როგორ ეძებს Yandex.Taxi მანქანებს, როდესაც არ არის

კარგი ტაქსის სერვისი უნდა იყოს უსაფრთხო, საიმედო და სწრაფი. მომხმარებელი დეტალებს არ ჩასწვდება: მისთვის მნიშვნელოვანია, რომ დააჭიროს ღილაკს „შეკვეთა“ და მიიღოს მანქანა რაც შეიძლება სწრაფად, რომელიც მას A წერტილიდან B წერტილამდე მიიყვანს. თუ ახლოს მანქანები არ არის, სერვისმა უნდა დაუყოვნებლივ აცნობეთ ამის შესახებ, რათა კლიენტს არ ჰქონდეს ცრუ მოლოდინი. მაგრამ თუ ნიშანი "არა მანქანები" ძალიან ხშირად გამოჩნდება, მაშინ ლოგიკურია, რომ ადამიანი უბრალოდ შეწყვეტს ამ სერვისის გამოყენებას და კონკურენტთან მიდის.

ამ სტატიაში მინდა ვისაუბრო იმაზე, თუ როგორ მოვაგვარეთ მანქანათმცოდნეობის გამოყენებით მანქანების ძებნის პრობლემა დაბალი სიმკვრივის ადგილებში (სხვა სიტყვებით რომ ვთქვათ, სადაც, ერთი შეხედვით, მანქანები არ არის). და რა გამოვიდა.

წინაისტორია

ტაქსის გამოძახებისთვის მომხმარებელი ასრულებს რამდენიმე მარტივ ნაბიჯს, მაგრამ რა ხდება სერვისის შიგნით?

მომხმარებელი	ეტაპი	Backend Yandex.Taxi
ირჩევს საწყის წერტილს	Pin	ვიწყებთ კანდიდატების გამარტივებულ ძიებას - pin search. აღმოჩენილ დრაივერებზე დაყრდნობით, ჩამოსვლის დრო პროგნოზირებულია - ETA პინში. გამოითვლება მოცემულ წერტილში მზარდი კოეფიციენტი.
ირჩევს დანიშნულების ადგილს, ტარიფს, მოთხოვნებს	შეთავაზება	ჩვენ ვაშენებთ მარშრუტს და ვიანგარიშებთ ფასებს ყველა ტარიფისთვის, მზარდი კოეფიციენტის გათვალისწინებით.
დააჭირეთ ღილაკს "ტაქსის გამოძახება".	შეკვეთა	ჩვენ ვიწყებთ მანქანის სრულ ძებნას. ჩვენ ვირჩევთ ყველაზე შესაფერის მძღოლს და ვთავაზობთ მას შეკვეთას.

on ETA პინში, ფასის გაანგარიშება и ყველაზე შესაფერისი მძღოლის არჩევა ჩვენ უკვე დავწერეთ. და ეს არის ისტორია მძღოლების პოვნის შესახებ. როდესაც შეკვეთა იქმნება, ძიება ორჯერ ხდება: პინზე და შეკვეთაზე. შეკვეთის ძებნა ორ ეტაპად ხდება: კანდიდატების დაკომპლექტება და რეიტინგის დანიშვნა. პირველი, ხელმისაწვდომია კანდიდატი მძღოლები, რომლებიც ყველაზე ახლოს არიან გზის გრაფიკის გასწვრივ. შემდეგ გამოიყენება ბონუსები და ფილტრაცია. დარჩენილი კანდიდატები რიგდება და გამარჯვებული იღებს შეკვეთის შეთავაზებას. თუ თანახმაა, მას ევალება შეკვეთა და მიდის ადგილზე მიტანის ადგილზე. თუ ის უარს იტყვის, მაშინ შეთავაზება მოდის შემდეგზე. თუ მეტი კანდიდატი არ არის, ძიება ხელახლა იწყება. ეს გრძელდება არაუმეტეს სამი წუთისა, რის შემდეგაც შეკვეთა გაუქმებულია და იწვება.

პინზე ძიება შეკვეთის ძიების მსგავსია, მხოლოდ შეკვეთა არ იქმნება და თავად ძიება მხოლოდ ერთხელ ხდება. ასევე გამოიყენება კანდიდატების რაოდენობისა და ძიების რადიუსის გამარტივებული პარამეტრები. ასეთი გამარტივებები აუცილებელია, რადგან სიდიდის რიგით მეტი ქინძისთავებია, ვიდრე ბრძანებები, ხოლო ძებნა საკმაოდ რთული ოპერაციაა. ჩვენი სიუჟეტის მთავარი პუნქტი: თუ წინასწარი ჩხრეკისას პინზე არ იქნა ნაპოვნი შესაფერისი კანდიდატები, მაშინ ჩვენ არ გაძლევთ უფლებას შეკვეთის განთავსება. ყოველ შემთხვევაში, ადრე ასე იყო.

