Koneoppiminen – Vinka ennustaa kuljetusten kysyntää koneoppimisen avulla Google Cloudissa
Mikä oli haaste?
Vinka on ohjelmisto- ja SaaS-alustayritys, joka on erikoistunut räätälöityihin kuljetusratkaisuihin liikkuvuuspalvelujen tarjoajille. Vinka Ride on varaus- ja lähetysalusta taksi- ja tilauskalustojen automatisointiin ja optimointiin. Se on helppokäyttöinen ja siinä on tehokkaita optimointiominaisuuksia, mukaan lukien ETA-pohjainen lähetyksen optimointi ja automaattinen kyytiin yhdistäminen. Prioriteettien ja erityyppisten vaatimusten hallinta saman toiminnon sisällä on monimutkainen haaste.
Vinka on kerännyt tilaustietoja usean vuoden ajan. Tiedoista näkyy muun muassa taksitilauksen lähtöpisteen koordinaatit ja taksin haluttu lähtöaika. Näitä tietoja ei kuitenkaan vielä käytetä kuljetustilausmäärien ennustamiseen. Vinka halusi nähdä, voitaisiinko olemassa olevia tilaustietoja hyödyntää dynaamisesti tarkempiin ennusteisiin tulevasta kysynnästä tietyillä paikkakunnilla.
Merkittävin haaste oli tilausmäärien ennustaminen samanaikaisesti ajassa ja paikassa. Näiden kahden tavoitteen saavuttaminen samanaikaisesti aiheuttaa ongelmia suurelle osalle data-analytiikkatyökaluja. Yksittäiselle alueelle lasketun kysyntäennusteen tulee olla tarkka ollakseen hyödyllinen, mutta samalla ennusteen laatimisen tulee olla riittävän kevyttä, jotta nämä ennusteet voidaan tehdä tehokkaasti suurelle määrälle alueita.
Meidän ratkaisumme
Codento kehitti tekoälyä ja paikkatietoa hyödyntävän ratkaisun, jonka avulla voidaan ennustaa tilausten määrää samanaikaisesti ajassa ja paikassa. Ratkaisussa käytettiin Google Cloudin BigQuery-työkalua. BigQuery tukee natiivisti sekä koneoppimismalleja (BigQuery ML ja Vertex AI AutoML) että geospatiaalista suodatusta (BigQuery GIS).
Yhdistämällä näitä kahta työkalua Codento onnistui rakentamaan tehokkaasti skaalautuvan ennustemallin, joka pystyy samanaikaisesti ennustamaan taksien kysyntää käytännössä rajattomalle määrälle eri maantieteellisiä alueita. Lisäksi kaikkien näiden alueiden muodot voidaan määritellä täysin vapaasti.
Miksi Codento?
Codento valittiin yhteistyöhön laajan ja monipuolisen tekoälykonsultointikokemuksen ja Googlen pilvi-osaamisen perusteella. Myös Codenton aikaisemmat vastaavat toteutukset vaikuttivat myönteisesti päätökseen.
Mitkä olivat tulokset?
BigQuery ML:n avulla pystyttiin rakentamaan malli, joka pystyy uskomattoman luotettavasti ennustamaan tunnissa tulevien tilausten määrän ennalta määritetyllä maantieteellisellä alueella jopa 10 päivää etukäteen. Lisäksi malli pystyi ottamaan varsin luotettavasti huomioon pyhäpäivien vaikutuksen kysyntään. Suurin positiivinen tulos oli kuitenkin mallin skaalautuvuus. Koneoppimismalli pystyttiin kouluttamaan yhdelle maantieteelliselle alueelle noin kymmenessä sekunnissa. Tämä lyhyt harjoitusaika mahdollistaa mallin tehokkaan skaalauksen.
Asiakkaan omin sanoin
”Codento pystyi todistamaan, että henkilökohtaisten kuljetustilaustietojen ja paikkatiedon sijaintitiedon yhdistelmä voidaan yhdistää tarkaksi kysyntäennusteeksi käyttämällä Google Cloud BigQueryn tuottamaa koneoppimismallia.”
Peitsa Turvanen, toimitusjohtaja, Vinka
Koneoppiminen – Kysy lisää palveluistamme:
