- Uber, ETA'yı ücret hesaplama, araç alma süresini tahmin etme, yolcu-sürücü eşleştirmesi ve teslimat süresi planlaması gibi alanlarda kullanıyor
- Geleneksel ETA motorları, yol ağını küçük parçalara bölüp graf üzerinde ağırlıklar vererek hesaplama yapar
→ En kısa yol algoritmasıyla en uygun rota bulunur ve ağırlıklar eklenir
- Ancak "harita arazinin kendisi değildir". Yol grafı yalnızca bir modeldir ve gerçek durumu yansıtamaz
- Ayrıca yolcuların/sürücülerin hangi rotayı seçeceği de bilinmez
- Yol grafı tabanlı tahminlerin üzerine geçmiş verileri ve gerçek sinyalleri birleştirerek makine öğrenmesi modeli eğitiliyor ve daha iyi ETA elde ediliyor
- Uber, birkaç yıl boyunca ETA tahminini iyileştirmek için "Gradient-boosted decision tree ensembles" kullandı
→ Ancak artık Apache Spark + XGBoost ile daha fazla ölçeklenemeyen bir sınıra ulaşıldı
- Bu yüzden derin öğrenmeye geçilerek üç ana sorun çözüldü
- Latency : ETA'nın birkaç milisaniye içinde hesaplanması
- Accuracy : MAE(Mean Absolute Error, ortalama mutlak hata) değerinin XGBoost modeline göre iyileştirilmesi
- Generality : Uber'ın tüm iş kollarında dünya çapında ETA tahmini sunulması
- 7 farklı sinir ağı mimarisi test edildi
→ Sonunda Self-Attention kullanan Encoder-Decoder mimarisi (Transformer) en doğru sonuçları verdi
→ Doğruluğu yüksek olsa da çok yavaş olduğu için, hesaplamayı hızlandıran Linear Transformer tercih edildi
Henüz yorum yok.