El aprendizaje automático mejora la experiencia de los usuarios de Shotl

El influyente profesor de aprendizaje automático Pedro Domingos afirma que «a la gente le preocupa que los ordenadores se vuelvan demasiado inteligentes y dominen el mundo, pero el verdadero problema es que son demasiado tontos y ya lo han dominado». Los sistemas inteligentes de transporte no son una excepción.

El aprendizaje automático (machine learning, ML) es un campo de la inteligencia artificial (IA) centrado en el desarrollo de técnicas que permiten a los ordenadores aprender a realizar una tarea concreta. Se basan en modelos matemáticos y algoritmos que utilizan muestras de datos, conocidas como datos de entrenamiento, que a su vez aportan la información necesaria para tomar decisiones.

El ML puede dividirse en dos grandes subcampos: el aprendizaje supervisado y el no supervisado. El aprendizaje supervisado es un conjunto de modelos de ML cuyo objetivo es predecir el valor de una variable dependiente explícita. Los datos de entrenamiento que se usan en estos casos consisten en observaciones de la variable dependiente para distintos valores de las demás variables (independientes), y pueden formar un conjunto de datos muy grande.

Las técnicas de aprendizaje supervisado pueden dividirse en regresión y clasificación. En la primera, la variable dependiente que se quiere predecir es un número real, mientras que en la segunda es una clase de un conjunto finito. No hay una frontera clara entre los modelos de regresión y de clasificación, ya que algunos modelos de regresión se usan a menudo para predecir una clase en lugar de utilizar el número concreto que predice el modelo.

Por otro lado, las técnicas de aprendizaje no supervisado no buscan predecir una variable concreta, sino aportar información sobre un conjunto de datos. Los algoritmos de clustering, que crean agrupaciones de datos sin clases predefinidas, son el ejemplo más conocido.

¿Cómo puede el ML, y en concreto el aprendizaje supervisado y los modelos predictivos, mejorar la experiencia de los usuarios de Shotl?

Las horas de recogida y llegada de un usuario pueden estimarse de forma simplificada a partir de las rutas de los vehículos, sumando los tiempos de viaje que proporciona la API de rutas, es decir, teniendo en cuenta solo los servicios actuales. El principal inconveniente de este enfoque es que no tiene en cuenta los posibles servicios que pueden entrar en el sistema más adelante.

El algoritmo de predicción de retrasos de Shotl estima tanto el tiempo de espera en el punto de recogida como los desvíos y retrasos debidos a las paradas en los puntos de recogida y llegada de otros servicios en curso. Los datos de entrenamiento son, en este caso, los datos históricos de los servicios en una zona determinada, y el algoritmo puede detectar patrones de demanda propios de cada día de la semana y de las distintas franjas horarias de un mismo día.

La previsión de la demanda es interesante desde el punto de vista de la planificación del usuario: si es probable que el servicio se retrase, se informa a los usuarios de la hora prevista de recogida y de llegada para que puedan decidir con conocimiento de causa. Y resulta aún más ventajosa si vemos cómo puede mejorar la calidad global del servicio.

Cuando un vehículo termina su ruta y se han atendido todas las solicitudes, normalmente se envía a la cochera a esperar nuevas solicitudes. En su lugar, los vehículos libres pueden reubicarse en zonas de alta demanda para reducir los tiempos de espera de los usuarios. Una buena predicción de la demanda potencial a corto plazo, junto con el estado actual del sistema, incluidas las posiciones de los vehículos y sus servicios pendientes si no están libres, es fundamental para el algoritmo de reubicación de vehículos de Shotl.

En resumen, Shotl utiliza los datos que generan usuarios y conductores para crear modelos de ML modernos y de alto rendimiento que mejoran la experiencia de los usuarios y hacen posible un sistema de transporte más eficiente y menos costoso.