Yandex.Taxi ਕਾਰਾਂ ਦੀ ਖੋਜ ਕਿਵੇਂ ਕਰਦੀ ਹੈ ਜਦੋਂ ਕੋਈ ਵੀ ਨਹੀਂ ਹੁੰਦਾ

ਇੱਕ ਚੰਗੀ ਟੈਕਸੀ ਸੇਵਾ ਸੁਰੱਖਿਅਤ, ਭਰੋਸੇਮੰਦ ਅਤੇ ਤੇਜ਼ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। ਉਪਭੋਗਤਾ ਵੇਰਵਿਆਂ ਵਿੱਚ ਨਹੀਂ ਜਾਵੇਗਾ: ਉਸਦੇ ਲਈ ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਉਹ "ਆਰਡਰ" ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰਦਾ ਹੈ ਅਤੇ ਜਿੰਨੀ ਜਲਦੀ ਹੋ ਸਕੇ ਇੱਕ ਕਾਰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਜੋ ਉਸਨੂੰ ਪੁਆਇੰਟ A ਤੋਂ ਬਿੰਦੂ B ਤੱਕ ਲੈ ਜਾਵੇਗਾ। ਜੇਕਰ ਨੇੜੇ ਕੋਈ ਕਾਰਾਂ ਨਹੀਂ ਹਨ, ਤਾਂ ਸੇਵਾ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ ਇਸ ਬਾਰੇ ਤੁਰੰਤ ਸੂਚਿਤ ਕਰੋ ਤਾਂ ਜੋ ਗਾਹਕ ਨੂੰ ਗਲਤ ਉਮੀਦਾਂ ਨਾ ਹੋਣ। ਪਰ ਜੇ "ਕੋਈ ਕਾਰਾਂ ਨਹੀਂ" ਦਾ ਚਿੰਨ੍ਹ ਬਹੁਤ ਵਾਰ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਇਹ ਤਰਕਪੂਰਨ ਹੈ ਕਿ ਕੋਈ ਵਿਅਕਤੀ ਇਸ ਸੇਵਾ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਬੰਦ ਕਰ ਦੇਵੇਗਾ ਅਤੇ ਕਿਸੇ ਪ੍ਰਤੀਯੋਗੀ ਕੋਲ ਜਾਵੇਗਾ।

ਇਸ ਲੇਖ ਵਿਚ ਮੈਂ ਇਸ ਬਾਰੇ ਗੱਲ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹਾਂ ਕਿ ਕਿਵੇਂ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਅਸੀਂ ਘੱਟ-ਘਣਤਾ ਵਾਲੇ ਖੇਤਰਾਂ (ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿਚ, ਜਿੱਥੇ, ਪਹਿਲੀ ਨਜ਼ਰ 'ਤੇ, ਕੋਈ ਕਾਰਾਂ ਨਹੀਂ ਹਨ) ਵਿਚ ਕਾਰਾਂ ਦੀ ਖੋਜ ਕਰਨ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕੀਤਾ ਹੈ। ਅਤੇ ਇਸ ਦਾ ਕੀ ਆਇਆ.

prehistory

ਟੈਕਸੀ ਨੂੰ ਕਾਲ ਕਰਨ ਲਈ, ਉਪਭੋਗਤਾ ਕੁਝ ਸਧਾਰਨ ਕਦਮ ਚੁੱਕਦਾ ਹੈ, ਪਰ ਸੇਵਾ ਦੇ ਅੰਦਰ ਕੀ ਹੁੰਦਾ ਹੈ?

ਯੂਜ਼ਰ	ਸਟੇਜ	ਬੈਕਐਂਡ Yandex.Taxi
ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਚੁਣਦਾ ਹੈ	ਪਿੰਨ ਕਰੋ	ਅਸੀਂ ਉਮੀਦਵਾਰਾਂ ਲਈ ਇੱਕ ਸਰਲ ਖੋਜ ਸ਼ੁਰੂ ਕਰ ਰਹੇ ਹਾਂ - ਪਿੰਨ ਖੋਜ। ਲੱਭੇ ਗਏ ਡਰਾਈਵਰਾਂ ਦੇ ਆਧਾਰ 'ਤੇ, ਪਹੁੰਚਣ ਦੇ ਸਮੇਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ - ਪਿੰਨ ਵਿੱਚ ਈ.ਟੀ.ਏ. ਕਿਸੇ ਦਿੱਤੇ ਬਿੰਦੂ 'ਤੇ ਵਧ ਰਹੇ ਗੁਣਾਂ ਦੀ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਮੰਜ਼ਿਲ, ਕਿਰਾਏ, ਲੋੜਾਂ ਦੀ ਚੋਣ ਕਰਦਾ ਹੈ	ਪੇਸ਼ਕਸ਼	ਅਸੀਂ ਇੱਕ ਰੂਟ ਬਣਾਉਂਦੇ ਹਾਂ ਅਤੇ ਵਧ ਰਹੇ ਗੁਣਾਂਕ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਸਾਰੇ ਟੈਰਿਫਾਂ ਲਈ ਕੀਮਤਾਂ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ।
"ਟੈਕਸੀ ਨੂੰ ਕਾਲ ਕਰੋ" ਬਟਨ ਨੂੰ ਦਬਾਓ	ਆਰਡਰ	ਅਸੀਂ ਕਾਰ ਦੀ ਪੂਰੀ ਖੋਜ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਸਭ ਤੋਂ ਢੁਕਵਾਂ ਡਰਾਈਵਰ ਚੁਣਦੇ ਹਾਂ ਅਤੇ ਉਸਨੂੰ ਆਰਡਰ ਦਿੰਦੇ ਹਾਂ।

