Из представителей отечественного автопрома, которые можно использовать в Яндекс Такси, в список вошли: Kalina от , Granta от , Vesta и X-Ray. Самая популярная категория, также относится к бюджетному сегменту. Рыночная стоимость машины для Эконома начинается от руб. Год выпуска для комфортабельных иномарок составляет , а для других машин в среднем от года.
Частые вопросы:
Стоимость автомобиля определяется на основе данных Авто. Перечисленные машины должны быть в хорошем состоянии, не старше года.Желательно наличие подушки безопасности для водителя и пассажира переднего сиденья. По принятой классификации к этой категории относятся машины стоимостью не дешевле руб.
- Классификатор: какой автомобиль подойдёт для выполнения заказов. У сервиса Яндекс Такси есть общие требования к автомобилям, которые могут выполнять заказы в разных тарифах
- Oct , Окончательное решение по каждому автомобилю остается за сервисом Яндекс Такси. Подобрать тариф. Car icon. Проверьте, какой тариф подходит вашему
- Aug , У сервиса bestfordrivers.ru есть общие требования к автомобилям, которые могут выполнять заказы в разных тарифах.
- Среднерыночную стоимость: определяем по данным bestfordrivers.ru за последние полгода. Окончательное решение по каждому автомобилю остается за сервисом Яндекс Такси
- У сервиса Яндекс Такси есть общие требования к автомобилям, которые могут выполнять заказы в разных тарифах. .
Помимо самого автомобиля, оценивается уровень комфорта. Отличия от предыдущей категории минимальны, но обязательное условие — кондиционер и подушки безопасности. В этот класс подходят машины из категории Эконом, если в качестве дополнительной опции имеется кондиционер. Водители имеют возможность повысить статус, если готовы самостоятельно расширить комплектацию.
В Яндекс Такси Комфорт Плюс практически не выделяется в самостоятельную категорию. Обычно сюда входят машины Комфорт, возраст которых не старше года и с расширенной комплектацией.
Экзамен Яндекс.Такси — тестирование и тренинги
В наличии должны быть задние электроподъёмники стёкол и современная аудиосистема. Перечень моделей ограничивается седанами с четырьмя дверями. Машины бизнес-класса предпочитают состоятельные клиенты и деловые люди, поэтому выбранное транспортное средство должно соответствовать.Конкретная стоимость не указывается, но ориентировочно выше руб. Проходной год выпуска не старше , в некоторых случаях допускается Расценки осуществляются по более высокому тарифу. Но для этой категории определён ряд дополнительных технических характеристик. Цвет кузова должен быть белый или чёрный тёмный , в салоне обязательно наличие зарядных устройств для Android и iPhone, зонт и качественная внутренняя отделка. Аудиосистема и климат-контроль обычно установлены по умолчанию.
Самая высокая категория со статусными машинами.
Oct , Классификатор: какой автомобиль подойдёт для выполнения заказов. У сервиса Яндекс Такси есть общие требования к автомобилям, которые могут выполнять заказы в разных тарифах Oct , Среднерыночную стоимость: определяем по данным bestfordrivers.ru за последние полгода. Окончательное решение по каждому автомобилю остается за сервисом Яндекс Такси Oct , Какой автомобиль подойдёт для выполнения заказов. Последнее обновление. окт . У сервиса Яндекс Такси есть общие требования к автомобилям, которые могут выполнять заказы в разных
Требования и возможность получить элитный тариф узнаётся при заключении договора. Машины из перечня должны быть новыми, не старше лет. Цвет кузова белый или чёрный, либо близкий к чёрному. Так как для нас важно быстро находить «плохие» автомобили, мы выбрали второй вариант. Как только основная часть сервиса была написана и он смог поддерживать необходимую функциональность, мы начали добавлять в него модели.Чтобы полностью одобрить проверку, нужно уметь отвечать на все вопросы инструкции, но чтобы ограничить недобросовестному водителю доступ к сервису, в некоторых случаях достаточно уметь отвечать хотя бы на один вопрос. Поэтому мы решили не ждать, пока будут готовы все модели, а добавлять их по мере готовности.
В конце концов наступил момент, когда мы добавили в сервис и протестировали последнюю модель. Теперь мы могли отвечать на все вопросы проверок, а значит автоматически их одобрять.
