Techsauce đã có cuộc phỏng vấn với người đứng đầu bộ phận Khoa học dữ liệu (Machine Learning) - ông Jagannadan Varadarajan, hiện đang làm việc tại trụ sở của Grab tại Singapore. Ông là giám đốc của Grab-NUS Lab, một sự hợp tác giữa Grab và Đại học Quốc gia Singapore (NUS) để phát triển hệ thống giao thông Singapore. Cuộc phỏng vấn này tập hợp nhiều quan điểm khác nhau và đưa ra các ví dụ rõ ràng về cách thông tin có thể được sử dụng để mang lại lợi ích cho doanh nghiệp và xã hội.
Grab đã sử dụng thông tin hiện có như thế nào để tạo ra các giải pháp? Ông đã lên các kế hoạch cho tương lai hay chưa?
Tắc nghẽn giao thông là một trong những vấn đề lớn nhất của Thái Lan. Trên thực tế, Bangkok được xếp hạng là thành phố tắc nghẽn nhất châu Á năm 2017.
Về cơ bản, với sự sẵn có của Grab, chúng tôi hy vọng sẽ cung cấp cho nhiều người ít lý do hơn để sở hữu một chiếc xe hơi. Hơn nữa, mỗi ngày, đội ngũ tài xế Grab đang đi khắp các con đường lớn và nhỏ ở Đông Nam Á. Các lái xe của chúng tôi di chuyển trên mọi con đường quan trọng nhiều lần trong ngày. Ứng dụng lái xe Grab tạo dữ liệu GPS, cho phép chúng tôi thu thập một kho thông tin khổng lồ. Dữ liệu phong phú đến mức khi các điểm GPS được đặt cùng nhau, chúng trông giống như một bản đồ của thành phố.
Chúng tôi đang sử dụng dữ liệu này để xây dựng các mô hình Máy học và Trí tuệ nhân tạo tốt hơn để dự đoán tắc nghẽn giao thông, sự cố giao thông và thời gian di chuyển. Chúng tôi cũng sử dụng các thay đổi về cung và cầu trong lịch sử và thời gian thực để dự đoán các tín hiệu này theo thời gian. Điều này, đến lượt nó, giúp chúng tôi làm những việc như nhắc nhở các tài xế của mình di chuyển đến những khu vực có nhu cầu cao để họ có được công việc và mọi người có thể tận hưởng được những chuyến đi của mình.
Ngoài ra, chúng tôi cũng đang hợp tác với các cơ quan chính phủ và các tổ chức khác để sử dụng dữ liệu giao thông của mình để giải quyết các vấn đề an toàn giao thông và đường bộ trên khắp Đông Nam Á. Ví dụ: chúng tôi đóng góp dữ liệu GPS điều khiển ẩn danh, tổng hợp cho nền tảng OpenTraffic. Dữ liệu từ nền tảng đó có thể được sử dụng bởi các cơ quan giao thông và các nhà quy hoạch thành phố để giảm bớt tình trạng tắc nghẽn trên đường, bằng cách cải thiện thời gian tín hiệu giao thông hoặc quy hoạch tuyến đường. Các nhà quy hoạch thành phố cũng có thể đưa ra quyết định tốt hơn về nơi xây dựng cơ sở hạ tầng đường bộ.
Hợp tác với Đại học Quốc gia Singapore, chúng tôi đã thành lập Phòng thí nghiệm trí tuệ nhân tạo Grab -NUS AI để tạo ra một nền tảng trí tuệ nhân tạo mạnh mẽ, phục vụ học máy và phân tích hình ảnh quy mô lớn nhằm phát triển các ứng dụng mới từ bộ dữ liệu khổng lồ của Grab. Ví dụ, hỗ trợ các cơ quan vận tải trong việc giám sát và tối ưu hóa lưu lượng giao thông.
Chúng tôi cũng đang xem xét làm thế nào các dịch vụ đi xe chung có thể được triển khai hợp lý ở Thái Lan, để có thể khuyến khích việc đi chung xe nhiều hơn và giảm thiểu lượng phương tiện trên đường phố. Ví dụ, dữ liệu của chúng tôi cho thấy thời gian di chuyển từ chợ Pratunam đến sân bay Don Muang có thể được cải thiện mạnh mẽ. Nếu tuyến đường này được phục vụ tốt hơn bởi các giải pháp giao thông chia sẻ, chẳng hạn như xe buýt, xe lửa, đi chung xe, chúng tôi có thể khiến thời gian di chuyển trong giờ cao điểm giảm 25%, từ 45 xuống còn 34 phút.
