Розробляємо ідеальну ML модель

TL;DR

• •ML модель прогнозує попит на електросамокати за місцем і часом, використовуючи історичні дані про поїздки, погоду та міські події.
• •Алгоритм базується на техніках регресії або дерева рішень, які можна навчити на доступних даних за останні 6–12 місяців.
• •Потрібні дані про кількість поїздок, температуру, опадіння, день тижня та великі події (концерти, виставки, спортивні матчі).
• •Впровадження такої моделі може зменшити простій електросамокатів на 15–20% і збільшити відсоток задоволених користувачів на 10–15%.
• •Для початку достатньо базових навичок роботи з даних та середовища Python/R або готових хмарних сервісів AutoML.

Як це змінить ваш ринок?

Введення прогнозу попиту дозволяє операторам електросамокатів точно планувати перерозподіл флоту між парковками. Це зменшує кількість порожніх поїздок, коли техніка стоїть без користувачів, і збільшує доступність транспорту в пікові години, коли попит вищий за пропозицію. В результаті компанії можуть знизити операційні витрати на паливо та обслуговування, а також покращити рівень сервісу без великих інвестицій у нові транспортні засоби. Місцеві влади також отримують выгоду: менше заторов на вулицях і краще використання istnieючої інфраструктури.

Визначення: ML модель прогнозування попиту — це статистична або машинна навчання система, яка очікує кількість подій (у нашому випадку — поїздок електросамокатів) на основі історичних та зовнішніх факторів. Вона не вимагає спеціалізованого обладнання і може працювати на звичайному ноутбуку або в хмарі.

Для кого це і за яких умов

• •Мінімальне обладнання: ноутбук з 8 ГБ ОЗУ або будь-який хмарний сервер з доступом до CPU; для великих обсягів даних рекомендується GPU з 4 ГБ пам’яті.
• •Бюджет: від $0 (використання відкритих бібліотек типу scikit-learn, XGBoost або TensorFlow) до $500/міс за хмарні ноутбуки або послуги AutoML у провайдерів типу AWS, Azure, Google Cloud.
• •Команда: один аналітик даних або інженер ML може налаштувати весь пайплайн за 1–2 тижні; якщо даних мало, достатньо одного фахівця з базовими навичками SQL та Python.
• •Мінімальний масштаб: корисно від 50 електросамокатів у одному районі або місті; при меншій флоті ефект може бути статистично незначним.
• •Час на впровадження: 2–4 тижні зокрема на збір даних, очищення, означення ознак, тренування моделі, валідацію на hold-out наборі та інтеграцію з системою управління флотом.

Альтернативи