'ਤੇ ਪਿੰਨ ਵਿੱਚ ਈ.ਟੀ.ਏ, ਕੀਮਤ ਦੀ ਗਣਨਾ и ਸਭ ਤੋਂ ਢੁਕਵਾਂ ਡਰਾਈਵਰ ਚੁਣਨਾ ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਲਿਖਿਆ ਹੈ। ਅਤੇ ਇਹ ਡਰਾਈਵਰਾਂ ਨੂੰ ਲੱਭਣ ਬਾਰੇ ਇੱਕ ਕਹਾਣੀ ਹੈ। ਜਦੋਂ ਕੋਈ ਆਰਡਰ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਖੋਜ ਦੋ ਵਾਰ ਹੁੰਦੀ ਹੈ: ਪਿੰਨ 'ਤੇ ਅਤੇ ਆਰਡਰ 'ਤੇ। ਆਰਡਰ ਦੀ ਖੋਜ ਦੋ ਪੜਾਵਾਂ ਵਿੱਚ ਹੁੰਦੀ ਹੈ: ਉਮੀਦਵਾਰਾਂ ਦੀ ਭਰਤੀ ਅਤੇ ਦਰਜਾਬੰਦੀ। ਪਹਿਲਾਂ, ਉਪਲਬਧ ਉਮੀਦਵਾਰ ਡਰਾਈਵਰ ਲੱਭੇ ਜਾਂਦੇ ਹਨ ਜੋ ਸੜਕ ਗ੍ਰਾਫ ਦੇ ਨਾਲ ਸਭ ਤੋਂ ਨੇੜੇ ਹੁੰਦੇ ਹਨ। ਫਿਰ ਬੋਨਸ ਅਤੇ ਫਿਲਟਰਿੰਗ ਲਾਗੂ ਕੀਤੇ ਜਾਂਦੇ ਹਨ. ਬਾਕੀ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਦਰਜਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਜੇਤੂ ਨੂੰ ਆਰਡਰ ਦੀ ਪੇਸ਼ਕਸ਼ ਮਿਲਦੀ ਹੈ। ਜੇ ਉਹ ਸਹਿਮਤ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਉਸਨੂੰ ਆਰਡਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਡਿਲੀਵਰੀ ਪੁਆਇੰਟ 'ਤੇ ਜਾਂਦਾ ਹੈ। ਜੇ ਉਹ ਇਨਕਾਰ ਕਰਦਾ ਹੈ, ਤਾਂ ਪੇਸ਼ਕਸ਼ ਅਗਲੇ ਨੂੰ ਆ ਜਾਂਦੀ ਹੈ. ਜੇਕਰ ਕੋਈ ਹੋਰ ਉਮੀਦਵਾਰ ਨਹੀਂ ਹਨ, ਤਾਂ ਖੋਜ ਦੁਬਾਰਾ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ। ਇਹ ਤਿੰਨ ਮਿੰਟਾਂ ਤੋਂ ਵੱਧ ਨਹੀਂ ਰਹਿੰਦਾ, ਜਿਸ ਤੋਂ ਬਾਅਦ ਆਰਡਰ ਰੱਦ ਕਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਸਾੜ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ।

ਪਿੰਨ 'ਤੇ ਖੋਜ ਕਰਨਾ ਕਿਸੇ ਆਰਡਰ 'ਤੇ ਖੋਜ ਕਰਨ ਦੇ ਸਮਾਨ ਹੈ, ਸਿਰਫ ਆਰਡਰ ਨਹੀਂ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਖੋਜ ਆਪਣੇ ਆਪ ਸਿਰਫ ਇੱਕ ਵਾਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਉਮੀਦਵਾਰਾਂ ਦੀ ਗਿਣਤੀ ਅਤੇ ਖੋਜ ਦੇ ਘੇਰੇ ਲਈ ਸਰਲ ਸੈਟਿੰਗਾਂ ਦੀ ਵਰਤੋਂ ਵੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਜਿਹੇ ਸਰਲੀਕਰਨ ਜ਼ਰੂਰੀ ਹਨ ਕਿਉਂਕਿ ਇੱਥੇ ਆਰਡਰਾਂ ਨਾਲੋਂ ਵੱਧ ਪਿੰਨ ਦੀ ਤੀਬਰਤਾ ਦਾ ਆਰਡਰ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਖੋਜ ਕਰਨਾ ਇੱਕ ਮੁਸ਼ਕਲ ਕਾਰਜ ਹੈ। ਸਾਡੀ ਕਹਾਣੀ ਦਾ ਮੁੱਖ ਨੁਕਤਾ: ਜੇਕਰ ਸ਼ੁਰੂਆਤੀ ਖੋਜ ਦੌਰਾਨ ਪਿੰਨ 'ਤੇ ਕੋਈ ਯੋਗ ਉਮੀਦਵਾਰ ਨਹੀਂ ਮਿਲੇ, ਤਾਂ ਅਸੀਂ ਤੁਹਾਨੂੰ ਆਰਡਰ ਦੇਣ ਦੀ ਇਜਾਜ਼ਤ ਨਹੀਂ ਦਿੰਦੇ ਹਾਂ। ਘੱਟੋ-ਘੱਟ ਇਸ ਤਰ੍ਹਾਂ ਹੀ ਹੁੰਦਾ ਸੀ।

