點餐平臺引入推薦引擎。
當你還在將培根、壽司或墨西哥玉米餅帶回家的過程中，DoorDash 正在通過 AI 讓它發生。
DoorDash 成立於 2013 年，提供送餐服務。如今，通過撥打電話，消費者可以在美國、加拿大和澳大利亞的 4,000 個城市裡，向 310,000 多個商家訂餐，其中包括 Chipotle（墨西哥大玉米餅快餐店）和沃爾瑪超市等。
該公司的秘訣之一是數字物流引擎，該引擎可以將商家的三方市場、消費者以及配送員連接起來。
通過混合使用機器學習模型，該物流引擎可以為想要點餐的客戶，提供個性化的餐廳推薦和配送時間預測。同時，該引擎會為配送員分配訂單，並通過數萬億的選項進行分類，以為配貨員提供最佳路線，同時動態地計算配送價格。
這項工作需要在眾多機器學習模型中，嵌入一組複雜的相關算法，從而處理不斷變化的數據流。為了加速這一過程，DoorDash 已轉向通過雲中配置 NVIDIA GPU 來訓練其 AI 模型。
訓練速度提升 10%
從 CPU 轉移到 GPU 進行 AI 訓練使 DoorDash 的速度提升了 10 倍。DoorDash 的機器學習工程師 Gary Ren 說，從單個 GPU 遷移到多個 GPU 使其工作速度又提高了 3 倍。他將在 GTC Digital 2020 的在線演講中，介紹該公司的 AI 應用方法。
Ren 說：“快速訓練意味著可以嘗試更多的模型和參數，這對我們而言至關重要，訓練速度總是越快越好。”
他補充道：“訓練速度提高了 10 倍，這意味著我們將雲集群的速度提高了 10%，因此我們可以將計算成本降低 10 倍。將參數或模型增加 10 倍的影響很難量化，但它使我們整體業務績效提高了幾倍。”
強大的推薦功能
到目前為止，DoorDash 推薦引擎已經投產約 2 年。隨著 DoorDash 等諸多公司意識到消費者並不是總是清楚自己想要什麼，推薦機制無疑變得越來越重要。
他說，潛在客戶可能“在使用我們的應用程序時，也在探索他們的選擇。因此，考慮到我們的商家和消費者數量眾多，為消費者推薦合適的商家，可以更加輕鬆地獲得訂單。”
由於推薦引擎非常重要，因此 DoorDash 會不斷對其進行微調。例如，該公司在其工程博客中描述瞭如何為每個商家制作嵌入式 n 維向量（embedded n-dimensional vectors），以發現商家之間的細微相似之處。
它還採用了所謂的多級、多臂賭博機算法（multi-level, multi-armed bandit algorithms），該算法使 AI 模型既可以利用客戶過去的選擇喜好，又可以探索新的可能性。
AI 新用例
在優化推薦引擎的同時，DoorDash 也正在探索新的 AI 用例。
“由於消費者有時需要與配送員或商家之間進行溝通，因此，實現迅速而無縫地溝通至關重要。隨著 NLP（自然語言處理）的改進，肯定有在這裡使用 AI 的潛力，因此我們正在探索一些解決方案。” Ren 說。
NLP 是將推動未來性能需求的幾種用例之一。
“我們處理來自現實世界的數據，並且這些數據一直在變化。每個城市都有獨特的交通模式、特殊事件和天氣狀況，這種複雜性使其難以提供高精度的預測，”他說。
該公司的業務增長也帶來了其他挑戰，包括為新客戶推薦合適的商家，以及規劃新城市的配送路線。
他補充說：“隨著公司規模的擴大，這些界限被突破了。目前，我們的推理速度已經足夠快了，但是我們還需要為未來做計劃。”
閱讀更多 英偉達NVIDIA中國 的文章
