L'aprenentatge automàtic millora l'experiència dels usuaris de Shotl

L'influent professor d'aprenentatge automàtic Pedro Domingos afirma que «a la gent li preocupa que els ordinadors es tornin massa intel·ligents i dominin el món, però el veritable problema és que són massa ximples i ja l'han dominat». Els sistemes intel·ligents de transport no en són una excepció.

L'aprenentatge automàtic (machine learning, ML) és un camp de la intel·ligència artificial (IA) centrat en el desenvolupament de tècniques que permeten als ordinadors aprendre a fer una tasca concreta. Es basen en models matemàtics i algorismes que utilitzen mostres de dades, conegudes com a dades d'entrenament, que al seu torn aporten la informació necessària per prendre decisions.

El ML es pot dividir en dos grans subcamps: l'aprenentatge supervisat i el no supervisat. L'aprenentatge supervisat és un conjunt de models de ML l'objectiu dels quals és predir el valor d'una variable dependent explícita. Les dades d'entrenament que es fan servir en aquests casos consisteixen en observacions de la variable dependent per a diferents valors de les altres variables (independents), i poden formar un conjunt de dades molt gran.

Les tècniques d'aprenentatge supervisat es poden dividir en regressió i classificació. En la primera, la variable dependent que es vol predir és un nombre real, mentre que en la segona és una classe d'un conjunt finit. No hi ha una frontera clara entre els models de regressió i de classificació, ja que alguns models de regressió s'utilitzen sovint per predir una classe en lloc d'utilitzar el nombre concret que prediu el model.

D'altra banda, les tècniques d'aprenentatge no supervisat no busquen predir una variable concreta, sinó aportar informació sobre un conjunt de dades. Els algorismes de clustering, que creen agrupacions de dades sense classes predefinides, són l'exemple més conegut.

Com poden el ML, i en concret l'aprenentatge supervisat i els models predictius, millorar l'experiència dels usuaris de Shotl?

Les hores de recollida i arribada d'un usuari es poden estimar de manera simplificada a partir de les rutes dels vehicles, sumant els temps de viatge que proporciona l'API de rutes, és a dir, tenint en compte només els serveis actuals. El principal inconvenient d'aquest enfocament és que no té en compte els possibles serveis que poden entrar al sistema més endavant.

L'algorisme de predicció de retards de Shotl estima tant el temps d'espera al punt de recollida com els desviaments i retards deguts a les parades als punts de recollida i arribada d'altres serveis en curs. Les dades d'entrenament són, en aquest cas, les dades històriques dels serveis en una zona determinada, i l'algorisme pot detectar patrons de demanda propis de cada dia de la setmana i de les diferents franges horàries d'un mateix dia.

La previsió de la demanda és interessant des del punt de vista de la planificació de l'usuari: si és probable que el servei es retardi, s'informa els usuaris de l'hora prevista de recollida i d'arribada perquè puguin decidir amb coneixement de causa. I resulta encara més avantatjosa si veiem com pot millorar la qualitat global del servei.

Quan un vehicle acaba la seva ruta i s'han atès totes les sol·licituds, normalment s'envia a la cotxera a esperar noves sol·licituds. En lloc d'això, els vehicles lliures es poden reubicar en zones d'alta demanda per reduir els temps d'espera dels usuaris. Una bona predicció de la demanda potencial a curt termini, juntament amb l'estat actual del sistema, incloses les posicions dels vehicles i els seus serveis pendents si no estan lliures, és fonamental per a l'algorisme de reubicació de vehicles de Shotl.

En resum, Shotl utilitza les dades que generen usuaris i conductors per crear models de ML moderns i d'alt rendiment que milloren l'experiència dels usuaris i fan possible un sistema de transport més eficient i menys costós.