DeepETA: cómo Uber predice los tiempos de llegada con aprendizaje profundo

• Uber usa el ETA para calcular tarifas, predecir tiempos de recogida, hacer matching entre rider y driver, y planificar tiempos de entrega
• Los motores de ETA tradicionales dividen la red vial en unidades pequeñas y calculan asignando pesos a un grafo
  → Encuentran la ruta óptima con algoritmos de camino más corto y luego agregan pesos
• Pero "el mapa no es el territorio". El grafo vial es solo un modelo y no puede reflejar la situación real
• Además, no se sabe qué ruta elegirán los riders/drivers
• Sobre esas estimaciones basadas en el grafo vial, combinan datos históricos y señales reales para entrenar un modelo de machine learning y obtener un mejor ETA
• Durante varios años, Uber usó "Gradient-boosted decision tree ensembles" para mejorar la predicción de ETA
  → Pero ahora llegó al límite de escalabilidad con Apache Spark + XGBoost
• Por eso cambiaron a deep learning para resolver tres problemas principales
  • Latency : calcular el ETA en unos pocos milisegundos
  • Accuracy : mejorar el MAE (Mean Absolute Error, error absoluto medio) frente al modelo de XGBoost
  • Generality : ofrecer predicción de ETA a nivel global para todos los negocios de Uber
• Probaron 7 arquitecturas de redes neuronales
  → Al final, la más precisa fue una arquitectura Encoder-Decoder con Self-Attention (Transformer)
  → Aunque la precisión era alta, la velocidad era demasiado lenta, así que eligieron Linear Transformer, que mejora la rapidez de cálculo