Комментарии 10
Кажется, минимум половина шагов лишняя, а методы применялись рандомно и без осмысления?
Зачем так сложно, если в результате получилась просто растеризованная поверхность функции потерь?
Зачем так сложно, если в результате получилась просто растеризованная поверхность функции потерь?
Зачем все эти сложности? Есть же готовые алгоримы построения изохрон. Взять дорожный граф, по нему построить изохрону и радоваться. Работает быстро, ничего самим делать не надо, проблемы с реками и прочими препятствиями оно ка как раз и обнаруживает.
Это очень модный тренд последние пару лет: вместо разового приобретения специализированного ПО «вваливать» деньги в команды Data Science, а потом еще и заставлять их выступать на разных митапах с докладами.
Видимо хорошо влияет на капитализацию публичных компаний, а курьеры на велосипеде и так доедут по выданному адресу.
Видимо хорошо влияет на капитализацию публичных компаний, а курьеры на велосипеде и так доедут по выданному адресу.
Ну может оказаться что «самому изобрести велосипед» будет дешевле чем его купить. Хотя вот с построением зон охвата (и маршрутов для курьеров) кажется что задача хорошо известная, и вроде бы можно купить готовое решение и не париться…
И опять возникает вопрос… А например, курьеры, они как свои маршруты прокладывают? В каких-нибудь яндекс-картах? А если в один прекрасный момент яндекс начнет делать платным приложение для конкурентов (думаю, вычислить курьеров конкурентов вполне по силам, учитывая что есть «хабы» где они постоянно «тусуются»)? Или намерено строить не самые оптимальные маршруты (причем это можно вполне залегендировать как «наиболее экономный маршрут для часто путешествующих :)»)? Изобретать самому? Или договариваться и платить яндексу?
интересно, а Яндекс уже пытается таким образом анализировать поведение конкурентов? Или пока еще нет?
А если в один прекрасный момент яндекс начнет делать платным приложение для конкурентов
Если IT-грамотность бизнеса такова, что даже при наличии сильной команды они строят самый важный компонент этого бизнеса на облачном сервисе конкурента, да при этом еще и всю стратегически важную информацию без единой мысли в голове тоже кладуд в это облако — пусть страдет такой бизнес, его совсем не жалко.
Ну может оказаться что «самому изобрести велосипед» будет дешевле чем его купить
Можно я возьму смелость «сделать декомпозицию» этой шифровоанной фразы?:
Нанять команду с годовым зарплатным фондом в 2-3 раза больше, чем готовые коммерческие решения, без каких-либо гарантий получить решения того же уровня в приемлемый срок, но гарантиротванными рисками, что кого-то захантят просто потому, что профессия сейчас модная — это, безусловно, выгодно и дальновидно.
Алгоритм, описываемый в статье, действительно, похож на алгоритм построения изохрон,
но конкретно в нашей реализации мы делали акцент на оптимизацию бизнес-таргета (время доставки, покрытие, GMV), классический алгоритм построения изохрона не давал такой гибкости в работе с зонами доставки, то есть не учитывал количество пользователей в гео-области.
Про многоэтапности алгоритма: алгоритм действительно в целом очень похож на классический метод с построением изохрона, но с добавлением оценки в нашем подходе мы пытались получить «ценности» с точки зрения оптимизируемой функции, о которой упоминалось выше, а также поиска выбросов с помощью кластеризации.
но конкретно в нашей реализации мы делали акцент на оптимизацию бизнес-таргета (время доставки, покрытие, GMV), классический алгоритм построения изохрона не давал такой гибкости в работе с зонами доставки, то есть не учитывал количество пользователей в гео-области.
Про многоэтапности алгоритма: алгоритм действительно в целом очень похож на классический метод с построением изохрона, но с добавлением оценки в нашем подходе мы пытались получить «ценности» с точки зрения оптимизируемой функции, о которой упоминалось выше, а также поиска выбросов с помощью кластеризации.
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Геопространственное моделирование с применением методов машинного обучения