Русский военный корабль, иди нах*й.
Пожертвувати на армію
×
Упс!
Не вдала спроба:(
Будь ласка, спробуйте ще раз.

ШІ на дорозі: як Uklon використовує штучний інтелект та Big Data

Володимир Андрієнко
Володимир Андрієнко Head of R&D у Uklon
16 лютого 2022 9 хвилин читання

Більшість людей знає Uklon як сервіс виклику авто. Він працює у 27 містах України (а віднедавна і за її межами) та об'єднує десятки тисяч водіїв, які разом виконують більш ніж 2 млн поїздок на місяць. Але насправді Uklon (точніше tech/uklon) — це насамперед ІТ-компанія. Штучний інтелект, машинне навчання, великі дані, мікросервіси і багато інших технічних рішень — усе це працює на головну мету: щоби водії та пасажири завжди знаходили одне одного.

За понад десять років компанія tech/uklon розробила більш ніж 20 успішних програмних продуктів, серед яких мобільні застосунки для пасажирів та водіїв, власна CRM-система, картографічний сервіс та інше. В колонці для SPEKA Head of R&D у tech/uklon Володимир Андрієнко розповідає, як компанія розробляла свій найвідоміший застосунок, над чим працює тепер, і до чого тут штучний інтелект.

Пасажир — водій: конфлікт інтересів та його вирішення

Першим великим проєктом tech/uklon було створення системи розподілення замовлень. Проблема в тому, що пасажир прагне витрачати якомога менше, а водій хоче максимально заробити та скоротити час на поїздки. Тому необхідно цілодобово у режимі онлайн знаходити точки оптимуму, в яких обидва учасники із очевидним конфліктом інтересів погодилися б на угоду та лишился б задоволеними її результатами.

Типовий приклад. На центральному стадіоні міста закінчився футбольний матч, і тисячі людей починають одночасно викликати авто. Звісно, одразу потрібна кількість машин приїхати не зможе хоча б тому, що біля стадіону одразу збільшилась інтенсивність трафіку (зокрема тому, що багато відвідувачів від'їжджають на своїх авто). Не кожен водій готовий стояти у заторах, а якщо злива чи сніг, то охочих буде ще менше.

І тут повною мірою проявляє себе система розподілення замовлень Uklon. Вона динамічно регулює тарифи на поїздки таким чином, щоб і водію було вигідно брати замовлення, і пасажиру ціна не здавалася завищеною. 

У момент початкового піку замовлень тариф, відповідно до закону попиту й пропозиції, може бути високим. Але поступово люди роз'їжджатимуться, і вартість почне знижуватися.

Втім, поточний попит — це лише один із багатьох чинників, які впливають на тариф. Враховуються погодні умови, тривалість поїздки, вірогідність того, що водій зможе/захоче взяти замовлення у конкретній точці міста, та інші аспекти. 

А тепер уявіть, коли щохвилини треба обробляти тисячі замовлень по всій країні. Тут вже не обійтися без спеціальної системи, яка використовує великі дані та алгоритми ШІ. Причому дані дійсно великі — система, яку розробив tech/uklon, постійно збирає, класифікує та аналізує оперативну інформацію про кількість та типи замовлень, завантаженість доріг, метеорологічні умови тощо. 

Вона зважає на величезні масиви історичних даних про трафік, погоду, динаміку замовлень у різних точках міста, дії та преференції пасажирів. Також ураховується історія поведінки водіїв: які умови замовлень та напрями не дуже популярні (від яких частіше відмовляються та чому), яка довжина маршрутів, тривалість поїздок, термін очікування та інше.

Усе це (як оперативна, так і раніше накопичена інформація) є основою моделей, які дозволяють за допомогою потужних серверів та розумних алгоритмів будувати досить точні прогнози ситуації на дорогах у найближчий час. А також динамічно розраховувати коефіцієнти, які з максимальною вірогідністю збалансують попит та пропозицію та допоможуть максимізувати кількість виконаних запитів. 

Причому «вгадати» потрібно одразу, оскільки конкуренція на ринку сервісів таксі достатньо висока, і якщо пасажир вирішить, що ціна зависока (або водій відмовиться від поїздки через низьку ціну), то вірогідно, що замовлення піде до компанії-конкурента.

Створення власної системи розподілення замовлень та динамічного ціноутворення тривало у tech/uklon майже рік. Ще кілька місяців пішло на її обкатку, навчання та усунення дрібних недоліків. 

Від початку її проєктували на основі мікросервісної архітектури. Це забезпечило, зокрема, високу відмовостійкість та гнучкість, зручність розробки та швидкість запровадження нових послуг. Були використані технології Python для збирання та оброблення даних, платформа машинного навчання MLflow, оркестратор Apache AirFlow та інші рішення.

Як штучний інтелект допомагає працювати з відгуками і утримувати клієнта

Та попри всі зусилля, знання, технології та аналіз, клієнти все одно іноді йдуть. І важливо розуміти, з яких причин. Тому ще одним завданням для tech/uklon стало розроблення модуля аналізу відтоку клієнтів.