ਇਹ ਉਹ ਹੈ ਜੋ ਉਪਯੋਗਕਰਤਾ ਨੇ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਦੇਖਿਆ:

ਕਾਰਾਂ ਤੋਂ ਬਿਨਾਂ ਕਾਰਾਂ ਦੀ ਖੋਜ ਕਰੋ

ਇੱਕ ਦਿਨ ਅਸੀਂ ਇੱਕ ਅਨੁਮਾਨ ਲੈ ਕੇ ਆਏ: ਸ਼ਾਇਦ ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ ਆਰਡਰ ਅਜੇ ਵੀ ਪੂਰਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਭਾਵੇਂ ਕਿ ਪਿੰਨ 'ਤੇ ਕੋਈ ਕਾਰਾਂ ਨਹੀਂ ਸਨ। ਆਖ਼ਰਕਾਰ, ਪਿੰਨ ਅਤੇ ਆਰਡਰ ਦੇ ਵਿਚਕਾਰ ਕੁਝ ਸਮਾਂ ਲੰਘਦਾ ਹੈ, ਅਤੇ ਆਰਡਰ ਦੀ ਖੋਜ ਵਧੇਰੇ ਸੰਪੂਰਨ ਹੁੰਦੀ ਹੈ ਅਤੇ ਕਈ ਵਾਰ ਕਈ ਵਾਰ ਦੁਹਰਾਇਆ ਜਾਂਦਾ ਹੈ: ਇਸ ਸਮੇਂ ਦੌਰਾਨ, ਉਪਲਬਧ ਡਰਾਈਵਰ ਦਿਖਾਈ ਦੇ ਸਕਦੇ ਹਨ. ਅਸੀਂ ਇਸਦੇ ਉਲਟ ਵੀ ਜਾਣਦੇ ਸੀ: ਜੇ ਡਰਾਈਵਰ ਪਿੰਨ 'ਤੇ ਪਾਏ ਗਏ ਸਨ, ਤਾਂ ਇਹ ਕੋਈ ਤੱਥ ਨਹੀਂ ਸੀ ਕਿ ਉਹ ਆਰਡਰ ਕਰਨ ਵੇਲੇ ਲੱਭੇ ਜਾਣਗੇ. ਕਈ ਵਾਰ ਉਹ ਗਾਇਬ ਹੋ ਜਾਂਦੇ ਹਨ ਜਾਂ ਹਰ ਕੋਈ ਹੁਕਮ ਤੋਂ ਇਨਕਾਰ ਕਰ ਦਿੰਦਾ ਹੈ।

ਇਸ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ, ਅਸੀਂ ਇੱਕ ਪ੍ਰਯੋਗ ਸ਼ੁਰੂ ਕੀਤਾ: ਅਸੀਂ ਉਪਭੋਗਤਾਵਾਂ ਦੇ ਇੱਕ ਟੈਸਟ ਸਮੂਹ ਲਈ ਇੱਕ ਪਿੰਨ 'ਤੇ ਖੋਜ ਦੌਰਾਨ ਕਾਰਾਂ ਦੀ ਮੌਜੂਦਗੀ ਦੀ ਜਾਂਚ ਕਰਨਾ ਬੰਦ ਕਰ ਦਿੱਤਾ, ਭਾਵ, ਉਹਨਾਂ ਕੋਲ "ਕਾਰਾਂ ਤੋਂ ਬਿਨਾਂ ਆਰਡਰ" ਕਰਨ ਦਾ ਮੌਕਾ ਸੀ। ਨਤੀਜਾ ਕਾਫ਼ੀ ਅਚਾਨਕ ਸੀ: ਜੇ ਕਾਰ ਪਿੰਨ 'ਤੇ ਨਹੀਂ ਸੀ, ਤਾਂ 29% ਕੇਸਾਂ ਵਿੱਚ ਇਹ ਬਾਅਦ ਵਿੱਚ ਪਾਇਆ ਗਿਆ - ਜਦੋਂ ਆਰਡਰ ਦੀ ਖੋਜ ਕੀਤੀ ਗਈ! ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕਾਰਾਂ ਤੋਂ ਬਿਨਾਂ ਆਰਡਰ ਰੱਦ ਕਰਨ ਦੀਆਂ ਦਰਾਂ, ਰੇਟਿੰਗਾਂ ਅਤੇ ਹੋਰ ਗੁਣਵੱਤਾ ਸੂਚਕਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਨਿਯਮਤ ਆਰਡਰਾਂ ਤੋਂ ਬਹੁਤ ਵੱਖਰੇ ਨਹੀਂ ਸਨ। ਕਾਰਾਂ ਤੋਂ ਬਿਨਾਂ ਬੁਕਿੰਗ ਸਾਰੀਆਂ ਬੁਕਿੰਗਾਂ ਦਾ 5% ਹੈ, ਪਰ ਸਾਰੀਆਂ ਸਫਲ ਯਾਤਰਾਵਾਂ ਵਿੱਚੋਂ ਸਿਰਫ਼ 1% ਤੋਂ ਵੱਧ।