ეს არის ის, რაც მომხმარებელმა ნახა აპლიკაციაში:

მოძებნეთ მანქანები მანქანების გარეშე

ერთ დღეს ჩვენ გამოვიტანეთ ჰიპოთეზა: შესაძლოა, ზოგიერთ შემთხვევაში შეკვეთის შესრულება მაინც შეიძლება, მაშინაც კი, თუ პინზე არ იყო მანქანები. ბოლოს და ბოლოს, პინსა და შეკვეთას შორის გარკვეული დრო გადის და შეკვეთის ძებნა უფრო სრულყოფილია და ზოგჯერ რამდენჯერმე მეორდება: ამ დროის განმავლობაში შეიძლება გამოჩნდეს ხელმისაწვდომი დრაივერები. საპირისპიროც ვიცოდით: პინზე მძღოლები რომ აღმოჩენილიყვნენ, შეკვეთის დროს რომ აღმოჩნდებოდნენ, ფაქტი არ იყო. ხან ქრება ან ყველა უარს ამბობს შეკვეთაზე.

ამ ჰიპოთეზის შესამოწმებლად, ჩვენ დავიწყეთ ექსპერიმენტი: ჩვენ შევწყვიტეთ მანქანების არსებობის შემოწმება მომხმარებელთა სატესტო ჯგუფისთვის Pin-ზე ჩხრეკისას, ანუ მათ ჰქონდათ შესაძლებლობა გაეკეთებინათ „შეკვეთა მანქანების გარეშე“. შედეგი საკმაოდ მოულოდნელი იყო: თუ მანქანა არ იყო ქინძისთავზე, მაშინ 29% შემთხვევაში ის მოგვიანებით აღმოაჩინეს - შეკვეთის ძებნისას! უფრო მეტიც, შეკვეთები მანქანების გარეშე მნიშვნელოვნად არ განსხვავდებოდა ჩვეულებრივი შეკვეთებისგან გაუქმების განაკვეთების, რეიტინგების და სხვა ხარისხის მაჩვენებლების თვალსაზრისით. მანქანის გარეშე ჯავშნები შეადგენდა ყველა ჯავშნის 5%-ს, მაგრამ ყველა წარმატებული მოგზაურობის 1%-ზე მეტს.

იმის გასაგებად, თუ საიდან მოდიან ამ ბრძანებების შემსრულებლები, გადავხედოთ მათ სტატუსებს პინზე ძიების დროს:

• ხელმისაწვდომია: ხელმისაწვდომი იყო, მაგრამ რატომღაც არ შედიოდა კანდიდატებში, მაგალითად, ძალიან შორს იყო;
• შეკვეთით: დაკავებული იყო, მაგრამ მოახერხა თავის გათავისუფლება ან ხელმისაწვდომი გახდა ჯაჭვის შეკვეთა;
• Დაკავებული: შეკვეთების მიღების შესაძლებლობა გამორთული იყო, მაგრამ შემდეგ მძღოლი დაბრუნდა ხაზზე;
• Მიუწვდომელია: მძღოლი ინტერნეტში არ იყო, მაგრამ ის გამოჩნდა.

მოდით დავამატოთ საიმედოობა

დამატებითი შეკვეთები შესანიშნავია, მაგრამ წარმატებული ძიებების 29% ნიშნავს, რომ 71% მომხმარებელი დიდხანს ელოდა და არსად მიდიოდა. მიუხედავად იმისა, რომ ეს არ არის ცუდი სისტემის ეფექტურობის თვალსაზრისით, ის რეალურად აძლევს მომხმარებელს ცრუ იმედს და კარგავს დროს, რის შემდეგაც ისინი ნერვიულობენ და (შესაძლოა) შეწყვეტენ სერვისის გამოყენებას. ამ პრობლემის გადასაჭრელად ვისწავლეთ წინასწარ განსაზღვროთ შეკვეთით მანქანის პოვნის ალბათობა.

სქემა ასეთია:

• მომხმარებელი აყენებს ქინძისთავს.
• ჩხრეკა ტარდება ქინძისთავზე.
• თუ მანქანები არ არის, ჩვენ ვიწინასწარმეტყველებთ: იქნებ გამოჩნდნენ.
• და ალბათობიდან გამომდინარე, ვაძლევთ ან არ ვაძლევთ შეკვეთის გაკეთების საშუალებას, მაგრამ გაფრთხილებთ, რომ ამ დროს მანქანების სიმჭიდროვე ამ ტერიტორიაზე დაბალია.

