कसरी Yandex.Taxi कार खोज्छ जब त्यहाँ कुनै पनि छैन

राम्रो ट्याक्सी सेवा सुरक्षित, भरपर्दो र छिटो हुनुपर्छ। प्रयोगकर्ता विवरणहरूमा जानेछैन: यो उसको लागि महत्त्वपूर्ण छ कि उसले "अर्डर" बटन क्लिक गर्छ र सकेसम्म चाँडो कार प्राप्त गर्दछ जसले उसलाई बिन्दु A बाट बिन्दु B मा लैजान्छ। यदि त्यहाँ नजिकै कुनै कारहरू छैनन् भने, सेवा हुनुपर्छ। यस बारे तुरुन्तै सूचित गर्नुहोस् ताकि ग्राहकले त्यहाँ गलत अपेक्षाहरू नहोस्। तर यदि "कार छैन" चिन्ह धेरै पटक देखा पर्दछ, तब यो तार्किक छ कि एक व्यक्तिले यो सेवा प्रयोग गर्न बन्द गर्नेछ र प्रतियोगीमा जान्छ।

यस लेखमा म कसरी मेसिन लर्निङ प्रयोग गरेर, कम घनत्व क्षेत्रहरूमा कारहरू खोज्ने समस्या समाधान गर्‍यौं भन्ने बारे कुरा गर्न चाहन्छु (अर्को शब्दमा, जहाँ, पहिलो नजरमा, त्यहाँ कुनै कारहरू छैनन्)। अनि के आयो।

प्रागितिहास

ट्याक्सी कल गर्न, प्रयोगकर्ताले केही सरल चरणहरू प्रदर्शन गर्दछ, तर सेवा भित्र के हुन्छ?

प्रयोगकर्ता	स्टेज	ब्याकएन्ड Yandex.Taxi
सुरूवात बिन्दु चयन गर्दछ	पिन	हामी उम्मेदवारहरूको लागि सरलीकृत खोज सुरु गर्दैछौं - पिन खोज। फेला परेका चालकहरूको आधारमा, आगमन समय भविष्यवाणी गरिएको छ - पिनमा ETA। दिइएको बिन्दुमा बढ्दो गुणांक गणना गरिन्छ।
गन्तव्य, भाडा, आवश्यकताहरू चयन गर्दछ	प्रस्ताव	हामी बढ्दो गुणांकलाई ध्यानमा राख्दै सबै ट्यारिफहरूको लागि रुट बनाउँछौं र मूल्यहरू गणना गर्छौं।
"ट्याक्सी कल गर्नुहोस्" बटन थिच्नुहोस्	अर्डर	हामी कारको लागि पूर्ण खोजी सुरु गर्छौं। हामी सबै भन्दा उपयुक्त चालक चयन र उहाँलाई अर्डर प्रस्ताव।

बारेमा पिनमा ETA, मूल्य गणना и सबैभन्दा उपयुक्त चालक चयन हामीले पहिले नै लेखेका छौं। र यो ड्राइभरहरू फेला पार्ने बारेमा एउटा कथा हो। जब अर्डर सिर्जना गरिन्छ, खोज दुई पटक हुन्छ: पिनमा र अर्डरमा। अर्डरको खोजी दुई चरणहरूमा हुन्छ: उम्मेद्वारहरूको भर्ती र श्रेणीकरण। पहिलो, उपलब्ध उम्मेदवार चालकहरू फेला पर्छन् जो सडक ग्राफको नजिक छन्। त्यसपछि बोनस र फिल्टरिंग लागू गरिन्छ। बाँकी उम्मेद्वारहरू क्रमबद्ध छन् र विजेताले अर्डर प्रस्ताव प्राप्त गर्दछ। यदि उहाँ सहमत हुनुहुन्छ भने, उसलाई अर्डरमा तोकिएको छ र डेलिभरी बिन्दुमा जान्छ। यदि उसले अस्वीकार गर्यो भने, त्यसपछि अर्को प्रस्ताव आउँछ। यदि त्यहाँ थप उम्मेदवारहरू छैनन् भने, खोजी फेरि सुरु हुन्छ। यो तीन मिनेट भन्दा बढी रहन्छ, जस पछि अर्डर रद्द र जलाइएको छ।