ਇਹ ਸਮਝਣ ਲਈ ਕਿ ਇਹਨਾਂ ਆਰਡਰਾਂ ਦੇ ਐਗਜ਼ੀਕਿਊਟਰ ਕਿੱਥੋਂ ਆਉਂਦੇ ਹਨ, ਆਓ ਪਿੰਨ 'ਤੇ ਖੋਜ ਦੇ ਦੌਰਾਨ ਉਹਨਾਂ ਦੀਆਂ ਸਥਿਤੀਆਂ ਨੂੰ ਵੇਖੀਏ:

• ਉਪਲੱਬਧ: ਉਪਲਬਧ ਸੀ, ਪਰ ਕਿਸੇ ਕਾਰਨ ਕਰਕੇ ਉਮੀਦਵਾਰਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ, ਉਦਾਹਰਨ ਲਈ, ਉਹ ਬਹੁਤ ਦੂਰ ਸੀ;
• ਆਰਡਰ 'ਤੇ: ਰੁੱਝਿਆ ਹੋਇਆ ਸੀ, ਪਰ ਆਪਣੇ ਆਪ ਨੂੰ ਮੁਕਤ ਕਰਨ ਜਾਂ ਇਸ ਲਈ ਉਪਲਬਧ ਹੋਣ ਵਿੱਚ ਕਾਮਯਾਬ ਰਿਹਾ ਚੇਨ ਆਰਡਰ;
• ਵਿਅਸਤ: ਆਰਡਰ ਸਵੀਕਾਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਅਸਮਰੱਥ ਬਣਾਇਆ ਗਿਆ ਸੀ, ਪਰ ਫਿਰ ਡਰਾਈਵਰ ਲਾਈਨ 'ਤੇ ਵਾਪਸ ਆ ਗਿਆ;
• ਉਪਲਭਦ ਨਹੀ: ਡਰਾਈਵਰ ਆਨਲਾਈਨ ਨਹੀਂ ਸੀ, ਪਰ ਉਹ ਪ੍ਰਗਟ ਹੋਇਆ।

ਆਓ ਭਰੋਸੇਯੋਗਤਾ ਜੋੜੀਏ

ਅਤਿਰਿਕਤ ਆਰਡਰ ਬਹੁਤ ਵਧੀਆ ਹਨ, ਪਰ ਸਫਲ ਖੋਜਾਂ ਦੇ 29% ਦਾ ਮਤਲਬ ਹੈ ਕਿ 71% ਸਮਾਂ ਉਪਭੋਗਤਾ ਨੇ ਲੰਮਾ ਸਮਾਂ ਇੰਤਜ਼ਾਰ ਕੀਤਾ ਅਤੇ ਕਿਤੇ ਵੀ ਨਹੀਂ ਗਿਆ। ਹਾਲਾਂਕਿ ਇਹ ਸਿਸਟਮ ਕੁਸ਼ਲਤਾ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਕੋਈ ਬੁਰੀ ਗੱਲ ਨਹੀਂ ਹੈ, ਇਹ ਅਸਲ ਵਿੱਚ ਉਪਭੋਗਤਾ ਨੂੰ ਝੂਠੀ ਉਮੀਦ ਦਿੰਦਾ ਹੈ ਅਤੇ ਸਮਾਂ ਬਰਬਾਦ ਕਰਦਾ ਹੈ, ਜਿਸ ਤੋਂ ਬਾਅਦ ਉਹ ਪਰੇਸ਼ਾਨ ਹੋ ਜਾਂਦੇ ਹਨ ਅਤੇ (ਸੰਭਵ ਤੌਰ 'ਤੇ) ਸੇਵਾ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਬੰਦ ਕਰ ਦਿੰਦੇ ਹਨ। ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਅਸੀਂ ਇਸ ਸੰਭਾਵਨਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਸਿੱਖਿਆ ਹੈ ਕਿ ਆਰਡਰ 'ਤੇ ਕਾਰ ਲੱਭੀ ਜਾਵੇਗੀ।

ਸਕੀਮ ਹੇਠ ਲਿਖੀ ਹੈ:

• ਉਪਭੋਗਤਾ ਇੱਕ ਪਿੰਨ ਪਾਉਂਦਾ ਹੈ.
• ਪਿੰਨ 'ਤੇ ਖੋਜ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
• ਜੇ ਕੋਈ ਕਾਰਾਂ ਨਹੀਂ ਹਨ, ਤਾਂ ਅਸੀਂ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਾਂ: ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਉਹ ਦਿਖਾਈ ਦੇਣ।
• ਅਤੇ ਸੰਭਾਵਨਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ, ਅਸੀਂ ਤੁਹਾਨੂੰ ਆਰਡਰ ਦੇਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਾਂ ਜਾਂ ਨਹੀਂ ਦਿੰਦੇ, ਪਰ ਅਸੀਂ ਤੁਹਾਨੂੰ ਚੇਤਾਵਨੀ ਦਿੰਦੇ ਹਾਂ ਕਿ ਇਸ ਸਮੇਂ ਇਸ ਖੇਤਰ ਵਿੱਚ ਕਾਰਾਂ ਦੀ ਘਣਤਾ ਘੱਟ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਇਹ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦਾ ਸੀ:

ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨ ਨਾਲ ਤੁਸੀਂ ਨਵੇਂ ਆਰਡਰ ਹੋਰ ਸਹੀ ਢੰਗ ਨਾਲ ਬਣਾ ਸਕਦੇ ਹੋ ਅਤੇ ਵਿਅਰਥ ਲੋਕਾਂ ਨੂੰ ਭਰੋਸਾ ਨਹੀਂ ਦਿੰਦੇ ਹੋ। ਭਾਵ, ਸ਼ੁੱਧਤਾ-ਰੀਕਾਲ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਮਸ਼ੀਨਾਂ ਦੇ ਬਿਨਾਂ ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਆਰਡਰਾਂ ਦੀ ਸੰਖਿਆ ਦੇ ਅਨੁਪਾਤ ਨੂੰ ਨਿਯਮਤ ਕਰਨਾ। ਸੇਵਾ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਉਤਪਾਦ ਦੀ ਵਰਤੋਂ ਜਾਰੀ ਰੱਖਣ ਦੀ ਇੱਛਾ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੀ ਹੈ, ਭਾਵ ਅੰਤ ਵਿੱਚ ਇਹ ਸਭ ਯਾਤਰਾਵਾਂ ਦੀ ਸੰਖਿਆ 'ਤੇ ਆ ਜਾਂਦਾ ਹੈ।

ਸ਼ੁੱਧਤਾ ਬਾਰੇ ਇੱਕ ਛੋਟਾ ਜਿਹਾ-ਯਾਦਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਬੁਨਿਆਦੀ ਕੰਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ ਵਰਗੀਕਰਨ ਦਾ ਕੰਮ: ਕਿਸੇ ਵਸਤੂ ਨੂੰ ਦੋ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਸੌਂਪਣਾ। ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਦਾ ਨਤੀਜਾ ਅਕਸਰ ਕਲਾਸਾਂ ਵਿੱਚੋਂ ਇੱਕ ਵਿੱਚ ਸਦੱਸਤਾ ਦਾ ਇੱਕ ਸੰਖਿਆਤਮਕ ਮੁਲਾਂਕਣ ਬਣ ਜਾਂਦਾ ਹੈ, ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਸੰਭਾਵਨਾ ਮੁਲਾਂਕਣ। ਹਾਲਾਂਕਿ, ਜੋ ਕਾਰਵਾਈਆਂ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਉਹ ਆਮ ਤੌਰ 'ਤੇ ਬਾਈਨਰੀ ਹੁੰਦੀਆਂ ਹਨ: ਜੇਕਰ ਕਾਰ ਉਪਲਬਧ ਹੈ, ਤਾਂ ਅਸੀਂ ਤੁਹਾਨੂੰ ਇਸਦਾ ਆਰਡਰ ਕਰਨ ਦੇਵਾਂਗੇ, ਅਤੇ ਜੇਕਰ ਨਹੀਂ, ਤਾਂ ਅਸੀਂ ਨਹੀਂ ਕਰਾਂਗੇ। ਖਾਸ ਹੋਣ ਲਈ, ਆਓ ਇੱਕ ਐਲਗੋਰਿਦਮ ਨੂੰ ਕਾਲ ਕਰੀਏ ਜੋ ਇੱਕ ਸੰਖਿਆਤਮਕ ਅਨੁਮਾਨ ਇੱਕ ਮਾਡਲ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਅਤੇ ਇੱਕ ਵਰਗੀਕਰਣ ਇੱਕ ਨਿਯਮ ਜੋ ਇਸਨੂੰ ਦੋ ਸ਼੍ਰੇਣੀਆਂ (1 ਜਾਂ -1) ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ। ਮਾਡਲ ਮੁਲਾਂਕਣ ਦੇ ਆਧਾਰ 'ਤੇ ਇੱਕ ਵਰਗੀਕਰਣ ਬਣਾਉਣ ਲਈ, ਤੁਹਾਨੂੰ ਇੱਕ ਮੁਲਾਂਕਣ ਥ੍ਰੈਸ਼ਹੋਲਡ ਚੁਣਨ ਦੀ ਲੋੜ ਹੈ। ਅਸਲ ਵਿੱਚ ਕੰਮ 'ਤੇ ਬਹੁਤ ਨਿਰਭਰ ਕਰਦਾ ਹੈ.

