En un nivel muy básico, el aumento de precios es una función directa de la curva de oferta y demanda. Cuando los automóviles / conductores disponibles (oferta) son escasos en relación con el número de solicitudes de Uber por parte de pasajeros potenciales (demanda), Uber comienza a aumentar un multiplicador (2x, 3x, etc.) para cambiar las curvas y hacer coincidir la oferta con la demanda. La idea es que, si bien en el punto de precio A, los conductores fuera de línea no sentirán que vale la pena perseguir a los clientes, a un precio más alto B, sentirán que la oportunidad lo vale y entrarán en línea y, por lo tanto, agregarán suministros para una mejor coincidencia demanda. El objetivo del algoritmo es encontrar este “punto de inflexión” para agregar el controlador marginal al grupo disponible y, presumiblemente, se ampliará hasta que haya suficientes controladores disponibles y en línea para satisfacer la demanda.
Si está preguntando acerca de los detalles exactos del algoritmo, obviamente no estoy calificado para responder esto, ya que no trabajo para Uber. Pero mi sospecha es que el algoritmo central no es escandalosamente complejo y particularmente innovador en sofisticación, dado que al final del día es una función simple de oferta y demanda. Si hay 10 veces más solicitudes de Uber que autos Uber disponibles, supongo que hay un mecanismo gradual de escala de tipo de función escalonada hasta que se alivia el desequilibrio de las solicitudes a los conductores y viceversa, ya que demasiados conductores entran en línea atraídos por el estructura de precios de sobretensión.
Pero lo que supongo es extremadamente sofisticado e impresionante (especialmente dado el calibre del equipo de Uber y basado en lo que he visto en su increíble / dedicado blog de ciencia de datos como un humilde lector), es la calibración de este algoritmo de escala. Si tuviera que adivinar (y en base a lo que he experimentado anecdóticamente como usuario de la aplicación en diferentes ciudades), apostaría a que el algoritmo está personalizado y calibrado para cada ubicación, ya que las elasticidades de los precios casi seguramente varían de una ciudad a otra según una gran multitud de variables: ingresos, distancia / expansión, patrones de tráfico, propiedad de automóviles, etc. Con los enormes tesoros de datos de usuarios que Uber probablemente ha recopilado, lo más probable es que hayan ajustado los algos de cada ciudad para ajustarse a estas sensibilidades variables a aumento de precios. Agregue un poco de aprendizaje automático y datos increíblemente ricos y obtendrá un algoritmo increíble y en constante evolución.
- ¿Hay algún curso sobre blockchain, Python o aprendizaje automático durante un máximo de 6 meses en el extranjero que también pueda conseguirme un trabajo allí?
- ¿Puedo usar el aprendizaje automático para pronosticar datos de series temporales para puntos de datos discretos dispersos?
- ¿Qué otros algoritmos / métodos se pueden usar como alternativa al algoritmo vecino más cercano para la medición de distancia y cuál funciona mejor que NN?
- ¿Es aconsejable automatizar el trabajo del presidente de la Fed con un software de aprendizaje automático dado que sus decisiones se basan principalmente en datos?
- Si quiero implementar un filtro de spam, ¿cuál es el algoritmo más simple y eficiente que debo usar?