पिनमा खोजी गर्नु अर्डरमा खोजी गर्नु जस्तै हो, केवल अर्डर सिर्जना गरिएको छैन र खोज आफै एक पटक मात्र गरिन्छ। उम्मेद्वारहरूको संख्या र खोज त्रिज्याका लागि सरलीकृत सेटिङहरू पनि प्रयोग गरिन्छ। त्यस्ता सरलीकरणहरू आवश्यक छन् किनभने त्यहाँ अर्डरहरू भन्दा बढी पिनहरूको परिमाणको अर्डर छ, र खोजी गर्नु एकदम गाह्रो अपरेशन हो। हाम्रो कथाको मुख्य बिन्दु: यदि प्रारम्भिक खोजको क्रममा पिनमा कुनै उपयुक्त उम्मेद्वारहरू फेला परेनन् भने, हामी तपाईंलाई अर्डर गर्न अनुमति दिँदैनौं। कम्तिमा यस्तो हुन्थ्यो ।

यो अनुप्रयोगमा प्रयोगकर्ताले देखेको कुरा हो:

कार बिना कार खोज्नुहोस्

एक दिन हामीले एउटा परिकल्पना लिएर आएका थियौं: हुनसक्छ केहि अवस्थामा अर्डर अझै पनि पूरा गर्न सकिन्छ, पिनमा कुनै कार नभए पनि। आखिर, पिन र अर्डर बीच केहि समय बित्छ, र अर्डर खोजी अधिक पूर्ण छ र कहिलेकाहीँ धेरै पटक दोहोर्याइएको छ: यस समयमा, उपलब्ध ड्राइभरहरू देखा पर्न सक्छन्। हामीलाई उल्टो पनि थाहा थियो: यदि ड्राइभरहरू पिनमा फेला परेका थिए भने, यो तथ्य थिएन कि तिनीहरू अर्डर गर्दा फेला पर्नेछन्। कहिलेकाहीँ तिनीहरू हराउँछन् वा सबैले आदेश अस्वीकार गर्छन्।

यो परिकल्पना परीक्षण गर्न, हामीले एउटा प्रयोग सुरु गर्‍यौं: हामीले प्रयोगकर्ताहरूको परीक्षण समूहको लागि पिनमा खोजी गर्दा कारहरूको उपस्थिति जाँच गर्न रोक्यौं, अर्थात्, तिनीहरूसँग "कार बिना अर्डर" गर्ने अवसर थियो। परिणाम एकदम अप्रत्याशित थियो: यदि कार पिनमा थिएन भने, त्यसपछि 29% केसहरूमा यो पछि फेला पर्‍यो - अर्डरमा खोजी गर्दा! यसबाहेक, कार बिनाका अर्डरहरू रद्द दरहरू, मूल्याङ्कनहरू, र अन्य गुणस्तर सूचकहरूको सन्दर्भमा नियमित अर्डरहरू भन्दा धेरै फरक थिएनन्। कार बिनाको बुकिङले सबै बुकिङको ५% ओगटेको छ, तर सबै सफल यात्राहरूको १% भन्दा बढी।

यी आदेशहरूको कार्यान्वयनकर्ताहरू कहाँबाट आउँछन् भन्ने बुझ्नको लागि, पिनमा खोजी गर्दा तिनीहरूको अवस्था हेरौं:

• उपलब्ध: उपलब्ध थियो, तर केही कारणले उम्मेदवारहरूमा समावेश गरिएको थिएन, उदाहरणका लागि, उहाँ धेरै टाढा हुनुहुन्थ्यो;
• अर्डरमा: व्यस्त थियो, तर आफूलाई मुक्त गर्न वा लागि उपलब्ध हुन व्यवस्थित चेन अर्डर;
• व्यस्त: आदेशहरू स्वीकार गर्ने क्षमता असक्षम गरिएको थियो, तर त्यसपछि चालक लाइनमा फर्कियो;
• उपलब्ध छैन: चालक अनलाइन थिएन, तर ऊ देखा पर्‍यो।