აპლიკაციაში ასე გამოიყურებოდა:

მოდელის გამოყენება საშუალებას გაძლევთ უფრო ზუსტად შექმნათ ახალი შეკვეთები და ტყუილად არ დაამშვიდოთ ხალხი. ანუ, სანდოობის თანაფარდობის და შეკვეთების რაოდენობის დარეგულირება მანქანების გარეშე ზუსტი-გამოძახების მოდელის გამოყენებით. სერვისის საიმედოობა გავლენას ახდენს პროდუქტის გამოყენების გაგრძელების სურვილზე, ანუ საბოლოოდ ეს ყველაფერი დამოკიდებულია მოგზაურობის რაოდენობაზე.

ცოტა სიზუსტე-გახსენების შესახებმანქანათმცოდნეობის ერთ-ერთი ძირითადი ამოცანაა კლასიფიკაციის ამოცანა: ობიექტის მინიჭება ორიდან ერთ-ერთ კლასში. ამ შემთხვევაში, მანქანათმცოდნეობის ალგორითმის შედეგი ხშირად ხდება ერთ-ერთი კლასის წევრობის რიცხვითი შეფასება, მაგალითად, ალბათობის შეფასება. თუმცა, მოქმედებები, რომლებიც შესრულებულია, ჩვეულებრივ, ორობითია: თუ მანქანა ხელმისაწვდომია, მაშინ მოგცემთ ნებას, შეუკვეთოთ, ხოლო თუ არა, მაშინ არა. კონკრეტულად რომ ვთქვათ, მოდით ვუწოდოთ ალგორითმს, რომელიც აწარმოებს რიცხვით შეფასებას, მოდელი, ხოლო კლასიფიკატორი - წესი, რომელიც მას ანიჭებს ორ კლასს (1 ან –1). მოდელის შეფასების საფუძველზე კლასიფიკატორის შესაქმნელად, თქვენ უნდა აირჩიოთ შეფასების ბარიერი. ზუსტად რამდენად დამოკიდებულია დავალებაზე.

დავუშვათ, ჩვენ ვაკეთებთ ტესტს (კლასიფიკატორს) ზოგიერთი იშვიათი და საშიში დაავადებისთვის. ტესტის შედეგებიდან გამომდინარე, ჩვენ ან ვაგზავნით პაციენტს უფრო დეტალურ გამოკვლევაზე, ან ვეუბნებით: „კარგი, წადი სახლში“. ჩვენთვის ავადმყოფის სახლში გაგზავნა ბევრად უარესია, ვიდრე ჯანმრთელი ადამიანის უაზრო გამოკვლევა. ანუ, ჩვენ გვინდა, რომ ტესტმა იმუშაოს რაც შეიძლება ბევრ რეალურად დაავადებულ ადამიანზე. ამ მნიშვნელობას ეწოდება გახსენება =. იდეალურ კლასიფიკატორს აქვს 100% გამოხმაურება. დეგენერაციული ვითარებაა ყველას გამოგზავნა ექსპერტიზაზე, მაშინ გაწვევაც 100% იქნება.

ეს ასევე ხდება პირიქით. მაგალითად, ვაკეთებთ ტესტირების სისტემას სტუდენტებისთვის და მას აქვს მოტყუების დეტექტორი. თუ მოულოდნელად შემოწმება არ მუშაობს მოტყუების ზოგიერთ შემთხვევაში, მაშინ ეს უსიამოვნოა, მაგრამ არა კრიტიკული. მეორე მხრივ, უკიდურესად ცუდია სტუდენტების უსამართლოდ დადანაშაულება იმაში, რაც მათ არ გაუკეთებიათ. ანუ ჩვენთვის მნიშვნელოვანია, რომ კლასიფიკატორის დადებით პასუხებს შორის იყოს რაც შეიძლება მეტი სწორი, შესაძლოა მათი რაოდენობის საზიანოდ. ეს ნიშნავს, რომ თქვენ უნდა გაზარდოთ სიზუსტე = . თუ ტრიგერი ხდება ყველა ობიექტზე, მაშინ სიზუსტე იქნება ნიმუშის განსაზღვრული კლასის სიხშირის ტოლი.

თუ ალგორითმი აწარმოებს რიცხვითი ალბათობის მნიშვნელობას, მაშინ სხვადასხვა ზღურბლების არჩევით შეგიძლიათ მიაღწიოთ სხვადასხვა სიზუსტე-გახსენების მნიშვნელობებს.

ჩვენს პრობლემაში სიტუაცია ასეთია. შეხსენება არის შეკვეთების რაოდენობა, რომელიც შეგვიძლია შემოგთავაზოთ, სიზუსტე არის ამ შეკვეთების საიმედოობა. ასე გამოიყურება ჩვენი მოდელის სიზუსტე-გახსენების მრუდი:

არის ორი უკიდურესი შემთხვევა: არავის მისცეთ შეკვეთის უფლება და ყველას ნება მიეცით შეკვეთა. თუ არავის დაუშვებთ, მაშინ გახსენება იქნება 0: ჩვენ არ ვქმნით შეკვეთებს, მაგრამ არცერთი მათგანი არ ჩავარდება. თუ ყველას დავუშვებთ, მაშინ გამოძახება იქნება 100% (ჩვენ მივიღებთ ყველა შესაძლო შეკვეთას), ხოლო სიზუსტე იქნება 29%, ანუ შეკვეთების 71% ცუდი იქნება.

