Как стартапы разрабатывают и внедряют алгоритмы сопоставления

В наши дни большая часть нашей жизни продиктована алгоритмами. Наши потоковые сервисы решают, какие фильмы и телепередачи подойдут нам на основе нашей предыдущей истории просмотра и очевидных вкусов. Наши приложения для знакомств устанавливают нам матчи, которые могут разжечь роман. Даже наши приложения для поездок на лошадях пытаются связать нас с лучшим водителем на дороге.

Итак, как именно стартапы справляются с разработкой этих алгоритмов сопоставления и чему может научиться средний предприниматель на этих примерах?


Групповые поездки

Во-первых, сервисы совместного пользования, такие как Uber, используют специальный алгоритм отправки, чтобы убедиться, что самый близкий и наиболее подходящий автомобиль для поездки — это всегда тот, который подходит для него. Несмотря на такую ​​простую предпосылку, архитектура алгоритма довольно сложна. Есть две основные цели: получить быстрое прибытие для гонщиков и максимизировать количество поездок, которое может получить каждый водитель. Uber использует агентное моделирование, чтобы экспериментировать с различными комбинациями параметров, дающими разные результаты, вычисляя такие факторы, как независимые водители в роуминге или стационарные, и насколько близки различные водители к водителям по всему городу. Только благодаря интенсивным экспериментам и постоянным изменениям Uber смог найти надежный алгоритм, который подходит как пассажирам, так и пассажирам.

Алгоритмы, относящиеся к медицине и здравоохранению, как правило, предназначены для поиска соответствия на основе биологической совместимости. Например, ConceiveAbabilities использует алгоритмический подход Matching Matters, чтобы попытаться сопоставить суррогатов, доноров и родителей на основе опыта и предпочтений по ряду различных аспектов. Это включает в себя историю болезни, а в некоторых случаях даже личностные качества.

Некоторые вопросы здоровья являются более простыми, чем другие. Например, существует восемь различных групп крови и четкая иерархия донорской ценности в зависимости от типа получателя. Отрицательный донор технически является универсальным донором, способным сдавать кровь любому реципиенту, независимо от группы крови, но в большинстве случаев отрицательный реципиент будет лучше с отрицательным донором. Алгоритмы также должны включать такие данные, как текущие уровни питания, редкость каждого типа крови и текущие совокупные потребности пациента. Например, если имеется дефицит отрицательной крови А, то отрицательная отрицательная концентрация может быть лучше.


Потоковые сервисы

Мы также можем рассмотреть сложности алгоритмов, стоящих за рекомендациями, которые вы видите в потоковых сервисах. По оценкам, 80 процентов телешоу и фильмов, которые смотрят на Netflix, можно найти через систему подписи. Как и следовало ожидать, Netflix собирает тысячи точек данных, прежде чем давать рекомендации, подсчитывая, сколько часов вы тратите на просмотр, какие шоу и фильмы вы смотрите, что у вас есть в списке и исторически, как вы оценивали вещи (хотя эта функция не дольше активен). Затем Netflix сортирует людей по различным «вкусовым группам» или группам людей, которые имеют схожие предпочтения. Интересно, что в Netflix люди классифицируют фильмы и телепередачи на разные, сверхспецифичные «микро жанры», чтобы потом их можно было рекомендовать именно тем людям, которые им нужны. Затем новые рекомендации сортируются в ряд строк с высокой вероятностью совпадений в верхнем левом углу и уменьшением качества совпадений вниз и вправо.

Spotify делает нечто подобное, хотя в большей степени полагается на музыку, которую предпочитают отдельные слушатели. Он также группирует слушателей по схожим вкусовым категориям, а затем рекомендует исполнителей на основе того, что он находит в плейлистах людей, похожих на вас.

Одна из самых интересных ниш для алгоритмов — это их применение в мире приложений для знакомств, которые пытаются сопоставить людей на основе романтической совместимости, используя лишь несколько факторов. Например, Tinder хранит секретный внутренний рейтинг, оценивая отдельных пользователей в зависимости от того, как часто они нравятся и взвешиваются, в зависимости от того, насколько привлекательны они. В конце концов, люди объединяются в группы желательности. С большей вероятностью вас будут показывать в стеке того же уровня, что и вы. Конечно, приложение также объединяет другие факторы, такие как возраст, местоположение и сходство профилей между потенциальными совпадениями.
Большинство упомянутых здесь алгоритмов являются проприетарными, поэтому понятно, что мы не можем углубиться в подробности, чтобы узнать, как именно они функционируют. Тем не менее, есть некоторые важные выводы, которые следует учитывать. Во-первых, качественные алгоритмы делают определения, основанные на нескольких целях, а не просто имеют одну цель. Во-вторых, они опираются на огромные наборы данных. Наконец, алгоритмы постоянно развиваются, позволяя им адаптироваться к новым открытиям и постепенно приближаться к совершенству. Разработать алгоритм с нуля непросто, но он может стать одним из важнейших факторов долгосрочного успеха вашего бизнеса.