优步的服务需要在广泛的客户之间实现实际协调，包括司机伙伴，骑手，餐馆和食客。准确预测骑手需求和eta等事情使得这种协调，这使得我们的服务尽可能无缝地工作。

为了不断优化我们的业务，为客户提供服务，并培训我们的系统更好，更好，我们利用机器学习（ML）。此外，我们制作了许多我们的ML工具开源，与社区共享，以推进现有技术。

在这种精神下，我们的西雅图工程团队的成员在举行的情况下分享了他们的工作2019年4月在Uber上的ML和AI举行会议。下面，我们将重点介绍Uber西雅图工程公司目前正在研究的三种不同方法，以改善我们的ML生态系统以及整个技术社区。

HOROVOD：在Apache Spark上分发深度学习

在他的谈话中，来自ML平台团队的高级软件工程师Travis adair，描述了深度学习的力量，并解释了如何霍洛维多，在优步建造的开源深度学习框架，有助于促进这种重要功能，特别是与Apache Spark一起使用时。作为一个分布式训练平台，Horovod允许公司将他们的ml扩展到数百台机器。Horovod的独特抽象框架也有助于基础设施专业人士，ML工程师专注于尽最大的工作，而不会踩到彼此的数字脚趾。特拉维斯详细介绍了Horovod的深度学习系统工作，并演示为什么NVIDIA，Amazon，Alibaba，Ornl和其他主要参与者为自己的ML平台使用它。

Michelangelo（MA）学习者和变形金刚

Mingshi Wang高级软件工程师介绍了各种逻辑和物理工作流程和模型的受众Michelangelo，Uber的ML-AS-Service平台。他解释了米开朗基罗灵活的学习者和变压器如何简化ML的过程，同时提供出色的结果。就像Travis在Horovod上的演讲一样，Mingshi关注的是Michelangelo与Apache Spark的兼容性和协同。他还展示了米开朗基罗的直观界面和其仪表板提供的洞察力。在演讲的最后，他描述了优步计划在不久的将来将米开朗基罗的变形金刚、工作流程和其他功能开源，使其他人能够利用他们的优势。

使用Pyro的长期骑手行为建模

数据科学家彭赫森演示了如何为优步的奖励计划建模和预测乘客行为Pyro，一个开源概率编程语言由优步构建。步行观众通过各种ML供电的模型，提供实时编码演示，突出显示波形的递归模拟能力，并讨论如何模型与截取的截取时间 - 事件时间数据，Hesen参考了他最喜欢的一些超级模因。

要在优步了解更多关于ML的信息，我们欢迎您阅读我们的其他文章（并留意未来的）。

你想与我们合作，帮助发展ml的未来吗？考虑申请与优步的西雅图办公室有一个职位！！

标题图像礼貌www.vpnsrus.com，在创造性的公共2.0下获得许可。