infoShare AI Roadshow 2018 - Tomasz Brzeziński (iTaxi) - Niestandardowe metody Machine Learning: podnoszenie efektywności biznesu przez zastosowanie podejścia symulacyjnego
Download as PPTX, PDF0 likes72 views
"Zazwyczaj sytuacja biznesowa jest na tyle skomplikowana, że optymalizacja procesów metodami analitycznymi jest niemożliwa. Można jednak wtedy zastosować podejście symulacyjne. Jak podnieść efektywność biznesu dzięki optymalizacji algorytmów? Jak zbudować symulacyjne środowisko testowe maksymalnie odzwierciedlające rzeczywistość? Jak może wyglądać proces stałego podnoszenia jakości algorytmów? Opowiem o swoich doświadczeniach w budowie symulatorów procesów biznesowych."
More Related Content
More from Infoshare (20)
infoShare AI Roadshow 2018 - Tomasz Brzeziński (iTaxi) - Niestandardowe metody Machine Learning: podnoszenie efektywności biznesu przez zastosowanie podejścia symulacyjnego
- 1. TOMASZ BRZEZIŃSKI NIESTANDARDOWE METODY MACHINE LEARNING Podnoszenie efektywności biznesu przez zastosowanie podejścia symulacyjnego
- 3. Problem: optymalizacja algorytmu wydawania zleceń
- 5. Dostarczyć taksówkę: •jak najszybciej •jak najlepszą •z żądaną stawką za kilometr •spełniającą dodatkowe wymagania (np. liczba osób) •tak, aby móc skutecznie zrealizować kolejne zlecenia Zadanie
- 6. Dostarczyć taksówkę: •jak najszybciej: mediana czasu dojazdu •jak najlepszą: średni scoring kierowcy •tak, aby móc skutecznie zrealizować kolejne zlecenia: reliability ratio (ilość kursów/popyt) KPI
- 7. Problem •wielokryterialny •nieliniowy i niesprowadzalny do liniowego •dyskretny •niestabilny w czasie •w warunkach niepewności Dlaczego to jest trudne?
- 8. System cyklicznej poprawy algorytmu
- 9. Benchmark (100%) Benchmark (90%) Benchmark (50%) Przegrany (10%) Przegrany (0%) Kandydat (10%) Pretendent (50%) Zwycięzca - nowy benchmark (90%) Zwycięzca - nowy benchmark (100%) Testy A/B
- 10. Benchmark (100%) (50%) Przegrany (10%) Przegrany (0%) Kandydat (10%) Pretendent (40%) Zwycięzca - nowy benchmark (80%) Benchmark (50 (…) Kandydat 2 (10%) Przegrany (0%) Pretendent (40%) (…) Kandydat 4 (10%) (…) Benchmark (100%) Benchmark (90%) Benchmark (50%) Przegrany (10%) Przegrany (0%) Kandydat (10%) Pretendent (40%) Zwycięzca - nowy benchmark (80%) Benchmark (50%) (…) Kandydat 2 (10%) Przegrany (0%) Kandydat 3 (10%) Pretendent (40%) (…) Kandydat 4 (10%) (…) Cykliczne testy A/B Benchmark (100%) Benchmark (90%) Kandydat (10%) Benchmark (100%) Benchmark (90%) Benchmark (50%) Kandydat (10%) Pretendent (40%) Kandydat 2 (10%)
- 11. Nowe rozwiązanie Test w symulatorze Optymalizacja parametrów w symulatorze Benchmark w teście A/B Nowy benchmark/ przegrany Pretesting w symulatorze Testowanie w rzeczywistości ma znaczący wpływ na biznes
- 12. A jeśli wyniki w rzeczywistości odbiegają od symulacji?
- 13. Kompletny system Test w symulatorze Testy A/B Analiza rozbieżności Modyfikacja symulatora
- 15. • Symulacja: przybliżone odtwarzanie zjawisk czy zachowań jakiegoś obiektu za pomocą jego modelu (fizycznego lub matematycznego) • Model matematyczny: grupa funkcji wiążących ze sobą różne zmienne i w ten sposób opisujących powiązania między wielkościami w układzie Symulacja
- 16. Symulacyjne podejście do problemu iTaxi– założenia/uproszczenia
- 17. rozważmy zbiór identycznych sferycznych taksówek… ze zbiornikiem paliwa o nieskończonej pojemności… poruszających się ruchem jednostajnym prostoliniowym… po powierzchni wycinka quasigeoidy… w celu obsługi identycznych pasażerów… o stałych i niezmiennych w czasie preferencjach… składających zamówienia wg rozkładu Poissona… Jak nie odlecieć?
