Uber — это не только самый известный мобильный сервис вызова такси. У компании имеется команда по базовым технологиям, которая предоставляет уже готовые алгоритмы машинного обучения «в качестве сервиса» командам, специализирующимся на создании самоуправляемых транспортных средств.

Руководитель направления машинного обучения Uber Дэнни Ланж выстраивает в компании структуру, аналогичную той, которую он создавал, работая в Amazon Web Services.

«Мы намерены сделать все составляющие нашего бизнеса более интеллектуальными и улучшить пользовательское восприятие, — рассказал Ланж. — Моя команда работает в трех основных направлениях — это обслуживание водителей такси, улучшение карт и совершенствование самоуправляемых автомобилей».

«Технологии машинного обучения уже существуют, но разработчикам бывает трудно к ним подобраться, — пояснил он. — Именно поэтому мы предлагаем внутри компании машинное обучение в качестве сервиса, а точнее, в качестве облачного сервиса».

«Речь идет о наборе проверенных алгоритмов, — подчеркнул Ланж. — Используя определенные данные, приложения или сервисы, вы строите модели, позволяющие, скажем, прогнозировать поведение клиентов или заторы на дорогах».

Ресурсы машинного обучения предоставляются разработчикам точно так же, как происходит выделение ресурсов баз данных или вычислительных мощностей
Источник: Uber

Занимаясь вопросами карт и автономных автомобилей, Ланж и его команда вынуждены выходить за рамки алгоритмов «традиционного» машинного обучения и погружаться в такие области, как, например, машинное зрение или технологии глубинного обучения.

В Uber использовали технологии машинного обучения для повышения уровня персонализации своих приложений. Сразу после запуска приложение запрашивает у водителя конечный пункт поездки и предлагает различные варианты, исходя из привычек водителя и его текущего местоположения. Например, если вы находитесь в офисе, программа предполагает, что вы поедете оттуда домой, в спортзал или в бар.

Алгоритмы Uber анализируют данные предыдущих поездок и определяют расчетное время прибытия с учетом текущей ситуации на дорогах. Так, Ланж, используя соответствующие данные и алгоритмы в сервисе доставки продуктов Uber Eats, сумел заметно повысить точность расчета ориентировочного времени прибытия.

Используя данные о 2 млрд поездок, программа определяет, в каком месте таксисту лучше забрать клиента. «У нас есть алгоритмы машинного обучения, рассчитывающие на основе имеющейся информации оптимальную точку встречи с клиентом, — пояснил Ланж. — Они учитывают все возможные помехи. Таким образом определяется время, которое потребуется такси для того, чтобы добраться до клиента».