Il machine learning migliora l'esperienza degli utenti di Shotl

L'autorevole professore di machine learning Pedro Domingos sostiene che «le persone temono che i computer diventino troppo intelligenti e conquistino il mondo, ma il vero problema è che sono troppo stupidi e hanno già conquistato il mondo». I sistemi di trasporto intelligenti non fanno eccezione.

Il machine learning (ML) è un campo dell'intelligenza artificiale (IA) che si occupa dello sviluppo di tecniche che permettono ai computer di imparare a svolgere un compito specifico. Si basa su modelli matematici e algoritmi che usano campioni di dati, detti dati di addestramento, che a loro volta forniscono le informazioni necessarie per prendere decisioni.

Il ML si divide in due grandi sottocampi: apprendimento supervisionato e non supervisionato. L'apprendimento supervisionato è un insieme di modelli di ML il cui obiettivo è prevedere il valore di una variabile dipendente esplicita. I dati di addestramento usati in questi casi sono osservazioni della variabile dipendente per diversi valori delle altre variabili (indipendenti) e possono formare un insieme di dati molto ampio.

Le tecniche di apprendimento supervisionato si dividono in regressione e classificazione. Nella prima la variabile dipendente da prevedere è un numero reale, mentre nella seconda è una classe di un insieme finito. Non esiste un confine netto tra modelli di regressione e di classificazione, perché alcuni modelli di regressione sono spesso usati per prevedere una classe invece di usare il numero specifico previsto dal modello.

Le tecniche di apprendimento non supervisionato, invece, non mirano a prevedere una variabile specifica, ma a fornire indicazioni su un insieme di dati. Gli algoritmi di clustering, che creano gruppi di dati senza classi predefinite, ne sono l'esempio più noto.

Come possono il ML, e in particolare l'apprendimento supervisionato e i modelli predittivi, migliorare l'esperienza degli utenti di Shotl?

Gli orari di salita e discesa di un utente possono essere stimati in modo semplificato a partire dai percorsi dei veicoli, sommando i tempi di viaggio forniti dall'API di instradamento, quindi basandosi solo sui servizi in corso. Il limite principale di questo approccio è che non tiene conto dei possibili servizi che potrebbero entrare nel sistema in un secondo momento.

L'algoritmo di previsione dei ritardi di Shotl stima sia il tempo di attesa nel punto di salita sia gli allungamenti del percorso e i ritardi dovuti alle fermate nei punti di salita e discesa di altri servizi in corso. In questo caso i dati di addestramento sono i dati storici dei servizi in una determinata area, e l'algoritmo è in grado di rilevare modelli di domanda specifici per ogni giorno della settimana e per le diverse fasce orarie di una stessa giornata.

La previsione della domanda è interessante dal punto di vista della pianificazione dell'utente: se è probabile un ritardo del servizio, gli utenti vengono informati dell'orario previsto di salita e discesa e possono così fare scelte consapevoli. Ed è ancora più vantaggiosa se si considera come la previsione della domanda possa migliorare la qualità complessiva del servizio.

Quando un veicolo termina il proprio percorso e tutte le richieste sono state soddisfatte, di solito viene mandato al deposito in attesa di nuove richieste. I veicoli liberi possono invece essere riposizionati nelle aree ad alta domanda per ridurre i tempi di attesa degli utenti. Una buona previsione della domanda potenziale a breve termine, insieme allo stato attuale del sistema, comprese le posizioni dei veicoli e i servizi in sospeso se non sono liberi, è fondamentale per l'algoritmo di riposizionamento dei veicoli di Shotl.

In sintesi, Shotl usa i dati generati da utenti e autisti per costruire modelli di ML moderni e ad alte prestazioni che migliorano l'esperienza degli utenti e rendono possibile un sistema di trasporto più efficiente e meno costoso.