Це трохи застаріла інформація десь кінець 2015 року, використовував її так як вона була взята з відкритого джерела.
Это бывает )
Вам показалось, это скорее всего потому что большинство из определенного сегмента приняли такое решения. Все зависит не только от сегмента и его исторического поведения но и от текущих обстоятельств.
Сначала думал использовать как классификатор, но потом нашел более быстрый способ оиска кластера по гео-кординатам.
1. Конечно же таблица результатов связана с другими таблицами (справочники и т.д.) для последующего анализа в разных разрезах. Я думаю Вы не до конца поняли для чего нужна была БД на SQL.
2. Первое и наверное самое главно, что всем нужно знать Uklon как и Uber НЕ позиционируют себя как службы такси, это агрегаторы заказов. Сдесь их похожесть заканчивается.
UKLON
После того, как пользователь делает заказ, его видят диспетчерские службы, Которые в свою очередь распределяют вызовы между водителями. Первыми заказ видят то водители и службы, Которые имеют более высокий рейтинг по оценке пользователей сервиса.Дальше водители сами берут заказы Которые им больше всего нравятся.
UBER
Сдесь сервис назначает водителя с более высоким рейтингом. Водитель может отказатся но потом его рейтинг будет падать.
Это если коротко о разница между сервисами.
3.Обязательно в следующий раз распишу какие методы для выбора фич использовались.
4. Done. Если что еще есть Википедия и сайты самих компаний там все более подробно описано.
5.Машинное обучения это мега круто и оно все больше набирает обороты, но в бизнесе нельзя все одним махом сделать Используя ML так как это вопрос времени и денег. Сейча ету задачу можно еффективно решить и без ML.
Такой проблемы не возникало, так как цена получилась сбалансированой.
Спасибо, классный ресурс !
У каждого алгоритма есть преимущества и недостатки .
Клиент торгуется не только в сторону уменьшения но и увеличивает цену для того чтоб водитель быстрее согласился на поездку. Цена стала такой что клиенту не нужно больше угадивать какой же она должна быть , а водить при этом сразу же на нее соглашался.
1. SQL это место хранения исходных данных для модели. Посде ее обучения там хранятся только результаты. В принципе недавно появились службы SQL Server Machine Learning с поддержкой R и Python.
2.Убер имеет немного другую бизнес-модели и для них такой подход решения конечно же полходит лучше.
3. Эта статья не провыбор фич для модели, но мы конечно же это делали. PCA — неплохой инструмент но есть и более продвинутые с бодее глубоким анализом.
4. Как я уже писал Убер имеет немного другую бизнес-модель.
5. Это не задача машинного обучения.
Нет это уже закрытая информация.
По финсовым аспектам которые выбирал клиент — не скажу, но от себя могу добавить что все сервисы очень удобно и прозрачно тарифицируются.
По техническим аспектам:
1. Из Azure ML использовали только веб-сервис который быстро разварачивается из R, а также быстро интегрируется с внешними приложениями.
2. Если чесно никогда не работал AWS ML, смотрел только характеристики в документации. Пока что не нашел того что бы заставило меня перейти на эту платформу. Но не могу сказать что она плохая.
Выбор алгоритма это дело скорости и качества его работы а не его возраста.
Искуственным нейронным сетям уже больше 50 лет, но только сейчас появились возможности с вычислительными мощьностями.
Я думаю время подачи автомобиля очень даже относится к клиентам, ведь мы всегда хотим чтоб машина быстро находилась.
Выбрали Azure;
1. Smart bussnes является партнером Microsoft.
2. В Azure действительно класные сервисы с неплохой документацией и широким комьюнити.
Сейчас не могу, как только будет в ’production’ версии — напишу )
Бизнес доволен и использует данное решения, по их финсовым показателям ничего сказать не могу.
По втрому вопросу:
1. Мы не использем Azure Cloud Search как веб сервис. В первой версии веб сервис был на Azure ML studio. Сейчас меняем на более удобный(он также на Azure), но об этом может потом напишем.
2. Скорее всего не использовал так как там больше времени потратил бы на процедуру переноса модели на сам веб сервис и ее операционализацию.
Модель устративает обе стороны, но всегда можно сделать лучше. В data science все быстро меняется и всегда можно попробовать новые подходы или алгоритмы.
Если это будет общественное пространство, то не думаю что в Киеве так много людей , которым нужно решать такие задачи. Для студентов достаточно и более скромных вычислительных мощностей, а для научных работников есть ресурс университета, НАНУ.
А какие задачи вы собираетесь решать с машиной от 512 ядер ?
У нас і продають і встановлюють.
Консультувався зі спеціалістами. Єдине що ціна досить висока тому не такі розповсюджені.
e-energy.in.ua/...-tesla-powerwall-2-0.html