ਮੰਨ ਲਓ ਕਿ ਅਸੀਂ ਕਿਸੇ ਦੁਰਲੱਭ ਅਤੇ ਖ਼ਤਰਨਾਕ ਬਿਮਾਰੀ ਲਈ ਇੱਕ ਟੈਸਟ (ਕਲਾਸਫਾਇਰ) ਕਰ ਰਹੇ ਹਾਂ। ਟੈਸਟ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ, ਅਸੀਂ ਜਾਂ ਤਾਂ ਮਰੀਜ਼ ਨੂੰ ਵਧੇਰੇ ਵਿਸਤ੍ਰਿਤ ਜਾਂਚ ਲਈ ਭੇਜਦੇ ਹਾਂ, ਜਾਂ ਕਹਿੰਦੇ ਹਾਂ: "ਚੰਗਾ, ਘਰ ਜਾਓ।" ਸਾਡੇ ਲਈ, ਇੱਕ ਬਿਮਾਰ ਵਿਅਕਤੀ ਨੂੰ ਘਰ ਭੇਜਣਾ ਇੱਕ ਸਿਹਤਮੰਦ ਵਿਅਕਤੀ ਦੀ ਬੇਲੋੜੀ ਜਾਂਚ ਕਰਨ ਨਾਲੋਂ ਬਹੁਤ ਮਾੜਾ ਹੈ। ਭਾਵ, ਅਸੀਂ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਟੈਸਟ ਜਿੰਨਾ ਸੰਭਵ ਹੋ ਸਕੇ ਬਹੁਤ ਸਾਰੇ ਅਸਲ ਬਿਮਾਰ ਲੋਕਾਂ ਲਈ ਕੰਮ ਕਰੇ। ਇਸ ਮੁੱਲ ਨੂੰ ਰੀਕਾਲ = ਕਿਹਾ ਜਾਂਦਾ ਹੈ. ਇੱਕ ਆਦਰਸ਼ ਵਰਗੀਕਰਣ ਵਿੱਚ 100% ਦੀ ਵਾਪਸੀ ਹੁੰਦੀ ਹੈ। ਵਿਗੜਨ ਵਾਲੀ ਸਥਿਤੀ ਹੈ ਕਿ ਹਰ ਕਿਸੇ ਨੂੰ ਇਮਤਿਹਾਨ ਲਈ ਭੇਜੋ, ਫਿਰ ਵਾਪਸੀ ਵੀ 100% ਹੋਵੇਗੀ।

ਇਹ ਇਸ ਦੇ ਉਲਟ ਵੀ ਵਾਪਰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਅਸੀਂ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਇੱਕ ਟੈਸਟਿੰਗ ਸਿਸਟਮ ਬਣਾ ਰਹੇ ਹਾਂ, ਅਤੇ ਇਸ ਵਿੱਚ ਇੱਕ ਧੋਖਾਧੜੀ ਦਾ ਪਤਾ ਲਗਾਉਣ ਵਾਲਾ ਹੈ। ਜੇਕਰ ਅਚਾਨਕ ਚੈਕ ਧੋਖਾਧੜੀ ਦੇ ਕੁਝ ਮਾਮਲਿਆਂ ਲਈ ਕੰਮ ਨਹੀਂ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਹ ਕੋਝਾ ਹੈ, ਪਰ ਨਾਜ਼ੁਕ ਨਹੀਂ ਹੈ। ਦੂਜੇ ਪਾਸੇ, ਵਿਦਿਆਰਥੀਆਂ 'ਤੇ ਕਿਸੇ ਅਜਿਹੇ ਕੰਮ ਦਾ ਦੋਸ਼ ਲਗਾਉਣਾ ਬਹੁਤ ਮਾੜਾ ਹੈ ਜੋ ਉਨ੍ਹਾਂ ਨੇ ਨਹੀਂ ਕੀਤਾ। ਅਰਥਾਤ, ਸਾਡੇ ਲਈ ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਵਰਗੀਕਰਣ ਦੇ ਸਕਾਰਾਤਮਕ ਜਵਾਬਾਂ ਵਿੱਚੋਂ ਜਿੰਨੇ ਸੰਭਵ ਹੋ ਸਕੇ ਸਹੀ ਹਨ, ਸ਼ਾਇਦ ਉਹਨਾਂ ਦੀ ਸੰਖਿਆ ਦੇ ਨੁਕਸਾਨ ਲਈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਤੁਹਾਨੂੰ ਸ਼ੁੱਧਤਾ = ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨ ਦੀ ਲੋੜ ਹੈ . ਜੇਕਰ ਟ੍ਰਿਗਰਿੰਗ ਸਾਰੀਆਂ ਵਸਤੂਆਂ 'ਤੇ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਸ਼ੁੱਧਤਾ ਨਮੂਨੇ ਵਿੱਚ ਪਰਿਭਾਸ਼ਿਤ ਕਲਾਸ ਦੀ ਬਾਰੰਬਾਰਤਾ ਦੇ ਬਰਾਬਰ ਹੋਵੇਗੀ।

ਜੇਕਰ ਐਲਗੋਰਿਦਮ ਇੱਕ ਸੰਖਿਆਤਮਕ ਸੰਭਾਵਨਾ ਮੁੱਲ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਤਾਂ ਵੱਖ-ਵੱਖ ਥ੍ਰੈਸ਼ਹੋਲਡਾਂ ਦੀ ਚੋਣ ਕਰਕੇ, ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਸ਼ੁੱਧਤਾ-ਰੀਕਾਲ ਮੁੱਲਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ।

ਸਾਡੀ ਸਮੱਸਿਆ ਵਿੱਚ ਸਥਿਤੀ ਇਸ ਪ੍ਰਕਾਰ ਹੈ। ਯਾਦ ਕਰਨਾ ਉਹਨਾਂ ਆਰਡਰਾਂ ਦੀ ਗਿਣਤੀ ਹੈ ਜੋ ਅਸੀਂ ਪੇਸ਼ ਕਰ ਸਕਦੇ ਹਾਂ, ਸ਼ੁੱਧਤਾ ਇਹਨਾਂ ਆਦੇਸ਼ਾਂ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਹੈ। ਸਾਡੇ ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ-ਰੀਕਾਲ ਕਰਵ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ:

