TIN TỨC VẬN TẢI

Sử dụng thuật toán nhận diện gương mặt để quản lý đề xuất trong hoạt động logistics

Đăng bởi: Uyen Ngày đăng: 23/10/2019

Cách đây vài năm, lúc tôi muốn xem một bộ phim trên mạng, tôi đã phải rất vất vả để chọn ra bộ phim thích hợp để xem (sự thật là tôi khá kén chọn trong việc xem phim).

Tra Google, xem xét đánh giá trên IMDB, đọc nội dung phim, tìm kiếm thông tin về đạo diễn và diễn viên chính, thậm chí xem hẳn trailer để chắc chắn rằng những bộ phim đó hợp gu với tôi.

Ngày nay, Netflix làm tất cả những việc đó thay tôi. Khi tôi bật Netflix lên, tôi nhận được nhiều đề xuất phim ảnh mà đa phần chúng thực sự thích hợp với sở thích của tôi.

Những thứ nắm quyền đề xuất thông qua việc vận hành những máy móc liên quan có thể kể đến là những hệ thống gợi ý, các thuật toán khai thác AI và Big Data nhằm đề xuất những hạng mục thông tin mới đến người dùng.

Các hệ thống gợi ý ở mọi nơi…

Ngày nay, những hệ thống gợi ý có ở mọi nơi: Netflix đề xuất bạn nên xem phim gì vào tối nay, Youtube đề xuất bạn nên xem video kế tiếp nào, Spotify tạo ra toàn bộ các list nhạc dựa theo gu âm nhạc của bạn, Amazon hiển thị những sản phẩm mới mà bạn có thể sẽ quan tâm, Facebook cho biết những người nào mà bạn mong muốn kết bạn với họ.

Thậm chí những quảng cáo phiền toái hiện lên khi bạn đang lướt web… chúng đều được cân đo đong đếm phù hợp với hồ sơ thông tin của bạn bằng một hệ thống đề xuất. Những doanh nghiệp hoạt động online này chẳng hề mất nhiều công sức để đề xuất đến bạn những thứ mới mẻ nhằm giúp cuộc sống bạn trở nên dễ dàng hơn.

Họ hưởng lợi rất lớn từ hệ thống đó. Số liệu bên dưới cho biết thêm về những thống kê về tác động của các hệ thống gợi ý đến doanh nghiệp.

REEL: Hệ thống đề xuất trong logistics

Tại LOGIVAN, chúng tôi nhắm đến việc làm được nhiều thứ hơn là chỉ dừng lại ở một công ty vận chuyển hàng bằng xe tải, và vì vậy chúng tôi đang dùng những thuật toán đỉnh cao để gầy dựng một hệ thống gợi ý được đong đếm thích hợp cho các doanh nghiệp logistics, và chúng tôi đặt tên là REEL (REcommander Engine for Logistics – công cụ gợi ý dùng cho logistics).

Mục tiêu cuối cùng của chúng tôi là tạo ra một dòng luân chuyển hoạt động trơn tru và thuận lợi giữa các chủ hàng và chủ xe.

Khi các chủ hàng muốn gửi hàng đi, họ chỉ cần đăng tải yêu cầu đặt hàng lên app, bao gồm những thông tin chi tiết về việc vận chuyển hàng hóa, thời gian và địa điểm giao và nhận hàng.

Công việc mà REEL làm là nối kết đúng chủ xe với yêu cầu đặt hàng đó. Hoặc, ngược lại, tìm yêu cầu đặt hàng phù hợp cho từng chủ xe.

Dữ liệu cho việc đề xuất trong logistics tương đối độc đáođa dạng. Chúng tôi nắm giữ những thông tin về việc vận chuyển hàng hóa, lịch sử hoạt động của tài xế, những yêu cầu về xe tải hàng, những điều kiện liên quan đến thời gian và địa điểm, và hơn nữa. Và chúng tôi đã tìm ra một cách mới lạ để giải quyết được loại dữ liệu này.

Sử dụng các thuật toán nhận diện gương mặt để xây dựng một hệ thống gợi ý

Chúng tôi kết hợp các nguyên lý tiếp cận dựa trên nội dung và những thuật toán nhận diện gương mặt để xây dựng một hệ thống gợi ý độc nhất để giải quyết vấn đề cụ thể chúng tôi đang đối mặt. Bạn mới nói đến chữ nhận diện gương mặt à? Đúng rồi đấy.

Tác vụ nhận diện gương mặt bao gồm việc nhận biết phải chăng hai bức hình khác nhau đều chụp cùng một người hay không. Để làm điều đó, các thuật toán Deep Learning đỉnh cao có khả năng chuyển đổi hình ảnh thành một chuỗi số được gọi là một “nhúng” biểu trưng cho một hình ảnh trong không gian Ơ-clit, vì vậy “nhúng” của nhiều ảnh khác nhau chụp cùng một người sẽ ở gần với nhau hơn so với “nhúng” của những hình ảnh chụp những người khác.

Chúng tôi áp dụng nguyên lý này cho các tài xế và yêu cầu đặt hàng được “nhúng” bằng việc sử dụng mạng nơ ron nhân tạo Deep Learning, và tìm những lệnh đặt hàng “gần gũi” với một tài xế cụ thể nào đó, hoặc ngược lại, những tài xế “gần gũi” với một yêu cầu đặt hàng nào đó.

Hệ thống này vận hành tốt đối với trường hợp của chúng tôi vì nó có thể học được những mô tả chuẩn nhất về các yêu cầu đặt hàng và tài xế dựa trên bất kỳ dữ liệu có sẵn trên cơ sở dữ liệu của chúng tôi, và áp dụng vào những đơn đặt hàng cũng như đối với những tài xế mới, như thế sẽ giải quyết được vấn đề ‘khởi động nguội’, miễn là ít nhất một vài thông tin về lệnh đặt hàng và tài xế xe vẫn còn hữu dụng.