- 18. Uproszczenia: • Eliminacja zdarzeń tak rzadkich, że nie wpływających na wynik • Eliminacja wzajemnie znoszących się odchyleń • Eliminacja nieestymowalnych odchyleń Nie wolno: • Uśredniać istotnych zmienności • Ignorować niestabilności • Ignorować istotnych korelacji zjawisk • Zakładać znajomości informacji, których w realnej sytuacji nie mamy Można rozważyć: • Uproszczenie (np. uśrednienie) istotnego zjawiska, jeśli strata dokładności jest rekompensowana szybkością obliczeń Zasady budowy modelu
- 19. Taksówki mają identyczną prędkość Poruszają się po liniach prostych Nie ma zleceń grupowych (kilka taksówek) Nie ma zleceń terminowych Pasażer nie zmienia swoich decyzji Uproszczenia
- 20. Zjawiska mają określone rozkłady, które muszą być odzwierciedlone: - rozkład zleceń w przestrzeni i czasie - rozkład dostępności taksówkarzy w przestrzeni i czasie - rozkład scoringów - rozkład cierpliwości pasażerów - rozkład prawdopodobieństwa odrzucenia zlecenia przez taksówkarza (rozkłady są różne dla poszczególnych taksówkarzy) Wielowymiarowe rozkłady nie są dekomponowane na poszczególne wymiary Poszczególne miasta mają inne charakterystyki Przejezdność miasta (prędkość poruszania się) zmienia się w czasie i jest niejednorodna w przestrzeni W danym momencie nie mamy wiedzy o przyszłości Poszczególne czynności (zamówienie taksówki, przyjęcie zlecenia przez taksówkarza itp.) trwają określony czas Czego nie uprościliśmy?
- 21. Rozkłady szacowane metodami analitycznymi: - rozkład scoringów - rozkład prawdopodobieństwa odrzucenia zlecenia przez taksówkarza Popyt i podaż – symulacja metodami Monte Carlo Szacowanie rozkładów – główny problem
- 23. metoda Monte Carlo • Stanisław Ulam • Metoda jest używana do modelowania procesów zbyt złożonych do obliczania analitycznego • Aby zamodelować wynik procesu, losujemy odpowiednio dużo wielkości charakteryzujących proces, po czym dokonujemy przetworzenia algorytmicznego
- 24. Monte Carlo - ł
- 25. Dla danego dnia znajdujemy dni „podobne” Zlecenia ze wszystkich dni podobnych stanowią pulę losowania Określamy intensywność popytu Losujemy (ze zwracaniem) potrzebną liczbę zleceń Dla danego zlecenia bierzemy jego pełną charakterystykę (położenie, czas, parametry pasażera) Zastosowanie Monte Carlo w symulacji popytu
- 26. Dla danego dnia znajdujemy dni „podobne” Pulę losowania stanowią wszystkie sesje dostępności kierowców Określamy intensywność podaży Losujemy (ze zwracaniem) potrzebną liczbę sesji dostępności Dla danej sesji bierzemy jej pełną charakterystykę (miejsce pojawienia, czas startu, czas zakończenia, parametry taksówkarza) Zastosowanie Monte Carlo w symulacji podaży
- 27. Wyniki
- 28. •W symulatorze: 12 różnych funkcji, około 1000 zestawów parametrów •W testach A/B: 9 faz testów, 3 funkcje, łącznie 32 zestawy parametrów •2 fazy modyfikacji symulatora na podstawie rozbieżności z rzeczywistością •Cykliczność: nowy test w (prawie) każdy czwartek Przeprowadzone testy
- 29. Dni robocze Czas dojazdu RR Scoring Weekend Czas dojazdu RR Scoring Przykładowe wyniki dla jednego z miast F1 F2 F3 Dni robocze Czas dojazdu -7,2% -6,9% -6,1% RR +3,0% +3,0% -8,5% Scoring -4,4% -7,7% -4,0% Weekend Czas dojazdu -3,2% +0,0% -4,8% RR -1,5% -1,5% +5,0% Scoring -3,5% -6,3% +4,0%
- 30. Dotychczasowe efekty •Zmiana średniego scoringu: +0,4% •Zmiana mediany czasu dojazdu: -8,5% •Zmiana RR: +7,5%
- 32. Dlaczego tak mało? •Rzeczywistość nieustannie się zmienia •Optymalne algorytmy są specyficzne dla miast i czasu •Testy A/B muszą być ostrożne -> określenie istotności statystycznej zajmuje czas
- 33. Co dalej?
- 34. Plany •Dynamiczna automatyczna optymalizacja Prognoza popytu Natężenie ruchu Wybór funkcji i parametrów przydziału taksówki Prognoza zmian podaży Lokalizacja zlecenia Obecny stan podaży
- 35. Plany – automatyka testów • SI (NN lub GA) przeszukuje zakres możliwych algorytmów przydziału taksówek i testuje je w symulatorze • Jeśli test istotnie poprawia funkcję celu, automatyczny test A/B • Jeśli w teście A/B poprawa jest potwierdzona, test rozszerzany • Jeśli w teście A/B poprawa nie jest potwierdzona, alert (symulator wymaga poprawy)
- 36. • Jeśli możesz, przed testowaniem na żywo sprawdź scenariusz w warunkach laboratoryjnych • Jeśli problem jest zbyt skomplikowany do rozwiązania analitycznego, przeprowadź symulację • Rozbieżności wyników symulacji z wynikami testów A/B są narzędziem do doskonalenia symulatora • W zmieniającej się rzeczywistości optymalizacja nigdy się nie kończy Na wynos