Содержание
Так как «хороших» автомобилей в Яндекс. Такси гораздо больше, чем «плохих», автоматическое одобрение проверок привело к резкому росту нашей основной метрики — части потока автоматизированных проверок. Нам оставалось только подобрать правильные пороги, которые бы максимизировали долю автоматизированных проверок, при этом сохраняя общие FPR и FNR всей системы на прежнем уровне.Для подбора порогов мы использовали выборку, которую независимо друг от друга размечали исполнители Яндекс. Толоки, асессоры и сотрудник Яндекс. Такси, обучавший асессоров проверять автомобили.
Так как «хороших» автомобилей в Яндекс. Такси гораздо больше, чем «плохих», автоматическое одобрение проверок привело к резкому росту нашей основной метрикичасти потока автоматизированных проверок. .Его разметку мы и использовали в качестве истинных значений целевой переменной. Как только мы включили модели в продакшн, нужно было измерить онлайн-качество решений, принятых на основе их ответов. И вот какие цифры мы увидели:. Таким образом, внедрение машинного обучения не только помогло сэкономить деньги, но и позволило сделать сервис более безопасным и комфортным для пользователей.
Тем не менее, это ещё далеко не конец истории. Наша быстро растущая команда и дальше будет активно работать над тем, чтобы автоматизировать ещё больше проверок и сделать Яндекс. Такси ещё более удобным, комфортным и безопасным.
Как Яндекс.
Требования к автомобилю Яндекс такси
Такси прогнозирует время подачи автомобиля с помощью машинного обучения. Data Scientist. Поиск Написать публикацию. Яндекс Как мы делаем Яндекс.В «Бизнесе» и «Премьере» от «Яндекс Такси» для работы на своем авто в требованиях к автомобилю указаны Стационарный контроль качества подразумевает общую проверку непосредственно транспортного средства, водителя и пакета документов. Общие требования к автомобилям для работы в Яндекс GO Такси. Фотоконтроль помогает сервису Яндекс Такси проверять каждый автомобиль на соответствие перечисленным критериям. .
Время на прочтение 10 мин. Как был устроен ДКК до прихода машинного обучения Схема процесса ДКК В процессе ДКК мы проверяем фотографии автомобиля и принимаем решение о том, можно ли выполнять заказы на таком автомобиле или, например, перед этим его стоит помыть. Толоке два исхода: Если визуально с автомобилем всё в порядке, водитель продолжает принимать заказы.Если автомобиль грязный, повреждён, либо его марка, цвет или номер не соответствуют указанным в карточке водителя, Яндекс.
- сент . У сервиса bestfordrivers.ru есть общие требования к автомобилям, которые могут выполнять заказы в разных тарифах. Чтобы определить, подходит ли машина для тарифа, мы учитываем
- дн. назад сент . У сервиса Яндекс Такси есть общие требования к автомобилям, которые могут выполнять заказы в разных тарифах. Как машины попадают в классификатор. Чтобы определить, подходит ли машина для .
- Oct , Окончательное решение по каждому автомобилю остается за сервисом Яндекс Такси. Уточнить, какие машины могут работать в каждом тарифе, вы можете
Такси временно ограничивает возможность водителя принимать заказы. Толоки Задача C ростом Яндекс. Как мы внедряли машинное обучение в ДКК Схема процесса ДКК с ML внутри Для начала мы определились с постановкой задачи: автоматизировать как можно больше проверок, при этом не увеличив частоту ошибок в общем потоке. Из условий задачи ясно, что нас интересуют три величины: Доля потока, на который модели машинного обучения могут дать ответ автоматически.
FNR системы.
Последнее обновление 30 окт В премиальных тарифах очная проверка обязательна — мы приглашаем на неё раз в год. Если пользователи часто жалуются на состояние машины, мы можем отправить автомобиль на дополнительную проверку. В остальных тарифах очные проверки не регулярные проверка авто для яндекс такси не обязательные — мы приглашаем на них, только если на других проверках мы нашли проблемы. Это ваша возможность исправить недочёты и вернуть доступ к заказам. Если вы потеряли доступ к заказам пользователей сервиса после проверки тайным покупателем, решения службы поддержки, мобильного контроля качества или фотоконтроля, мы позовём вас на очную проверку.
