Искусственный интеллект лежит в основе многих технологий, и многие компании используют его в своих интересах. После запуска ChatGPT в конце 2022 года многие компании начали внедрять собственные технологии искусственного интеллекта и машинного обучения на своих платформах.
Так обстоит дело с Убером. ИИ глубоко укоренился в их деятельности, и вопрос о том, используют они его или нет, больше не возникает. Uber использует ИИ для обнаружения мошенничества, выявления рисков, подбора пассажиров и водителей, отслеживания маршрутов и многого другого.
Uber теперь доступен более чем в 70+ странах с более чем 900 городами по всему миру. То, как они использовали искусственный интеллект и машинное обучение, заслуживает похвалы.
Почему Uber называют компанией, специализирующейся на искусственном интеллекте?
Всякий раз, когда мы говорим о таких технологиях, как ИИ, Uber всегда упоминается вместе с другими известными компаниями. Uber также называют ИИ-компанией.
Некоторым из вас может быть интересно, что означает этот термин. Компании, ориентированные на ИИ, — это те, кто в каждом своем продукте и рабочем процессе внедряет ИИ и машинное обучение. Они считают, что каждый отдел в организации должен управляться ИИ.
В машинном обучении Uber фокусируется на двух областях: операциях и исследованиях. В процессе работы они оценивают, как они могут внедрить технологию в свои продукты. С другой стороны, команда в области исследований сосредоточена на создании технологий будущего. Если вы хотите узнать об этом больше, вы можете просмотреть их исследовательские работы, опубликованные на их сайте. ("Источник").
Микеланджело: платформа машинного обучения Uber
"Источник"
Michelangelo — это внутренняя платформа машинного обучения компании, предназначенная для помощи специалистам по данным в создании, развертывании и мониторинге моделей. Платформа охватывает весь рабочий процесс проекта, включая сбор данных, предварительное моделирование, развертывание и мониторинг.
Платформу можно обучить по трем моделям: машинному обучению, глубокому обучению и обработке естественного языка (NLP). Michelangelo — это де-факто платформа, которую используют все внутренние команды Uber.
Почему Микеланджело требуется в Uber?
Есть две причины, по которым Uber создала свою платформу машинного обучения:
1. Стандартизация
На начальном этапе, когда Uber была небольшой компанией, размер команды специалистов по данным был небольшим, а моделями можно было легко управлять. Однако по мере того, как компания начала расширяться в других странах, новые региональные группы начали работать над региональными проблемами.
Поскольку разные команды работали в своих местах, не было процедуры стандартизации, с которой нужно было иметь дело. Здесь возникла потребность в Микеланджело, и компания решила использовать платформу для оптимизации линейки продуктов.
Любая команда, создающая модель на основе Микеланджело, может использоваться другими командами, базирующимися в других местах.
2. Масштабируемость
Когда Uber начал расширяться по всему миру, его услугами начали пользоваться миллионы пользователей. Это вызвало лихорадочные проблемы у инженерной команды. Им нужно не только создавать лучшие модели, но и развертывать их в больших масштабах.
Проблема развертывания была решена Микеланджело, и команде специалистов по данным нужно сосредоточиться только на построении моделей.
Какие функции использует Uber с помощью искусственного интеллекта и машинного обучения?
Uber разработал свои функции, используя Микеланджело. Давайте посмотрим, что они из себя представляют и чем они нам полезны.
- ETA (расчетное время прибытия)
"Источник"
Вы, должно быть, много раз заказывали такси, выходя из дома. Uber указывает примерное время прибытия вашего такси. Это то, что мы назвали ETA. Uber очень серьезно относится к этой функции. Если показанное ETA неверно, клиент может покинуть приложение.
Традиционно алгоритмы маршрутизации рассчитывают ожидаемое время прибытия путем анализа кратчайшего маршрута из точки А в точку Б. Однако сценарии в реальном времени, такие как дождь, пробки и аварии, не учитываются.
Чтобы решить эту проблему, Uber использует традиционный метод плюс машинное обучение для получения более точных результатов. Компания использует исторические данные, данные в реальном времени и модели машинного обучения в сочетании для прогнозирования ожидаемого времени прибытия. Эта модель называется Deep ETA, она построена с помощью Микеланджело.
2. Разрыв спроса и предложения
Uber необходимо управлять дефицитом спроса и предложения, чтобы управлять своим бизнесом. Существует ограниченное количество транспортных средств, которые компания должна обслуживать во многих местах с имеющимися у них ресурсами.
Компания разделила решение на два этапа, чтобы решить проблему.
· Прогноз спроса. Uber использует прошлые данные, чтобы определить, сколько такси требуется в определенном географическом месте и в определенное время. Чтобы улучшить прогноз, компания использовала архитектуру глубокого обучения с 2019 года.
· Обеспечение предложения. Например, существует огромный спрос на такси в определенном месте, но требуемых такси недостаточно.
Чтобы решить эту проблему, Uber показывает водителям тепловую карту, которая указывает им, где спрос высок. Кроме того, продемонстрирован множитель цены, который информирует водителей о том, насколько больше дохода они заработают, поехав в это место.
3. Система чата в один клик
"Источник"
Предположим, вы заказали такси и терпеливо ждете его прибытия. Однако такси опаздывает, и вы отправляете сообщение водителю о текущем состоянии. Водителям становится сложно ответить на сообщение во время вождения.
Чтобы решить эту проблему, создается система чата в один клик, которая автоматически показывает варианты ответов на заданный вопрос для лучшего обслуживания клиентов.
4. Поддержка клиентов (COTA)
"Источник"
Поддержка клиентов жизненно важна для компании. По мере роста компании растут и клиенты, а вместе с ними и запросы. Если об этом не позаботиться, клиент может остаться недоволен и покинуть платформу.
Ранее, когда клиенты подают жалобу, они должны перейти в раздел справки приложения и объяснить проблему. Затем команда заказчика вручную проверяет проблему и пытается найти решение.
Однако, когда Uber начал глобальный рост, команде поддержки клиентов стало сложно решать проблему вручную.
Затем Uber создал решение под названием COTA (Customer Obsession Ticket Assistant). Это система машинного обучения и НЛП. COTA сначала определяет тип проблемы и предлагает возможное решение того, как ее можно решить.
5. Обнаружение мошенничества
"Источник"
Компания Uber создала систему обнаружения мошенничества с помощью ИИ под названием RADAR. Система искусственного интеллекта отслеживает и смягчает систему с участием человека.
Возможно, вы знаете, что вы можете оплатить сумму текущей поездки в начале следующей поездки. Кроме того, в приложении доступно несколько вариантов оплаты. По этим причинам высока вероятность мошенничества.
Здесь в игру вступает РАДАР. Система отслеживает ежедневные платежные операции и в случае ошибки уведомляет риск-аналитика. Затем аналитик рисков просматривает отчет, отправленный системой, и утверждает его.
Заключительные мысли
То, как Uber использовал AI и ML в своей разработке программного продукта, поистине замечательно. То, как они используют искусственный интеллект и машинное обучение, делает их больше, чем просто компанией, занимающейся заказом такси.