विश्वसनीयता थपौं

अतिरिक्त अर्डरहरू उत्कृष्ट छन्, तर सफल खोजहरूको 29% को मतलब 71% समय प्रयोगकर्ताले लामो समय पर्खनुभयो र कतै जानु भएन। यद्यपि यो प्रणाली दक्षताको दृष्टिकोणबाट नराम्रो कुरा होइन, यसले वास्तवमा प्रयोगकर्तालाई झूटो आशा दिन्छ र समय बर्बाद गर्दछ, जस पछि तिनीहरू निराश हुन्छन् र (सम्भवतः) सेवा प्रयोग गर्न बन्द गर्छन्। यो समस्या समाधान गर्न, हामीले अर्डरमा कार भेट्टाउने सम्भावना भविष्यवाणी गर्न सिकेका छौं।

योजना निम्नानुसार छ:

• प्रयोगकर्ताले पिन राख्छ।
• पिनमा खोजी गरिन्छ।
• यदि त्यहाँ कुनै कारहरू छैनन् भने, हामी भविष्यवाणी गर्छौं: सायद तिनीहरू देखा पर्नेछ।
• र सम्भाव्यतामा निर्भर गर्दै, हामी तपाईंलाई अर्डर गर्न अनुमति दिन्छौं वा अनुमति दिँदैनौं, तर हामी तपाईंलाई चेतावनी दिन्छौं कि यस क्षेत्रमा कारहरूको घनत्व यस समयमा कम छ।

अनुप्रयोगमा यो यस्तो देखिन्थ्यो:

मोडेलको प्रयोगले तपाईंलाई नयाँ अर्डरहरू अझ सही रूपमा सिर्जना गर्न र व्यर्थमा मानिसहरूलाई आश्वस्त पार्न अनुमति दिन्छ। त्यो हो, सटीक-रिकल मोडेल प्रयोग गरी मिसिनहरू बिना नै विश्वसनीयताको अनुपात र अर्डरहरूको संख्यालाई विनियमित गर्न। सेवाको विश्वसनीयताले उत्पादनको प्रयोग जारी राख्ने इच्छालाई प्रभाव पार्छ, अर्थात् अन्तमा यो सबै यात्राहरूको संख्यामा आउँछ।

परिशुद्धताको बारेमा थोरै - सम्झनामेशिन लर्निङमा आधारभूत कार्यहरू मध्ये एउटा वर्गीकरण कार्य हो: दुई वर्गहरू मध्ये एउटालाई वस्तु तोक्ने। यस अवस्थामा, मेसिन लर्निङ एल्गोरिदमको नतिजा प्रायः कक्षाहरू मध्ये एकमा सदस्यताको संख्यात्मक मूल्याङ्कन हुन्छ, उदाहरणका लागि, सम्भाव्यता मूल्याङ्कन। यद्यपि, प्रदर्शन गरिएका कार्यहरू सामान्यतया बाइनरी हुन्छन्: यदि कार उपलब्ध छ भने, हामी तपाईंलाई यसलाई अर्डर गर्न दिनेछौं, र यदि होइन भने, हामी गर्दैनौं। विशिष्ट हुनको लागि, एउटा एल्गोरिथ्मलाई कल गरौं जसले संख्यात्मक अनुमानको मोडेल उत्पादन गर्छ, र एक वर्गीकरणकर्तालाई एउटा नियम जसले यसलाई दुई वर्गहरू (1 वा -1) मध्ये एकमा तोक्न सक्छ। मोडेलको मूल्याङ्कनमा आधारित वर्गीकरण गर्न, तपाईंले मूल्याङ्कन थ्रेसहोल्ड चयन गर्न आवश्यक छ। वास्तवमा कसरी कार्य मा धेरै निर्भर गर्दछ।

