یادداشت مهدی خادمی مقدم مدیرعامل اسپید | میکل آنژ (Michelangelo) نامی آشناست اما این‌بار در بخش مهندسی اوبر؛ در واقع میکل آنژ نام هوش مصنوعی اوبر است؛ الگوریتم و ماشینی که یاد می‌گیرد. می‌خواهیم به استفاده اوبر از این ماشین در سرویس سفارش آنلاین غذای اوبر بپردازیم.
اوبر‌ایت (UberEAT) دارای چند مدل در حال اجرا در میکل‌آنژ است، از جمله پیش‌بینی‌های زمان تحویل غذا، رتبه‌بندی جست‌وجو، تکمیل خودکار جست‌وجو و رتبه‌بندی رستوران‌ها. مدل زمان تحویل پیش‌بینی می‌کند که چقدر زمان برای تهیه و تحویل غذا قبل از صدور سفارش و سپس در هر مرحله از فرآیند تحویل نیاز است و به کاربر قبل از دادن سفارش زمان دقیق تحویل را اعلام می‌کند.
وقتی کاربر اوبر سفارش خود را ثبت می‌کند، سفارش او برای رستوران مربوطه ارسال می‌شود. رستوران باید بداند این سفارش با توجه به سفارش‌های قبلی رستوران، چقدر زمان برای آماده‌کردن نیاز دارد. وقتی سفارش به زمان آماده‌سازی نزدیک می‌شود، درخواست تحویل این سفارش برای شخص تحویل‌دهنده غذای اوبر ارسال می‌شود و این فرد برای تحویل‌گرفتن غذا به سمت رستوران حرکت می‌کند.
پس از آن زمان پیدا‌کردن پارکینگ، مراجعه به داخل رستوران، برگشتن به ماشین و رانندگی به سمت سفارش‌دهنده به زمان‌های قبلی اضافه می‌شود. اما در پلتفرم میکل‌آنژ از مدل‌هایی برای حدس دقیق این زمان استفاده می‌شود.
مدل‌ها شامل اطلاعاتی از درخواست مانند ساعت و مکان درخواست، اطلاعات قدیمی‌تر شامل میانگین زمان تحویل سفارش هفت‌روز اخیر و میانگین زمان تحویل یک ساعت اخیر می‌شوند و میکل آنژ با استفاده از این اطلاعات زمان تحویل آن سفارش را تخمین‌زده و در اپلیکیشن به کاربر نمایش می‌دهد.
گردش کار یادگیری ماشینی
به گفته خود اوبر، میکل آنژ کاملا سایز‌پذیر، قابل‌اعتماد، قابل‌بازنگری، استفاده آسان و کاملا اتوماتیک طراحی شده تا بتواند شش گردش کار مدیریت داده، مدل‌های آموزشی، مدل‌های ارزیاب، مدل‌های مستقر، پیش‌بینی و رصد پیش‌بینی‌ها را رسیدگی کند.
مدیریت داده
پیدا‌کردن بهترین قابلیت‌ها معمولا مشکل‌ترین قسمت یادگیری ماشینی است و ساخت و مدیریت گلوگاه‌های انتقال داده معمولا یکی از بخش‌های پر‌هزینه در یادگیری ماشینی است. اجزای مدیریت داده میکل‌آنژ به دو بخش انتقال داده آنلاین و آفلاین تقسیم می‌شود.
در حال حاضر بخش آفلاین در واقع برای تهیه خوراک لازم برای مدل‌های یادگیری و پیش‌بینی و بخش انتقال داده آنلاین برای پیش‌بینی با تأخیر کم و در آینده برای یادگیری آنلاین استفاده می‌شود.