Він також автоматично збирає та досліджує великий об'єм різноманітних даних, пов'язаних із маршрутами та поведінкою користувачів. На їхній підставі висувають гіпотези про те, що не сподобалося та як покращити роботу сервісу. Причому завдяки мікросервісній архітектурі всієї платформи зміни можна вносити дуже швидко. Якщо сьогодні те чи інше покращення чи послугу внесли у систему, то сьогодні ж оновлення буде доступне і водіям, і пасажирам.

Провідну роль в оптимізації відіграє ще один фірмовий сервіс, розроблений tech/uklon, який дозволяє автоматично обробляти відгуки від клієнтів. До запровадження ШІ працювала велика група спеціалістів, але зараз людські ресурси використовують більш раціонально: експерт долучається лише зрідка. Зазвичай система самостійно аналізує відгук (у тому числі за ключовими словами та фразами), первинно оцінює його, виставляє йому пріоритет тощо.

На результат аналізу впливають й історичні дані. Наприклад, якщо це відгук про водія, враховується й те, які повідомлення про нього надходили раніше, як кожен новий відгук корелює з уже наявною статистикою. У цьому процесі активно використовують технології машинного навчання, які не тільки допомагають знизити трудомісткість оброблення звернень, але й дозволяють побачити приховані закономірності, які могла пропустити людина-аналітик.

Сервіс спільних поїздок

Третім сервісом, про який хотілося б розповісти, є Uklon Share. Він дозволяє оперативно шукати людей, які їдуть у попутному напрямку і готові розділити поїздку з вами. Тут також провідну роль відіграють динамічні моделі на основі ШІ, а також збір максимально повних даних — оперативних та історичних.

Uklon Share — це проєкт, який виходить за межі лише сервісу поїздок і потенційно може впливати на всю міську інфраструктуру. Наприклад, якщо спільна поїздка стане поширеним явищем, це знизить інтенсивність трафіку у великих містах.

Команда tech/uklon

Враховуючи масштаб сервісу Uklon, який сьогодні працює в усіх великих містах України, і складність завдань, які доводиться вирішувати, tech/uklon швидко нарощує та розвиває команду. Сьогодні вона об'єднує понад 500 експертів, з яких більш ніж 160 напряму працюють із ІТ-продуктами. Одна лише команда R&D — це вже 18 фахівців, умовно розділених на п'ять груп: Data-аналітики (найчисленніша), Data Science, Python-розробники, Data Engineer та antifraud-спеціалісти.

Попри те що загальна кількість експертів за останній рік збільшилася на 62%, у компанії великі плани з розширення, тому просто зараз вона шукає різних спеціалістів на вакансії.

В Україні не так багато команд, здатних створити комерційно успішний програмний продукт для внутрішнього ринку, який працював би по всій країні. І важливо, що кожен експерт компанії може безпосередньо відчути результати своєї праці, достатньо лише викликати авто через Uklon.

Плани на майбутнє

Конкуренція у сегменті сервісів спільних поїздок дуже гостра, оскільки тут присутні потужні міжнародні компанії з величезними фінансовими можливостями. Єдиний спосіб для української компанії успішно конкурувати — постійно покращувати власні сервіси та пропонувати інноваційні послуги. Тому tech/uklon не зупиняється на досягнутому.

Один із наших нових сервісів, який незабаром вийде на ринок, — Traffic Jam. Він пропонує дані про стан міського трафіку у конкретний момент, а також прогноз завантаженості доріг і заторів на найближчий час.

На фінальній стадії перебуває розроблення сервісу рекомендацій для пасажирів та водіїв, який допоможе, зокрема, обрати оптимальне місце посадки/висадки. Це актуально, наприклад, біля великих торговельних центрів, ЖК, аеропортів та вокзалів, коли машину треба подати не просто за адресою, а до конкретного виходу чи орієнтиру.

Також компанія розробляє динамічні програми для постійних клієнтів, які допоможуть сформувати цінову пропозицію із врахуванням історії клієнта.

В усіх цих завданнях активно використовують технології штучного інтелекту та великих даних, без яких такі проєкти важко собі уявити.

Якщо ви хочете поділитися з читачами SPEKA власним досвідом, розповісти свою історію чи опублікувати колонку на важливу для вас тему, долучайтеся. Відтепер ви можете зареєструватися на сайті SPEKA і самостійно опублікувати свій пост.
0
Прокоментувати
Інші матеріали

100 компаній, які розвивають штучний інтелект в Україні

Юлія Даниленко 30 травня 2024 19:00

Meta представила нейромережу Make-A-Video, яка генерує відео за текстовим описом

Вадим Добровольський 30 вересня 2022 10:05

Програмування та креативність. У які галузі залучатимуть штучний інтелект і чи варто його боятися

Наталія Миронова 28 вересня 2022 16:10

IT-холдинг Roosh купив за шестизначну суму частку в українському стартапі Neurons Lab

Вадим Добровольський 27 вересня 2022 13:38

На Steam уперше з'явилася компʼютерна гра, створена штучним інтелектом

Вадим Добровольський 22 вересня 2022 18:10