ਇੱਥੇ ਦੋ ਅਤਿਅੰਤ ਕੇਸ ਹਨ: ਕਿਸੇ ਨੂੰ ਆਰਡਰ ਕਰਨ ਦੀ ਆਗਿਆ ਨਾ ਦਿਓ ਅਤੇ ਹਰ ਕਿਸੇ ਨੂੰ ਆਰਡਰ ਕਰਨ ਦੀ ਆਗਿਆ ਨਾ ਦਿਓ। ਜੇਕਰ ਤੁਸੀਂ ਕਿਸੇ ਨੂੰ ਇਜਾਜ਼ਤ ਨਹੀਂ ਦਿੰਦੇ ਹੋ, ਤਾਂ ਰੀਕਾਲ 0 ਹੋਵੇਗਾ: ਅਸੀਂ ਆਰਡਰ ਨਹੀਂ ਬਣਾਉਂਦੇ, ਪਰ ਉਹਨਾਂ ਵਿੱਚੋਂ ਕੋਈ ਵੀ ਅਸਫਲ ਨਹੀਂ ਹੋਵੇਗਾ। ਜੇਕਰ ਅਸੀਂ ਸਾਰਿਆਂ ਨੂੰ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਾਂ, ਤਾਂ ਰੀਕਾਲ 100% ਹੋਵੇਗਾ (ਸਾਨੂੰ ਸਾਰੇ ਸੰਭਾਵਿਤ ਆਰਡਰ ਪ੍ਰਾਪਤ ਹੋਣਗੇ), ਅਤੇ ਸ਼ੁੱਧਤਾ 29% ਹੋਵੇਗੀ, ਯਾਨੀ 71% ਆਰਡਰ ਖਰਾਬ ਹੋਣਗੇ।

ਅਸੀਂ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਦੇ ਵੱਖ-ਵੱਖ ਮਾਪਦੰਡਾਂ ਨੂੰ ਸੰਕੇਤਾਂ ਵਜੋਂ ਵਰਤਿਆ:

• ਸਮਾਂ/ਸਥਾਨ।
• ਸਿਸਟਮ ਸਥਿਤੀ (ਆਸ-ਪਾਸ ਦੇ ਸਾਰੇ ਟੈਰਿਫਾਂ ਅਤੇ ਪਿੰਨਾਂ ਦੇ ਕਬਜ਼ੇ ਵਾਲੀਆਂ ਮਸ਼ੀਨਾਂ ਦੀ ਗਿਣਤੀ)।
• ਖੋਜ ਮਾਪਦੰਡ (ਰੇਡੀਅਸ, ਉਮੀਦਵਾਰਾਂ ਦੀ ਗਿਣਤੀ, ਪਾਬੰਦੀਆਂ)।

ਚਿੰਨ੍ਹ ਬਾਰੇ ਹੋਰ

ਸੰਕਲਪਿਕ ਤੌਰ 'ਤੇ, ਅਸੀਂ ਦੋ ਸਥਿਤੀਆਂ ਵਿਚਕਾਰ ਫਰਕ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ:

• "ਡੂੰਘੇ ਜੰਗਲ" - ਇਸ ਸਮੇਂ ਇੱਥੇ ਕੋਈ ਕਾਰਾਂ ਨਹੀਂ ਹਨ।
• "ਅਨਕਿਸਮਤ" - ਕਾਰਾਂ ਹਨ, ਪਰ ਖੋਜ ਕਰਨ ਵੇਲੇ ਕੋਈ ਢੁਕਵੀਂ ਨਹੀਂ ਸੀ।

"ਅਨਲਕੀ" ਦੀ ਇੱਕ ਉਦਾਹਰਨ ਹੈ ਜੇਕਰ ਸ਼ੁੱਕਰਵਾਰ ਸ਼ਾਮ ਨੂੰ ਕੇਂਦਰ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਮੰਗ ਹੁੰਦੀ ਹੈ। ਇੱਥੇ ਬਹੁਤ ਸਾਰੇ ਆਰਡਰ ਹਨ, ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਤਿਆਰ ਹਨ, ਅਤੇ ਹਰ ਕਿਸੇ ਲਈ ਲੋੜੀਂਦੇ ਡਰਾਈਵਰ ਨਹੀਂ ਹਨ। ਇਹ ਇਸ ਤਰ੍ਹਾਂ ਹੋ ਸਕਦਾ ਹੈ: ਪਿੰਨ ਵਿੱਚ ਕੋਈ ਢੁਕਵੇਂ ਡਰਾਈਵਰ ਨਹੀਂ ਹਨ। ਪਰ ਸ਼ਾਬਦਿਕ ਤੌਰ 'ਤੇ ਉਹ ਸਕਿੰਟਾਂ ਦੇ ਅੰਦਰ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ, ਕਿਉਂਕਿ ਇਸ ਸਮੇਂ ਇਸ ਜਗ੍ਹਾ 'ਤੇ ਬਹੁਤ ਸਾਰੇ ਡਰਾਈਵਰ ਹਨ ਅਤੇ ਉਨ੍ਹਾਂ ਦੀ ਸਥਿਤੀ ਲਗਾਤਾਰ ਬਦਲ ਰਹੀ ਹੈ.

