- Uber menggunakan ETA untuk perhitungan tarif, prediksi waktu penjemputan, pencocokan rider-driver, dan perencanaan waktu pengantaran
- Engine ETA tradisional membagi jaringan jalan menjadi unit-unit kecil lalu menghitungnya dengan memberi bobot pada graf
→ Menemukan rute optimal dengan algoritma jalur terpendek, lalu menambahkan bobot
- Namun, "peta bukanlah wilayah sebenarnya". Graf jalan hanyalah model sederhana dan tidak dapat sepenuhnya mencerminkan situasi nyata
- Selain itu, tidak diketahui rute mana yang akan dipilih oleh rider/driver
- Di atas perkiraan berbasis graf jalan, Uber melatih model machine learning dengan menggabungkan data historis dan sinyal aktual untuk menemukan ETA yang lebih baik
- Selama beberapa tahun, Uber menggunakan "Gradient-boosted decision tree ensembles" untuk meningkatkan prediksi ETA
→ Namun kini mereka telah mencapai batas yang tidak bisa lagi diskalakan dengan Apache Spark + XGBoost
- Karena itu, mereka beralih ke deep learning untuk menyelesaikan tiga masalah utama
- Latency : menghitung ETA dalam beberapa milidetik
- Accuracy : meningkatkan MAE (Mean Absolute Error, galat absolut rata-rata) dibanding model XGBoost
- Generality : menyediakan prediksi ETA secara global di seluruh bisnis Uber
- Menguji 7 arsitektur jaringan saraf
→ Pada akhirnya, arsitektur Encoder-Decoder berbasis Self-Attention (Transformer) adalah yang paling akurat
→ Meski akurasinya tinggi, kecepatannya terlalu lambat, sehingga mereka memilih Linear Transformer yang meningkatkan kecepatan komputasi
Belum ada komentar.