In che modo DoorDash utilizza ML per risolvere la connettività dell’ultimo miglio
DoorDash, alla fine della giornata, deve essere un fenomenale business di misurazione e dati.
Tony Xu era solito consegnare le pizze Dominos da porta a porta. Oggi è CEO e co-creatore di una delle migliori app per la consegna di cibo basate sull’intelligenza artificiale negli Stati Uniti, DoorDash . Per non parlare del poster boy del sogno americano.
La piattaforma sfrutta l’apprendimento automatico per risolvere le sfide di connettività dell’ultimo miglio delle imprese locali. ” DoorDash alla fine della giornata deve essere un fenomenale business di misurazione e dati”,
Diamo un’occhiata ai molti modi in cui DoorDash utilizza l’intelligenza artificiale.
la logistica
DoorDash utilizza algoritmi ML per fornire dati accurati e programmazione a numeri interi misti o apprendimento per rinforzo per rafforzare il proprio sistema di massimizzazione della ricompensa. “Tra i commercianti e i dashers, è il problema principale della spedizione: come abbinare il giusto set di dashers al giusto set di mercanti. Tra trattini e consumatori, si tratta di bilanciare la domanda e l’offerta: come possiamo assicurarci di avere il giusto numero di trattini; come si fa ad assicurarsi che prendiamo la giusta quantità di domanda dei consumatori che possiamo prendere e questo influisce davvero sulla produttività sia dei dashers che dei consumatori. Tra consumatori e commercianti, è la tradizionale applicazione di e-commerce”, ha affermato Raghav Ramesh, un ingegnere di machine learning presso DoorDash, in una conferenza sull’intelligenza artificiale nel 2018.
La piattaforma utilizza il machine learning per individuare soluzioni ottimali per il problema del percorso dei veicoli, per garantire tempi di consegna più brevi per i consumatori, una retribuzione più elevata per i dashers e maggiori entrate per i commercianti.
Il modello ML considera fattori quali il tempo di lavorazione degli alimenti, il tempo di viaggio, il luogo di consegna e la posizione del conducente per abbinare i conducenti per la consegna. Quindi, utilizza un programma di integrazione misto per determinare la funzione di costo. “Facciamo più di dieci previsioni temporali per ogni consegna e catturano ogni parte del processo di consegna”, ha affermato Raghav.
Previsione della domanda e dell’offerta
“Abbiamo principalmente riformulato il problema di previsione in un problema di regressione e utilizzato il gradient boosting attraverso il framework LightGBM open source sviluppato da Microsoft “, secondo il blog di DoorDash . LightGBM consente alla piattaforma di addestrare e generare migliaia di previsioni regionali all’interno di una singola esecuzione di addestramento, consentendo iterazioni rapide per lo sviluppo del modello.
Previsione del ciclo di vita della consegna
La natura in tempo reale e rapida di DoorDash presenta ulteriori sfide come richieste di consegna continue, variazioni nelle operazioni del ristorante ed eventi del mondo reale come traffico, maltempo o festività. L’intelligenza artificiale crea sistemi logistici intelligenti per guidare i dashers nel posto giusto al momento giusto. Il modello considera fattori come la possibilità che un lavoratore si ammali e calibra immediatamente l’offerta di un ristorante.
La misurazione della domanda e dell’offerta primaria considera le ore di durata della consegna e la variazione regionale è determinata dalle condizioni del traffico, dai tassi di lottizzazione e dai tempi di preparazione del cibo.
DoorDash utilizza i processori grafici Nvidia per accelerare l’allenamento dell’intelligenza artificiale. Il motore seleziona i migliori percorsi e prezzi di consegna utilizzando un modello complesso. Migrando da GPU singole a GPU multiple Nvidia, DoorDash ha aumentato la sua velocità di dieci volte.
Il modello esamina i compromessi della situazione di consegna per amplificare l’efficienza del suo motore logistico digitale. Si concentra su metriche a livello di mercato per definire lo stato di ciascun mercato e tiene conto di metriche come incentivi per i trattini durante i periodi di forte domanda. Ad esempio, la macchina prevede la necessità di 1000 ore veloci per soddisfare la domanda prevista durante una domenica sera a New York. La macchina indicherà inoltre che saranno ricevute solo 800 ore dash senza incentivi, indicando la necessità di mobilitazione per il resto delle 200 ore.
Motore di raccomandazione
I motori di raccomandazione DoorDash hanno portato a un aumento del 25% degli ordini. L’algoritmo serve la migliore selezione di ristoranti per i consumatori a seconda della loro posizione, qualità, ordini passati e cucina preferita. DoorDash esegue anche promozioni mirate per i ristoranti per creare un sistema ciclico che funzioni a favore di tutte e tre le parti dell’equazione di consegna del cibo.