मानौं हामीले कुनै दुर्लभ र खतरनाक रोगको परीक्षण (वर्गीकरण) गर्दैछौं। परीक्षणको नतिजाको आधारमा, हामी या त बिरामीलाई थप विस्तृत जाँचको लागि पठाउँछौं, वा भन्छौं: "ठीक छ, घर जानुहोस्।" हाम्रो लागि, बिरामी व्यक्तिलाई घर पठाउनु स्वस्थ व्यक्तिलाई अनावश्यक जाँच गर्नु भन्दा धेरै खराब छ। त्यो हो, हामी परीक्षणले सकेसम्म धेरै बिरामी व्यक्तिहरूको लागि काम गर्न चाहन्छौं। यो मान recall = भनिन्छ। एक आदर्श वर्गीकरणकर्तासँग 100% को रिकॉल छ। सबैलाई परिक्षाको लागि पठाउने अवस्था बिग्रियो भने रिकॉल पनि शतप्रतिशत हुनेछ ।

यो उल्टो पनि हुन्छ। उदाहरण को लागी, हामी विद्यार्थीहरु को लागी एक परीक्षण प्रणाली बनाइरहेका छौ, र यो एक धोखा डिटेक्टर छ। यदि अचानक चेक धोखाधडी को केहि मामलाहरु को लागी काम गर्दैन, तब यो अप्रिय छ, तर महत्वपूर्ण छैन। अर्कोतर्फ, विद्यार्थीहरूलाई आफूले नगरेको कुराको अनुचित आरोप लगाउनु अत्यन्तै नराम्रो कुरा हो। त्यो हो, यो हाम्रो लागि महत्त्वपूर्ण छ कि वर्गीकरणकर्ताको सकारात्मक जवाफहरू मध्ये त्यहाँ सम्भव भएसम्म धेरै सही छन्, सायद तिनीहरूको संख्याको हानि। यसको मतलब तपाईले परिशुद्धता = अधिकतम बनाउन आवश्यक छ । यदि ट्रिगरिङ सबै वस्तुहरूमा हुन्छ भने, परिशुद्धता नमूनामा परिभाषित वर्गको आवृत्ति बराबर हुनेछ।

यदि एल्गोरिथ्मले संख्यात्मक सम्भाव्यता मान उत्पादन गर्छ भने, त्यसपछि विभिन्न थ्रेसहोल्डहरू चयन गरेर, तपाईंले विभिन्न परिशुद्धता-रिकल मानहरू प्राप्त गर्न सक्नुहुन्छ।

हाम्रो समस्याको अवस्था यस्तो छ। सम्झना भनेको हामीले प्रस्ताव गर्न सक्ने अर्डरहरूको संख्या हो, परिशुद्धता यी अर्डरहरूको विश्वसनीयता हो। यो हाम्रो मोडेलको परिशुद्धता-रिकल वक्र जस्तो देखिन्छ:

त्यहाँ दुई चरम अवस्थाहरू छन्: कसैलाई अर्डर गर्न अनुमति नदिनुहोस् र सबैलाई अर्डर गर्न अनुमति दिनुहोस्। यदि तपाइँ कसैलाई अनुमति दिनुहुन्न भने, त्यसपछि 0 रिकॉल हुनेछ: हामी अर्डरहरू सिर्जना गर्दैनौं, तर ती मध्ये कुनै पनि असफल हुनेछैन। यदि हामीले सबैलाई अनुमति दियौं भने, त्यसपछि रिकॉल १००% हुनेछ (हामी सबै सम्भावित अर्डरहरू प्राप्त गर्नेछौं), र सटीकता 100% हुनेछ, अर्थात् 29% आदेशहरू खराब हुनेछन्।

हामीले संकेतको रूपमा सुरूवात बिन्दुका विभिन्न प्यारामिटरहरू प्रयोग गर्यौं:

• समय/स्थान।
• प्रणाली अवस्था (सबै ट्यारिफहरू र वरपरका पिनहरूको कब्जा गरिएका मेसिनहरूको संख्या)।
• खोज प्यारामिटरहरू (त्रिज्या, उम्मेद्वारहरूको संख्या, प्रतिबन्धहरू)।