Ông đã triển khai Học máy và trí tuệ nhân tạo trong các dự án thực tế?
Grab có rất nhiều dữ liệu. Trên thực tế, chúng tôi tạo ra 20 terabyte dữ liệu hàng ngày. Nhưng có dữ liệu mới chỉ là một nửa của phương trình. Điều quan trọng không kém là có các công cụ và khả năng để chuyển đổi dữ liệu này thành các tính năng thông minh, có thể được sử dụng để liên tục cải thiện trải nghiệm của khách hàng và thậm chí chuyển đổi các thành phố thông minh trong tương lai. Đây là nơi khoa học dữ liệu xuất hiện. Và đó là lý do Grab đã đầu tư rất nhiều vào trí tuệ nhân tạo, nghiên cứu về máy học và vận hành. Trong lĩnh vực thanh toán, chúng tôi sử dụng dữ liệu thu nhập và hành vi của tài xế để phát triển mô hình chấm điểm tín dụng, nhằm đánh giá mức độ tín nhiệm của tài xế. Điều này giúp chúng tôi mở rộng hạn mức tín dụng cho các tài xế (những người không vay tiền thông qua các cơ sở ngân hàng thông thường) để giải quyết các nhu cầu hàng ngày của họ như bảo dưỡng xe, mua nhiên liệu hoặc thanh toán hóa đơn tiện ích.
Trong phân phối thực phẩm, chúng tôi sử dụng trí tuệ nhân tạo để hiểu sở thích của khách hàng, để chúng tôi có thể đề xuất các nhà hàng và mặt hàng thực phẩm được bản địa hóa, theo xu hướng và phù hợp với khẩu vị của khách hàng. Chúng tôi cũng sử dụng mô phỏng và tối ưu hóa để cải thiện từng ngày, để các đối tác giao hàng có thể giảm thiểu thời gian di chuyển và người tiêu dùng có thể nhận được thực phẩm của mình một cách nhanh chóng.
Trong vận chuyển, chúng tôi sử dụng trí tuệ nhân tạo để ước tính chính xác thời gian di chuyển và cải thiện bản đồ của mình, sử dụng số lượng lớn đường mòn GPS để suy luận và điều chỉnh hình dạng bản đồ của chúng tôi. Một tính năng mới mà chúng tôi mới triển khai gần đây cho phép các tài xế hoàn thành càng nhiều công việc càng tốt giữa vị trí hiện tại và nhà của họ. Nó sẽ kết hợp với các tài xế với các điểm đến của hành khách trên đường đi về nhà của họ, để các tài xế không phải di chuyển cả một quãng đường dài trở về nhà với một chiếc xe trống và cơ hội doanh thu bị bỏ lỡ.
Ông có thể cho biết về một ví dụ đã thành công của thử nghiệm A/B?
Tại Grab, chúng tôi liên tục cố gắng cải thiện trải nghiệm người dùng của ứng dụng cho cả hành khách và các đối tác tài xế. Để làm được điều đó, chúng tôi liên tục thử nghiệm và trên thực tế, nhiều cải tiến chúng tôi triển khai cho ứng dụng Grab là kết quả trực tiếp của các thử nghiệm thành công. Thử nghiệm A/B là một tính năng quan trọng của thử nghiệm. Chúng tôi sử dụng các thử nghiệm A/B để xác định biến thể nào trong hai hoặc nhiều biến thể, thường là những cải tiến nhỏ, tạo ra kết quả tốt nhất. Chúng tôi sử dụng thử nghiệm A/B trong nhiều lĩnh vực, bao gồm thuật toán tìm kiếm và đề xuất, giá & phí, kiến trúc trang web, chiến dịch tiếp thị ra bên ngoài, nhắn tin giao dịch và giới thiệu sản phẩm.
Làm thế nào thông tin được thu thập bởi Grab có thể được sử dụng để mang lại lợi ích cho chính phủ?
