DeepETA: como a Uber prevê o tempo de chegada com deep learning

• A Uber usa ETA para cálculo de tarifas, previsão do tempo de pickup, matching entre passageiros e motoristas e planejamento do tempo de entrega
• Motores de ETA tradicionais dividem a malha viária em pequenas unidades e calculam atribuindo pesos a um grafo
  → Encontram a rota ideal com algoritmos de caminho mínimo e adicionam pesos
• Mas "o mapa não é o território". O grafo viário é apenas um modelo e não consegue refletir a situação real
• Além disso, não se sabe qual rota passageiros/motoristas vão escolher
• Combinando dados históricos e sinais reais sobre estimativas baseadas em grafos viários, eles treinam modelos de machine learning para encontrar ETAs melhores
• Por alguns anos, a Uber usou "Gradient-boosted decision tree ensembles" para melhorar a previsão de ETA
  → Mas agora chegou ao limite do que era possível escalar com Apache Spark + XGBoost
• Por isso, mudou para deep learning para resolver três problemas principais
  • Latency : calcular ETA em poucos milissegundos
  • Accuracy : melhorar o MAE (Mean Absolute Error, erro absoluto médio) em relação ao modelo XGBoost
  • Generality : fornecer previsão de ETA globalmente para todos os negócios da Uber
• Testaram 7 arquiteturas de redes neurais
  → No fim, a arquitetura Encoder-Decoder com Self-Attention (Transformer) foi a mais precisa
  → Embora a precisão fosse alta, a velocidade era lenta demais, então escolheram o Linear Transformer, que melhora a rapidez de cálculo