संकेतहरूको बारेमा थप

वैचारिक रूपमा, हामी दुई अवस्थाहरू बीच भेद गर्न चाहन्छौं:

• "गहिरो जंगल" - यस समयमा यहाँ कुनै कारहरू छैनन्।
• "अशुभ" - त्यहाँ कारहरू छन्, तर खोजी गर्दा त्यहाँ कुनै उपयुक्त थिएनन्।

"अनलक्की" को एउटा उदाहरण हो यदि शुक्रवार साँझ केन्द्रमा धेरै माग हुन्छ। त्यहाँ धेरै आदेशहरू छन्, धेरै मानिसहरू इच्छुक छन्, र सबैका लागि पर्याप्त ड्राइभरहरू छैनन्। यो यस्तो हुन सक्छ: पिनमा कुनै उपयुक्त चालकहरू छैनन्। तर शाब्दिक रूपमा सेकेन्ड भित्र तिनीहरू देखा पर्छन्, किनभने यस समयमा यस ठाउँमा धेरै चालकहरू छन् र तिनीहरूको स्थिति निरन्तर परिवर्तन भइरहेको छ।

तसर्थ, बिन्दु A को वरपरका विभिन्न प्रणाली सूचकहरू राम्रो विशेषताहरू हुन गए:

• कार को कुल संख्या।
• अर्डरमा कारहरूको संख्या।
• "व्यस्त" स्थितिमा अर्डर गर्नका लागि उपलब्ध कारहरूको संख्या।
• प्रयोगकर्ताहरूको संख्या।

आखिर, त्यहाँ धेरै कारहरू छन्, अधिक सम्भावना छ कि तिनीहरू मध्ये एक उपलब्ध हुनेछ।
वास्तवमा, यो हाम्रो लागि महत्त्वपूर्ण छ कि कारहरू मात्र अवस्थित छैनन्, तर सफल यात्राहरू पनि गरिन्छ। त्यसैले, यो सफल यात्रा को सम्भावना भविष्यवाणी गर्न सम्भव थियो। तर हामीले यो नगर्ने निर्णय गर्यौं, किनभने यो मान धेरै प्रयोगकर्ता र चालकमा निर्भर गर्दछ।

मोडेल प्रशिक्षण एल्गोरिदम थियो CatBoost। प्रयोगबाट प्राप्त डाटालाई प्रशिक्षणको लागि प्रयोग गरियो। कार्यान्वयन पछि, प्रशिक्षण डेटा सङ्कलन गर्नुपर्‍यो, कहिलेकाहीँ थोरै संख्यामा प्रयोगकर्ताहरूलाई मोडेलको निर्णय विरुद्ध अर्डर गर्न अनुमति दिईयो।

परिणामहरू

प्रयोगको नतिजाहरू अपेक्षा गरे अनुसार थिए: मोडेलको प्रयोगले तपाईंलाई कारहरू बिना अर्डरको कारण सफल यात्राहरूको संख्या बढाउन अनुमति दिन्छ, तर विश्वसनीयतामा सम्झौता नगरी।

यस समयमा, संयन्त्र सबै शहर र देशहरूमा सुरू गरिएको छ र यसको सहयोगमा, लगभग 1% सफल यात्राहरू हुन्छन्। यसबाहेक, कारहरूको कम घनत्व भएका केही शहरहरूमा, त्यस्ता यात्राहरूको अंश 15% पुग्छ।

ट्याक्सी प्रविधिको बारेमा अन्य पोस्टहरू

• हामी कसरी Yandex.Taxi मा ड्राइभरहरू बीच अर्डरहरू वितरण गर्छौं
• गतिशील मूल्य निर्धारण, वा कसरी Yandex.Taxi उच्च माग भविष्यवाणी गर्दछ
• कारको अवस्था मूल्याङ्कन गर्न कम्प्युटर दृष्टि कसरी प्रयोग गर्ने। Yandex.Taxi अनुभव
• कसरी Yandex.Taxi ले मेसिन लर्निङ प्रयोग गरेर कार पिकअप समय भविष्यवाणी गर्छ

स्रोत: www.habr.com