ConsejoTecnologico.com habló con el jefe de máquinas de Uber sobre lo que el gigante de compartir viajes ha aprendido de siete años de recopilar y usar datos»inteligentes».
Video: Cómo diferenciar entre inteligencia artificial, aprendizaje automático y aprendizaje profundoLos avances en inteligencia artificial, aprendizaje automático y aprendizaje profundo están afectando a las empresas. Pero, los términos a menudo se usan indistintamente. He aquí cómo distinguirlos.
Hace un año, Danny Lange se hizo cargo de la dirección de Machine Learning en Uber. La empresa de reparto de viajes, que se puso en marcha en 2009, es, esencialmente, una empresa de tecnología: Funciona enteramente a través de una aplicación. Lange dirige un equipo en San Francisco, y Uber tiene un equipo más pequeño en Seattle. Y el aprendizaje automático se ha convertido en la base subyacente de cada parte de la empresa.
«El aprendizaje automático y las tecnologías de IA pueden realmente resolver algunos problemas fundamentales de la empresa a los que es muy difícil crear soluciones cableadas», dijo Lange. Aquí está la conversación de ConsejoTecnologico.com con Lange sobre cómo Uber utiliza el aprendizaje automático para operar.
¿Cómo es el enfoque de Uber para el aprendizaje automático único?
El enfoque tradicional ha sido contratar a algunos doctores, científicos de datos, todos por su cuenta, equipo por equipo. Queríamos crear el aprendizaje automático como un servicio interno. Tiene una interfaz gráfica de uso; tiene APIs. Todos los equipos de la empresa pueden utilizar este servicio, del mismo modo que pueden utilizar servicios de datos y servicios informáticos. El aprendizaje automático es una herramienta más en la caja de herramientas para los equipos de perfiles, para los ingenieros de software y los científicos de datos.
El aprendizaje automático ha estado en nuestro ADN desde el principio. La naturaleza de Uber es esta idea de un mercado de dos caras en el que los conductores están de un lado y los pasajeros del otro lado. La esencia de crear un mercado eficiente es realmente tener muchas de estas propiedades dinámicas que se benefician de la maquinaria.
Más información sobre innovación
El aprendizaje automático ha existido desde el principio, pero lo que estamos haciendo es mejorarlo para asegurarnos de que no sea sólo en una parte, por ejemplo, en la gestión del mercado, sino en todas las partes de la empresa. Con el tiempo hemos descubierto que el aprendizaje automático añade valor en áreas en las que la gente inicialmente no pensaba en el aprendizaje automático como una opción.
¿Cómo funciona el aprendizaje automático en algo como Uber Eats?
En el centro de la experiencia del usuario en un servicio de comidas está el momento de la entrega. Usted desea saber aproximadamente cuánto tiempo le tomará a alguien entregar esta comida en su puerta u oficina.
Inicialmente, eso fue pensado básicamente como un cómputo clásico. La distancia entre usted y el restaurante, y la velocidad media en su ciudad, y luego algún tiempo medio para preparar la comida. Ese es el pensamiento clásico. Pero ahora tenemos los datos sobre cuánto tiempo se tarda en hacer fideos, cuánto tiempo se tarda en hacer una hamburguesa y cuánto tiempo se tarda en entregarla en diferentes partes de la ciudad a diferentes horas del día. Puede empezar a construir modelos de aprendizaje de máquinas que le proporcionen una predicción más precisa basada en los datos, no en un cálculo finito.
VER: Aprendizaje automático: La guía de la persona inteligente (ConsejoTecnologico.com)
Cuando descartamos eso, obtuvimos una mejora en la precisión del 26% de la noche a la mañana. Hay una fricción muy baja, una barrera muy baja para que el equipo diga,»Hey, vamos a desplegar más modelos aquí.» Si sabemos cuándo comenzó la comida en el restaurante, tenemos más información. En realidad, podemos tener un modelo de aprendizaje de máquina que refina aún más el tiempo estimado de entrega. Puede ver cómo una aplicación, en un corto periodo de tiempo, pasa de ser una aplicación cableada a convertirse en una aplicación inteligente y dinámica que se beneficia de conocer su comportamiento y de conocer el comportamiento de otras personas.
¿De qué otras maneras puede el aprendizaje automático mejorar la eficiencia?
Una meta importante para nosotros es darle una ETA lo más precisa posible. Cuando usted solicita un coche y le decimos que van a pasar 14 o 12 minutos antes de que aparezca, queremos asegurarnos de que el presupuesto sea lo más preciso posible. Recopilamos información de millones de viajes, porque sabemos exactamente cuánto tiempo tardó el coche en llegar a usted en cada viaje. Básicamente, utilizamos los datos para construir modelos que estiman el tiempo que normalmente tardará el coche en llegar a usted en cualquier momento del día, en cualquier momento de la semana. Es mejor que cualquier intento de calcular la ruta y decir:»El coche tardará siete minutos en llegar a ti». Aprende de la experiencia.
