优步如何提供食物并始终准时或提前几分钟到达？他们如何将乘客与司机匹配，以便您始终可以找到优步？所有这些同时还管理所有驱动程序？！ 好吧，我们将在视频中准确回答... 参考 ►阅读全文： ://www.louisbouchard.ai/uber-deepeta/ ►Uber 博客文章： ://eng.uber.com/deepeta-how-uber-predicts-arrival-times/ ►什么是变形金刚： ://youtu.be/sMCHC7XFynM ►线性变压器： ://arxiv.org/pdf/2006.16236.pdf ►My Newsletter（每周在您的电子邮件中解释的新 AI 应用程序！）： ://www.louisbouchard.ai/newsletter/ https https https https https 视频脚本 0:00 优步如何始终提供食物 0:02 准时或几分钟前到达 0:05 他们如何将骑手与司机相匹配 0:07 你总能找到一个优步 0:10 同时很快管理我们所有的司机 0:12 将在本文中回答这些问题 0:14 带有到达时间预测的视频 0:16 算法 deep eta deep eta 是 uber 的 0:20 最先进的估计算法 0:22 使用深度学习的到达时间 0:25 优步和优步都吃深 eta 罐头 0:28 神奇地组织一切 0:30 背景让车手司机和 0:32 食物从a点流利到 0:34 点 b 尽可能高效地多 0:37 存在不同的算法来估计 0:40 在这样的道路网络上旅行，但我不 0:42 认为任何都和优步一样优化 0:45 先前到达时间预测工具 0:47 包括优步都是用我们建造的 0:50 调用最短路径算法，它们是 0:52 不太适合现实世界 0:54 预测，因为他们不考虑 0:56 数年的实时信号 uber 0:59 使用 xgboost 一个众所周知的渐变 1:02 增强决策树机器学习 1:04 库 xjboost 非常强大 1:07 并在许多应用中使用，但 1:09 在优步的情况下受到限制，因为它越多 1:11 他们想要的延迟越长 1:14 更快更准确的东西 1:16 一般用于司机骑手 1:18 和送餐都是正交的 1:20 难以解决的挑战 1:22 即使是机器学习或人工智能 1:25 来了 deep eta 深度学习 1:28 改进 xg 提升的模型 1:30 所有这些哦，我差点忘了 1:33 这是这个视频的赞助商 1:36 我自己请花点时间订阅 1:39 如果你喜欢内容并留下一个like 1:41 我也很想读到你的想法 1:43 评论或加入不和谐 1:45 社区学习AI一起聊天 1:47 让我们回到视频 1:49 deep eta 真的很强大 1:51 高效，因为它不仅仅需要 1:53 数据并生成预测 1:56 整个预处理系统，使这个 1:58 这个模型的数据更容易消化 2:00 使模型更容易，因为它 2:02 可以直接关注优化数据 2:05 噪音更小，体积更小 2:07 输入优化的第一步 2:10 延迟问题此预处理 2:12 模块首先获取地图数据和 2:14 实时流量测量 2:16 产生一个初始估计时间 2:18 任何新客户要求的到来 2:21 然后模型接受这些 2:23 空间变换特征 2:25 始发地、目的地和时间 2:27 请求作为时间特征，但它 2:29 不止于此，还需要更多 2:32 实时活动信息 2:34 像交通天气甚至大自然 2:36 诸如送货或乘车之类的请求 2:39 分享所有这些额外的信息 2:41 有必要从 2:43 我们提到的最短路径算法 2:45 高效但远非 2:47 智能是真实世界的证明和 2:50 这是一种什么样的架构 2:52 模型使用你猜它是一个变压器 2:54 你感到惊讶吗，因为我肯定 2:56 不是，这直接回答了第一个 2:59 制作模型的挑战 3:01 更准确，我已经介绍过 3:03 我的变压器无数次 3:04 频道，所以我不会讨论它是如何工作的 3:07 在这个视频中，但我仍然想 3:08 突出一些特定的功能 3:11 尤其是这个，你必须是 3:13 思考，但变压器是巨大的 3:16 慢模型怎么可能更低 3:18 延迟比 xg 提升好，你会 3:21 是的，他们已经尝试过了 3:23 慢，所以他们不得不做出一些改变 3:26 影响最大的变化是 3:28 使用可缩放的线性变压器 3:30 用输入的维度代替 3:33 输入的长度，这意味着如果 3:35 输入很长，变压器将是 3:38 非常慢，这通常是 3:40 他们拥有与路由一样多的信息 3:42 数据而不是随尺寸缩放 3:45 他们可以控制的东西太多了 3:47 更小的另一个很大的改进 3:49 速度是输入的离散化 3:52 意味着它们采用连续值 3:53 并使它们更容易计算 3:56 将相似的值聚集在一起 3:58 离散化经常用于 4:00 预测以加快计算速度 4:02 它给出的速度明显超过 4:04 重复值可能带来的错误 4:07 现在还有一个挑战要解决 4:10 到目前为止，最有趣的是如何 4:13 他们使它更笼统，这里是 4:15 完整的深度 eta 模型来回答这个问题 4:18 问题是较早的 4:19 量化的数据，然后 4:22 嵌入并发送到线性 4:24 我们刚刚讨论过的变压器然后我们 4:26 有全连接层来制作 4:28 我们的预测，我们还有最后一步 4:31 使我们的模型普遍偏向 4:33 调整解码器将在 4:36 预测和我们的类型特征 4:38 视频开头提到的 4:40 包含客户做出的原因 4:42 对渲染预测的 uber 请求 4:44 更适合任务的值 4:46 他们定期重新培训和部署 4:49 他们的模型使用自己的平台 4:51 叫米开朗基罗，我很想 4:53 如果您有兴趣，请覆盖下一个 4:56 请在评论中告诉我 4:58 瞧，这就是优步目前使用的 5:01 他们提供和提供乘车服务的系统 5:03 尽可能高效地给每个人 5:07 当然这只是一个概述和 5:09 他们使用了更多的技术来改进 5:11 您可以在其中找到的架构 5:13 他们伟大的博客文章链接如下 5:16 你很好奇我也只是想 5:18 请注意，这只是一个概述 5:20 他们的到达时间预测算法 5:22 而且我绝不隶属于优步 5:25 我希望你喜欢这周的视频 5:28 涵盖应用于真实的模型 5:30 世界而不是新的研究论文 5:32 如果是这样，请随时提出建议 5:35 任何有趣的应用程序或工具 5:37 封面下一篇我很想读你的身份证 5:39 谢谢你的收看，我会看到的 5:41 下周你再写一篇精彩的论文 [音乐]
