Uber劉延東：Uberがフードデリバリーサービスを開始したとき、世界中のフードデリバリー会社は衝撃を受けた

[ 51CTO.comより引用 ] 2017年7月21日から22日まで、51CTOが主催する人工知能をテーマとしたWOTI2017グローバルイノベーションテクノロジーサミットが北京フラマルネッサンスホテルで盛大に開催されました。サミットでは、30 人以上の AI スターと、人工知能をテーマにした数十の素晴らしいスピーチや円卓フォーラムが徐々に披露されました。会議後、記者はUberの技術リーダーであるLiu Yandong氏にインタビューし、Uberにおけるディープラーニングの応用について紹介した。

Yandong Liu は現在、Uber の機械学習プラットフォーム グループの技術リーダーを務めており、同社の機械学習の設計と開発業務全体を指揮しています。 Uber に入社する前は、Yahoo Silicon Valley Research Institute で上級研究員として勤務し、Yahoo での複数の垂直検索関連性の研究開発を主導していました。劉延東氏は山東大学でコンピュータサイエンスの学士号、 エモリー大学でコンピュータサイエンスの修士号、カーネギーメロン大学でコンピュータサイエンスの博士号を取得しました。主要な学術会議/ジャーナルに20本以上の論文を発表しており、引用数は1,000回を超えています。

Uberにおける機械学習

[[198088]]

Uberにおける機械学習の応用シナリオは何ですか? 基本的には Uber の事業のあらゆる側面をカバーしていますが、最も基本的なのはタクシー事業です。ドライバーの割り当てや到着時間など、タクシー体験の多くの側面で機械学習が必要です。機械学習は、パーソナライズされた価格設定、ユーザーエクスペリエンス、企業の利益のバランスをとるためにも使用されます。

機械学習プラットフォームシステムはどのような問題を解決しますか? 機械学習は主に、インテリジェントな意思決定の問題を解決するために使用されます。機械学習は強力な分析機能を備えており、 大量のデータからいくつかのルールを導き出すことができるため、 人々の意思決定に役立ちます。

劉延東氏によれば、米国の大企業のほとんどでは機械学習は通常プラットフォームの形で提供されており、 Uberも同様だ。利点は標準化と高速反復です。例えば、新規事業を展開する場合、数百のハードウェアリソースを申請するのは非常に手間がかかりますし、その都度申請報告書を書く手順も非常に煩雑です。共通のリソースプールがあれば、多くの時間を節約できます。彼は、プラットフォーム化と標準化はトレンドであり、より良い選択であると信じています。

Uberは車を呼ぶだけでなく食べ物を注文することもできる

UberEatsがサービスを開始する以前から、 米国にはEle.meやBaidu Takeoutなど国内企業と同様に、フードデリバリーサービスに特化した企業がすでに多く存在していた。 しかし、劉延東氏は、ウーバーのフードデリバリーサービスが開始されてから注文数はすぐに10億件を超え、わずか1 年ほどで急速に業界のリーダーになったと語った。

米国の多くの場所は広大で人口もまばらなので、当然渋滞は少ない。バイクで食べ物を配達する中国の配達員と異なり、 Uber は車で食べ物を配達する。

Uber が食品配達事業に参入したのはなぜですか? 「Uberのプラットフォームはネットワークの優位性とドライバーのサプライチェーンが完備しており、これは大きな出発点であり、食べ物の注文は試してみる価値のあるビジネスです。」劉延東氏は、タクシー事業と食品配達事業を組み合わせるのは簡単であるため、 Uberはそれを試したと語った。ドライバーがテイクアウトサービスしか提供できない場合、食事の時間帯が比較的集中し、他の時間帯のドライバーの需要が比較的少ないため、リソースの無駄につながる可能性があります。一方、 Uber は、ドライバーをタクシーの配車や食事の配達に活用でき、インテリジェントなネットワーク構造と道路交通状況に関する正確な知識を備えているため、 フードデリバリーサービスの分野で急速に追いつくことができます。

パーソナライズされた推奨注文サービスの配信時間は分単位で正確です

劉延東氏は、UberEatsの食事注文サービスは強力な機械学習技術によって継続的にサポートされているため、パーソナライズされた推奨を実現し、顧客の好みの料理をいくつか提供できると述べた。中国と比べてUberEatsの方が賢いと強調した。

       また、 UberEats の配達時間は分単位で正確であることがわかっています。例えば、食事を注文すると、プラットフォームは23分後に配達されると計算して予測し、ユーザーは23分待つだけで済むのですが、これは現時点では中国では不可能です。

  分単位の配信には、正確なデータと多くの業務の調整が必要です。 モデルの調整は最初はそれほど正確ではないため、継続的な反復とデータの蓄積が必要になります。たとえば、初期段階では、「荷物は 45 分以内に配達できますか?」という目標を設定できます。 「はい」か「いいえ」の判断が必要になりますが、その後は、何分以内に荷物が到着するかを判断することが難しく、段階的に改善することができます。これには、大量のデータと仮想データの準備、および周囲の関連データの収集が必要です。たとえば、レストラン情報、ドライバー情報、天候状況、道路の交通状況など、フードデリバリーサービスに関する包括的なデータを収集することで、精度を向上させることができます。

一方、過去の履歴情報は、このモデルの学習に役立ちます。Uber では毎日多くの注文が入るため、各注文には実際の到着時間があり、この時間内に何百もの履歴データが存在する可能性があり、機械学習を通じて正確な配達時間を推測できます。

Uberにおける機械学習の未来

現時点ではフードデリバリーサービスはUberの事業の一つに過ぎず、将来的には無人運転を目標としている。

劉延東氏は、米国では自動運転の分野での競争が非常に激しく、大企業、自動車メーカー、多くのスタートアップ企業が取り組んでいると述べた。Uberは当然ながら、早い段階で独自の研究と展開を開始した。自動運転は非常に難しいが、段階的に実現していくものだと彼は考えている。最初は工業団地やトラック事業などの具体的なシナリオであり、徐々に高速道路や市街地へと移行していくのが間違いなく最後のステップです。自動運転には非常に高い精度が求められます。99.9 %の精度ではまだ十分ではありません。Uberは99.999%の精度に到達することを望んでいます。

[51CTO オリジナル記事、パートナーサイトに転載する場合は、元の著者とソースを 51CTO.com として明記してください]