Empezamos a mejorar la experiencia de la camioneta a veces pidiéndole que fuera a un rincón cercano. Usted puede pedir el coche en un lugar donde hay restricciones, o tal vez es realmente difícil detenerse allí, pero sólo 10 yardas más abajo es una mejor camioneta.
VER: Cómo Google se está volviendo más inteligente con la inteligencia artificial (CBS News)
No es como si alguien en Uber dijera:»Queremos ordenarte que te recojas en la esquina». Básicamente recopilamos los datos de la experiencia de la recolección. Sabemos cuando el conductor está en el destino, sabemos cuando el conductor hace clic en que el viaje ha comenzado, cosas así. Y entonces el sistema de aprendizaje de la máquina básicamente determinará donde la gente tiene pastillas de baja fricción, y aprenderá de eso.
Es algo bastante notable, porque estás hablando de millones de lugares de recogida en todo el país. Aquí tienes que usar la máquina de aprendizaje para mejorar una experiencia muy, muy personal de caminar 10 yardas, teniendo una camioneta perfecta.
¿Cuáles son los mayores desafíos?
El mayor reto es un reto muy positivo, que es la oportunidad de utilizar el aprendizaje de la máquina para mejorar las experiencias de los clientes de Uber. También, siendo inteligentes en la detección de fuerza, básicamente detectando el comportamiento fraudulento a medida que ocurre, para que no aceptemos viajes con una tarjeta de crédito robada, por ejemplo.
VER: Plantilla de directrices de política de automatización de máquinas (Tech Pro Research)
Luego está toda la tarea de mejorar los mapas. Queremos asegurarnos de que cuando usted solicite ser recogido frente a su casa, nos detengamos frente a su entrada y no frente a la entrada del vecino. Este es un problema de aprendizaje de máquina completamente diferente, identificando dónde se encuentra exactamente esa parada, dónde está la puerta principal. A continuación, se aborda el reto de los vehículos de autoconducción, que también se basa en el aprendizaje a máquina. No hay límite para el uso del aprendizaje automático en Uber.
¿Uber utiliza su propio sistema de mapeo?
Muchos de los mapas y servicios de mapas existentes son realmente buenos, pero hay cierta información en esos mapas que no es importante para nosotros, y luego hay otra clase de información que falta en esos mapas, donde dirán, «Estás en tu destino», pero eso está a una cuadra de tu destino. Necesitamos saber más detalles, así que básicamente necesitamos mejorar los mapas para nuestro propósito.
¿Cuáles han sido las mayores sorpresas?
Una de las sorpresas es básicamente positiva, que entre los ingenieros de Uber, hay un fuerte deseo de usar este tipo de tecnología para mejorar las aplicaciones y los servicios. Hay una gran apertura de mente que mira a los retos del negocio y luego se sube a bordo y utiliza una tecnología que era esencialmente casi desconocida hace cinco años. Creo que es impresionante, ver eso en una organización de ingeniería tan grande. Como di el ejemplo con la mejora de los puntos de captación, creo que es realmente increíble que se pueda utilizar una pieza de tecnología a una escala que ningún ser humano puede hacer, ¿sabes? No se puede tener un ser humano sentado y recomendando dónde ser recogido en cada rincón del mundo. El uso de la tecnología para mejorar la vida diaria de las personas, es como una sensación de piel de gallina.
Has estado recopilando datos durante todos estos años. ¿Existe un punto de inflexión en el que de repente te das cuenta, OK ahora, de que llevas tres años en o con una cantidad X de datos, de repente has llegado a un alto grado de precisión? ¿Cuánta información necesitas realmente para ser muy bueno en eso?
Hay muchas cosas sobre grandes datos, y no es de eso de lo que estamos hablando aquí. Realmente tienes que mirar los datos inteligentes y los datos limpios. No necesitas retroceder años y años y años para hacer esto. Hablamos de la decadencia de los datos, así que básicamente los datos de este mes son mucho mejores que los del mes anterior, pero hay algunos datos que hay que tener en cuenta a lo largo de un período de tiempo más largo para obtener una comprensión estacional.
Lo que es realmente único en el aprendizaje automático es la velocidad con la que puede analizar y mejorar su precisión. Cada vez que terminas un viaje, ahí mismo nos informan. Podemos ver esto en tiempo real y volver atrás para mejorar las predicciones basadas en las condiciones de tráfico en tiempo real. Todo esto de los grandes datos es tan exagerado; realmente se trata de ser inteligente sobre lo que estás viendo.
Próximo boletín informativo de Big Thing
Conoce las ciudades inteligentes, la IA, la Internet de las cosas, la RV, la conducción autónoma, los aviones no tripulados, la robótica y más de las innovaciones tecnológicas más geniales. Entregado los miércoles y viernes
mismo