ਇਸ ਲਈ, ਬਿੰਦੂ A ਦੇ ਆਸ ਪਾਸ ਦੇ ਵੱਖ-ਵੱਖ ਸਿਸਟਮ ਸੰਕੇਤਕ ਚੰਗੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਬਣ ਗਏ:

• ਕਾਰਾਂ ਦੀ ਕੁੱਲ ਸੰਖਿਆ।
• ਆਰਡਰ 'ਤੇ ਕਾਰਾਂ ਦੀ ਸੰਖਿਆ।
• "ਵਿਅਸਤ" ਸਥਿਤੀ ਵਿੱਚ ਆਰਡਰ ਕਰਨ ਲਈ ਉਪਲਬਧ ਕਾਰਾਂ ਦੀ ਸੰਖਿਆ।
• ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਸੰਖਿਆ।

ਆਖ਼ਰਕਾਰ, ਜਿੰਨੀਆਂ ਜ਼ਿਆਦਾ ਕਾਰਾਂ ਹਨ, ਉਨੀ ਹੀ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਉਹਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਉਪਲਬਧ ਹੋ ਜਾਵੇਗੀ।
ਵਾਸਤਵ ਵਿੱਚ, ਇਹ ਸਾਡੇ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਨਾ ਸਿਰਫ ਕਾਰਾਂ ਸਥਿਤ ਹਨ, ਸਗੋਂ ਸਫਲ ਯਾਤਰਾਵਾਂ ਵੀ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ. ਇਸ ਲਈ, ਇੱਕ ਸਫਲ ਯਾਤਰਾ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਸੰਭਵ ਸੀ. ਪਰ ਅਸੀਂ ਅਜਿਹਾ ਨਾ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕੀਤਾ, ਕਿਉਂਕਿ ਇਹ ਮੁੱਲ ਉਪਭੋਗਤਾ ਅਤੇ ਡਰਾਈਵਰ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।

ਮਾਡਲ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਸੀ ਕੈਟਬੂਸਟ. ਪ੍ਰਯੋਗ ਤੋਂ ਪ੍ਰਾਪਤ ਡੇਟਾ ਨੂੰ ਸਿਖਲਾਈ ਲਈ ਵਰਤਿਆ ਗਿਆ ਸੀ। ਲਾਗੂ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਸਿਖਲਾਈ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨਾ ਪੈਂਦਾ ਸੀ, ਕਈ ਵਾਰ ਥੋੜ੍ਹੇ ਜਿਹੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਮਾਡਲ ਦੇ ਫੈਸਲੇ ਦੇ ਵਿਰੁੱਧ ਆਰਡਰ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ।

ਨਤੀਜੇ

ਪ੍ਰਯੋਗ ਦੇ ਨਤੀਜੇ ਉਮੀਦ ਅਨੁਸਾਰ ਸਨ: ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨ ਨਾਲ ਤੁਸੀਂ ਬਿਨਾਂ ਕਾਰਾਂ ਦੇ ਆਰਡਰ ਦੇ ਕਾਰਨ, ਪਰ ਭਰੋਸੇਯੋਗਤਾ ਨਾਲ ਸਮਝੌਤਾ ਕੀਤੇ ਬਿਨਾਂ ਸਫਲ ਯਾਤਰਾਵਾਂ ਦੀ ਗਿਣਤੀ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਵਾਧਾ ਕਰ ਸਕਦੇ ਹੋ।

ਇਸ ਸਮੇਂ, ਵਿਧੀ ਸਾਰੇ ਸ਼ਹਿਰਾਂ ਅਤੇ ਦੇਸ਼ਾਂ ਵਿੱਚ ਸ਼ੁਰੂ ਕੀਤੀ ਗਈ ਹੈ ਅਤੇ ਇਸਦੀ ਮਦਦ ਨਾਲ, ਲਗਭਗ 1% ਸਫਲ ਯਾਤਰਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕਾਰਾਂ ਦੀ ਘੱਟ ਘਣਤਾ ਵਾਲੇ ਕੁਝ ਸ਼ਹਿਰਾਂ ਵਿੱਚ, ਅਜਿਹੀਆਂ ਯਾਤਰਾਵਾਂ ਦਾ ਹਿੱਸਾ 15% ਤੱਕ ਪਹੁੰਚਦਾ ਹੈ.

ਟੈਕਸੀ ਤਕਨਾਲੋਜੀ ਬਾਰੇ ਹੋਰ ਪੋਸਟਾਂ

• ਅਸੀਂ Yandex.Taxi ਵਿੱਚ ਡਰਾਈਵਰਾਂ ਵਿਚਕਾਰ ਆਰਡਰ ਕਿਵੇਂ ਵੰਡਦੇ ਹਾਂ
• ਡਾਇਨਾਮਿਕ ਕੀਮਤ, ਜਾਂ ਕਿਵੇਂ Yandex.Taxi ਉੱਚ ਮੰਗ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੀ ਹੈ
• ਕਾਰ ਦੀ ਸਥਿਤੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰੀਏ। Yandex.Taxi ਅਨੁਭਵ
• Yandex.Taxi ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਾਰ ਚੁੱਕਣ ਦੇ ਸਮੇਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਿਵੇਂ ਕਰਦੀ ਹੈ

ਸਰੋਤ: www.habr.com