Kết quả sơ bộ

REEL vẫn còn non nớt và chưa được hoàn thiện hoàn toàn. Tuy nhiên, kết quả thử nghiệm cho thấy đầy triển vọng.  Chúng tôi đã thử nghiệm nó với khoảng 1000 tài xế không được thông báo trước về REEL. Đối với mỗi người trong số họ, chúng tôi đã chọn một lệnh đặt hàng mà họ đã đấu thầu trong thời gian trước (đây là mẫu ‘tích cực’, và 15 đơn hàng mà họ đã không đấu thầu (mẫu ‘tiêu cực’).

Để khiến công việc trở nên khó khăn hơn cho thuật toán, chúng tôi đã đảm bảo rằng mẫu ‘tiêu cực’ được hình thành từ các đơn đặt hàng của những tài xế đã cận kề việc chấp nhận đấu thầu (chẳng hạn, họ không ở quá xa với địa điểm hiện tại của họ và trọng lượng hàng hóa đã có thể được chuyên chở bởi xe tải của tài xế đó).

Như thông tin được hiển thị trong bảng bên dưới, REEL có khả năng đề xuất yêu cầu đặt hàng ‘tích cực’ trong số top 5 (trên tổng số 15 lượt đặt hàng trên mỗi tài xế) 89% thời gian (tỷ lệ truy cập).

Vị trí thường xuất hiện của mẫu ‘tích cực’ nằm giữa thứ hạng thứ 2 và 3 trong số 15 đơn đặt hàng (điểm xếp hạng). Khi một tài xế được cung cấp một cặp lệnh đặt hàng, một ‘tích cực’ và một ‘tiêu cực’, REEL có thể phân loại chúng chính xác đến 75% và tỷ lệ phần trăm những mẫu tích cực được xác định chính xác đến 95% (điểm thu hồi).

Chỉ sốĐiểm
Tỷ lệ truy cập0.89
Điểm xếp hạng0.93
Điểm accuracy0.75
Điểm thu hồi0.95
Điểm precision0.68
Điểm F10.79

Đối với việc đánh giá có thể thấy bằng mắt được, chúng tôi đã chọn 10 tài xế ngẫu nhiên và yêu cầu REEL phân loại ra 1000 lượt đặt hàng dựa trên tiêu chí mỗi tài xế sẽ có khả năng chấp nhận bao nhiêu trong số chúng.

Chúng tôi đã vẽ một bản đồ về những tuyến đường mà tài xế đã chạy trong thời gian trước (màu đen), top 10 tuyến đường được đề xuất bởi REEL (màu đỏ), top 10 tuyến đường tiếp theo (màu xanh lá) và 10 tuyến đường cuối cùng (màu xanh). Vị trí của tài xế được hiển thị dưới hình dáng vòng tròn màu vàng.

Có thể thấy rằng đối với tài xế đầu tiên, người chỉ chấp nhận những đơn đặt hàng gửi đến khu vực miền Nam, REEL đã đề xuất một cách đúng đắn những đơn hàng hiện hữu ở miền Nam và không khuyến nghị những đơn đặt hàng ở miền Bắc, và ngược lại đối với tài xế thứ 2 và 3.

Hơn nữa, REEL có thể đề xuất những đơn hàng có thể được vận chuyển bằng những tuyến đường mới, đó là, những tuyến đường mà tài xế chưa biết đến.

Điều này cho thấy REEL không chỉ đơn thuần học cách xem lại lịch sử hoạt động của tài xế, mà còn có thể đề xuất những tuyến đường phù hợp mới mà tài xế đó có thể chưa tự mình biết đến thông qua cách tìm kiếm phổ thông bằng ứng dụng.

Lợi ích từ hệ thống đề xuất của LOGIVAN

Chúng tôi tự tin nói rằng REEL sẽ cho phép tài xế tìm được những đơn đặt hàng mà họ quan tâm hơn là những gì họ có thể làm được thông qua việc tìm kiếm theo cách phổ thông trên ứng dụng.

REEL sẽ giảm tải việc sử dụng sức người và thúc đẩy công việc, vì không cần thiết mọi người phải nhọc công lựa chọn những đơn đặt hàng phù hợp với tài xế. Điều này giúp loại bỏ yếu tố trung gian, vì vậy sẽ cắt giảm được những phí phụ thu và tăng tính minh bạch.

Quan trọng nhất là, REEL sẽ tạo nên dòng luân chuyển trơn tru cho các hoạt động liên quan giữa chủ hàng và chủ xe nhờ vào việc tự động hóa triệt để, và làm giảm đáng kể khoảng thời gian giữa việc đăng tải đơn hàng và gửi đơn hàng đó đến đúng tài xế.

Blog này được viết bởi Enrico, một nhà khoa học dữ liệu tại LOGIVAN, và được biên tập bởi tôi, Vu Anh – người đứng đầu đội ngũ khoa học dữ liệu LGV. Trong bài viết trước, chúng ta đã nói về cách mà LOGIVAN sẽ giải quyết những khó khăn, thách thức trong ngành logistics. Hi vọng các bạn sẽ yêu thích những dịch vụ dựa trên nền tảng AI của chúng tôi.

Hẹn gặp các bạn trong những bài viết tiếp theo.

Đánh giá bài viết:
LOGIVAN Newsletter

Bạn sẽ được cập nhật tin tức mới nhất từ LOGIVAN qua hộp thư điện tử của mình

TIN TỨC LIÊN QUAN

TIN TỨC LIÊN QUAN