aux passagers une expérience de collecte transparente et sécurisée, les scientifiques de Uber Data ont créé One-Click Chat, une fonctionnalité mobile sur UberChat qui permet des réponses intelligentes rapides, dynamiques et personnalisées. Yue Weng, responsable scientifique des données chez Uber, explique: «La discussion en un clic répond à certaines préoccupations des conducteurs en matière de messagerie liées à la messagerie texte et offre une expérience de voyage plus simple. Il exploite une combinaison de méthodes [d'apprentissage automatique] non supervisées et supervisées. "

Voici comment fonctionne le chat en un clic: Lorsqu'un passager écrit un message à son conducteur, le service back-end Uber l'envoie automatiquement à la plate-forme d'apprentissage automatique de Uber, Michelangelo, qui utilise le traitement du langage naturel (NLP) pour prétraiter et coder le message. puis génère des scores de prédiction pour une intention possible. Le service fournit ensuite les quatre principales réponses suggérées en fonction des scores de prévision à l'aide d'une stratégie d'extraction de réponse et les renvoie au pilote Uber, qui peut désormais répondre à votre question en un seul clic.

Un élément clé du processus de discussion en un clic est la détection d'intention. Les chercheurs d’Uber ont d’abord formé un modèle Doc2vec sur des millions de messages UberChat anonymisés pour mapper chaque message texte sur un espace d’incorporation de vecteurs denses. Le modèle apprend implicitement les relations entre les mots et les classe en fonction de la sémantique en calculant le centroïde de chaque classe d'intention. Les chercheurs ont également formé un classifieur de détection d’intention afin de prédire l’intention possible du message en calculant la distance entre le message entrant et le centre de gravité de l’intention sur une projection dimensionnelle.

Le document connexe OCC: Un système de réponse intelligent pour des communications intégrées efficaces a été accepté par KDD 2019, qui se tiendra du 4 au 8 août à Anchorage, en Alaska.

Lyft: Conception d'une plate-forme d'optimisation en temps réel pour les produits de positionnement de conducteur

Les ingénieurs de Lyft doivent faire face à un défi: trouver un équilibre entre l’immédiateté et la qualité d’une réponse dans la prise de décision automatisée. Ils ont réagi en proposant une plate-forme d’optimisation en temps réel pour le positionnement du conducteur et l’adéquation pilote-conducteur.

Dans son exposé de 15 minutes sur RE • WORK, le chercheur de Lyft, Hao Yi Ong, a présenté les architectures que la société a construites pour permettre le développement rapide de modèles et de produits scientifiques et itératifs pour une optimisation du flux de travail en temps réel. Par exemple, PPZ Maps est une architecture locale qui peut aider les conducteurs à gagner des bonus en identifiant les zones à forte demande (zones de puissance personnelle). PPZ Maps prend en compte les variations, notamment le modèle de passager, le modèle de conducteur, le budget et les prévisions pour représenter la demande prévue. Ces informations sont ensuite utilisées pour affiner la répartition des fournitures.

M. Ong a déclaré que l'une des leçons tirées par Lyft en construisant des cartes PPZ était que toute nouvelle approche nécessitait des signaux améliorés et la capacité de plusieurs coureurs et conducteurs de les tester et de les parcourir rapidement en collaboration.

Dans son exposé, Ong a proposé aux ingénieurs quelques principes de conception:

  • Le développement et l'exploitation de la science sont tout aussi importants que la construction de modèles scientifiques.
  • Il est important que les chercheurs et les spécialistes des données développent des modèles permettant de comprendre l’impact de l’infrastructure technique sur leur développement.
  • De même, il est important que les ingénieurs travaillent en étroite collaboration avec les scientifiques pour comprendre les besoins en infrastructure et ne pas sur-indexer une application métier spécifique.
  • Les défis des développeurs sont autant sociologiques que technologiques.
  • Les stratégies doivent donner aux scientifiques les moyens d’itérer rapidement et indépendamment des modèles.
  • Construire la plate-forme est moins une question de dimensionnement d’une solution que de développement de son développement.