ჩვენ გამოვიყენეთ საწყისი წერტილის სხვადასხვა პარამეტრი, როგორც ნიშნები:

• დრო/ადგილი.
• სისტემის მდგომარეობა (დაკავებული მანქანების რაოდენობა ყველა ტარიფით და მიმდებარედ).
• ძიების პარამეტრები (რადიუსი, კანდიდატების რაოდენობა, შეზღუდვები).

მეტი ნიშნების შესახებ

კონცეპტუალურად, გვინდა განვასხვავოთ ორი სიტუაცია:

• "ღრმა ტყე" - ამ დროისთვის აქ მანქანები არ არის.
• "უიღბლო" - არის მანქანები, მაგრამ ძებნისას არ იყო შესაფერისი.

„უიღბლის“ ერთ-ერთი მაგალითია თუ პარასკევს საღამოს ცენტრში დიდი მოთხოვნაა. არის ბევრი შეკვეთა, ბევრი მსურველი და არასაკმარისი მძღოლები ყველასთვის. შეიძლება ასე აღმოჩნდეს: პინში არ არის შესაფერისი დრაივერები. მაგრამ ფაქტიურად წამებში ისინი ჩნდებიან, რადგან ამ დროს ამ ადგილას უამრავი მძღოლია და მათი სტატუსი მუდმივად იცვლება.

მაშასადამე, A წერტილის სიახლოვეს სხვადასხვა სისტემის ინდიკატორი კარგი მახასიათებელი აღმოჩნდა:

• მანქანების საერთო რაოდენობა.
• შეკვეთით მანქანების რაოდენობა.
• მანქანების რაოდენობა, რომლებიც მიუწვდომელია შეკვეთისთვის "დაკავებული" სტატუსში.
• მომხმარებელთა რაოდენობა.

ყოველივე ამის შემდეგ, რაც უფრო მეტი მანქანაა, მით უფრო სავარაუდოა, რომ ერთი მათგანი ხელმისაწვდომი გახდება.
ფაქტობრივად, ჩვენთვის მნიშვნელოვანია არა მარტო მანქანების განთავსება, არამედ წარმატებული მოგზაურობებიც. აქედან გამომდინარე, შესაძლებელი იყო წარმატებული მოგზაურობის ალბათობის პროგნოზირება. მაგრამ ჩვენ გადავწყვიტეთ არ გაგვეკეთებინა ეს, რადგან ეს მნიშვნელობა დიდად არის დამოკიდებული მომხმარებელზე და მძღოლზე.

მოდელის სასწავლო ალგორითმი იყო CatBoost. ექსპერიმენტიდან მიღებული მონაცემები გამოიყენეს ტრენინგზე. განხორციელების შემდეგ საჭირო იყო ტრენინგის მონაცემების შეგროვება, რაც ზოგჯერ საშუალებას აძლევს მომხმარებელთა მცირე რაოდენობას შეეკვეთა მოდელის გადაწყვეტილება.

შედეგები

ექსპერიმენტის შედეგები მოსალოდნელი იყო: მოდელის გამოყენება საშუალებას გაძლევთ მნიშვნელოვნად გაზარდოთ წარმატებული მოგზაურობის რაოდენობა მანქანების გარეშე შეკვეთების გამო, მაგრამ საიმედოობის კომპრომისის გარეშე.

ამ დროისთვის მექანიზმი ამოქმედდა ყველა ქალაქში და ქვეყანაში და მისი დახმარებით ხდება წარმატებული მოგზაურობის დაახლოებით 1%. უფრო მეტიც, ზოგიერთ ქალაქში, სადაც მანქანების დაბალი სიმჭიდროვეა, ასეთი მოგზაურობის წილი 15% -ს აღწევს.

სხვა პოსტები ტაქსის ტექნოლოგიების შესახებ

• როგორ ვანაწილებთ შეკვეთებს მძღოლებს შორის Yandex.Taxi-ში
• დინამიური ფასები, ან როგორ Yandex.Taxi პროგნოზირებს მაღალ მოთხოვნას
• როგორ გამოვიყენოთ კომპიუტერული ხედვა მანქანის მდგომარეობის შესაფასებლად. Yandex.Taxi გამოცდილება
• როგორ პროგნოზირებს Yandex.Taxi მანქანის აყვანის დროს მანქანური სწავლის გამოყენებით

წყარო: www.habr.com