Dữ liệu từ các dịch vụ khác nhau mà chúng tôi cung cấp cho phép chúng tôi có được những hiểu biết cực kỳ chính xác về:
- Mô hình đi lại của người dân: Điều này giúp hiểu cách mọi người đi lại vào các thời điểm khác nhau trong ngày, có thể được sử dụng để lên kế hoạch tốt hơn cho cơ sở hạ tầng thành phố, giao thông công cộng và xây dựng các chính sách giao thông tốt hơn.
- Kịch bản giao thông ở mọi đoạn đường của thành phố: điều này có thể giúp chính phủ dự đoán thời gian đi lại và hiểu tác động của giao thông, để họ có thể thực hiện các phương pháp để giảm bớt tắc nghẽn giao thông trong giờ cao điểm.
- Cung và cầu: Điều này giúp hiểu được nơi mọi người tụ tập vào các thời điểm khác nhau trong ngày và phương thức vận chuyển ưa thích của họ. Thông tin này có thể được sử dụng làm đầu vào để lập kế hoạch và tổ chức các vùng lân cận khác nhau.
- Mô hình ăn uống của mọi người: Khi chúng tôi chuyển sang nhiều dịch vụ hơn như thực phẩm, chúng tôi cũng đã sử dụng thông tin về mức độ phổ biến của nhà hàng, loại hình ẩm thực và loại thực phẩm để hiểu về cách ăn uống của mọi người, có thể được sử dụng để tăng cường sức khỏe và vệ sinh, kiểm soát chất lượng và giảm thiểu lãng phí thức ăn.
Grab đã làm việc với chính phủ như thế nào để quản lý dữ liệu?
Chúng tôi tích cực làm việc với các chính phủ và cơ quan quản lý trên khắp Đông Nam Á để sử dụng nhiều petabyte dữ liệu được thu thập trên nền tảng của mình, để có thể phát triển và tối ưu hóa dịch vụ cho các thành phố ở Đông Nam Á. Ngoài việc cung cấp dữ liệu vị trí tài xế của chúng tôi cho nền tảng OpenTraffic – nền tảng hợp tác với Ngân hàng Thế giới để cung cấp cho các chính phủ Đông Nam Á, hiện đang ở Myanmar, Indonesia và Philippines, truy cập vào thông tin giao thông thời gian thực, chúng tôi cũng đang khám phá cách sử dụng dữ liệu từ Grab để giúp chính phủ trực tiếp lập kế hoạch giao thông, bổ sung cho nhu cầu chưa được đáp ứng trong vận tải, và vạch ra mức độ ảnh hưởng đến các thành phố khi số lượng xe hơi ngày càng tăng.
Nhiệm vụ của Grab trong việc tạo ra thành phố thông minh là gì?
Grab cam kết thúc đẩy Thái Lan hướng tới một tương lai thành phố thông minh và đã hợp tác với các đối tác từ nhiều lĩnh vực khác nhau, bao gồm chính phủ, để đạt được mục tiêu này. Một ví dụ nổi bật là sự kiện MotoGP vào tháng 10/2018, trong đó chúng tôi đã hợp tác với Văn phòng chính quyền tỉnh Buriram để thí điểm dự án Di động thông minh, nhằm thúc đẩy tỉnh hướng tới tương lai thành phố thông minh. Động thái này phù hợp với tầm nhìn của Mô hình Buriram, nhằm mục đích thúc đẩy tăng trưởng kinh tế và du lịch của tỉnh, đồng thời cải thiện thu nhập bền vững và chất lượng cuộc sống của cư dân địa phương. Trong tương lai gần, chúng tôi đang tìm cách hợp tác với các tỉnh khác, đặc biệt là các thành phố du lịch thứ cấp, theo cách tương tự.
Năm ngoái, Grab cũng đã ra mắt “Lộ trình công nghệ an toàn hơn mỗi ngày” tại Thái Lan với mục đích làm cho các thành phố Thái Lan trở nên thông minh hơn và an toàn hơn. Yếu tố chính của lộ trình là tăng cường các tiêu chuẩn an toàn đường bộ, để loại bỏ các sự cố có thể phòng ngừa bằng cách giám sát các tài xế.