FPR системы. Мы максимизируем первую величину при соблюдении ограничений на вторую и третью. Выбор модели Можно сказать, что проверка ДКК сводится к выбору вариантов ответов для ряда вопросов о состоянии автомобиля по его фотографиям, а это звучит как задача классификации изображений. Первый вариант решения или подход «всё и сразу» Теперь, когда мы поняли, что оптимизировать и для чего, настало время собрать данные и обучить на них модели.Подход «всё и сразу» Проблемы подхода «всё и сразу»: Мы не могли ответить на вопрос о соответствии номера автомобиля на фото указанному в карточке водителя. Большая сеть для классификации изображений не справлялась с такой задачей, для этого нужна специальная модель Optical Character Recognition OCR , заточенная распознавать номерные знаки. Целевая переменная была неполной и зашумлённой.
Находя во внешнем виде автомобиля серьёзный недочёт, которого было достаточно для принятия решения, асессоры зачастую забывали ответить на остальные вопросы.
Какие машины подходят для Яндекс Такси и какие требования предъявляются к водителям. .А значит, если автомобиль на фото был одновременно и грязным, и битым, то с высокой вероятностью мы наблюдали только одну из отметок: «грязный автомобиль» или «автомобиль с повреждениями», в то время как для нашей модели требовались обе.
Отсутствовала интерпретируемость решения модели. Модель могла с точностью выше случайной ответить на главный вопрос проверки, но этот ответ слабо коррелировал с ответами на остальные вопросы. Иными словами, если ответ был: «Стоит ограничить возможность принимать заказы», — мы почти никогда не видели причину такого решения в остальных ответах модели. В целом, точность ответов на все вопросы, кроме главного, была близка к случайной.
Мы не могли объяснить водителю, что именно нужно исправить, чтобы снова принимать заказы, а значит, не могли ограничивать возможность водителя принимать заказы. Количество ошибок false negative в ответе на вопрос: «Нужно ли ограничивать возможность водителя принимать заказы. Мы не смогли обеспечить такой же FNR, как в системе, работающей без машинного обучения, а это было одним из требований в нашей задаче. Подход «всё, но постепенно» Когда-то давно наша служба уже занималась автоматизацией ДКК и успела внедрить модель, которая позволяет фильтровать тёмные и нерелевантные фотографии.
Внедрение в продакшн Перед нами стоял выбор: запустить регулярный процесс, который будет применять модели к скопившимся в очереди проверкам, или сделать отдельный сервис, куда можно будет ходить по API и получать ответы моделей в реальном времени. Обобщённо пайплайн добавления модели выглядит так: Собрать выборку. Обучить модель. Измерить качество и подобрать пороги офлайн. Добавить модель в сервис в фоновом режиме и измерить качество онлайн.
Включить модель в продакшн и начать принимать решения на основе её предсказаний. Результаты Как только мы включили модели в продакшн, нужно было измерить онлайн-качество решений, принятых на основе их ответов. FNR остался на том же уровне, а FPR упал, и мы стали реже ограничивать доступ к сервису тем, кто этого не заслужил. Время обнаружения автомобилей с серьёзными недочётами в ходе проверки сократилось с нескольких часов до нескольких секунд.
Такси мы столкнулись с множеством проблем, отыскали несколько успешных решений и сделали шесть важных выводов: Не всегда можно решить задачу в лоб даже если у вас есть Deep learning. Модель настолько хороша, насколько хороши данные, на которых её обучили звучит банально, но это так. В решении любой задачи важно отталкиваться от реальных нужд бизнеса, а не от минимизации кросс-энтропии.
В решении некоторых задач люди по прежнему важны, несмотря на внедрение машинного обучения привет, Яндекс. Решения на основе предсказаний моделей машинного обучения могут приниматься не во всех случаях, а только в той части, где модели очень уверены в своих ответах. В остальных случаях, вероятно, стоит принимать решения старым способом — с помощью людей.
Помимо выбора архитектуры и обучения модели, есть ещё множество стадий проекта, которые могут очень сильно повлиять на то, как хорошо будет решена задача бизнеса. Эти стадии: сбор данных, выбор метрик качества, варианта внедрения модели, продуктовой логики принятия решений на основе предсказаний моделей и многое другое. Ещё из интересного про технологии Такси Динамическое ценообразование, или Как Яндекс. Теги: машинное обучение data science computer vision такси команда яндекс go.
Комментарии Никита Селезнев stleznev. Отправить сообщение. Комментарии Комментарии Лучшие за сутки Похожие.
Классы авто и тарифы Яндекс Такси
Одной из важных деталей, которую необходимо учесть, является тот факт, использовалась ли машина в такси или каршеринге. Иногда автомобили, использовавшиеся в такси, могут иметь более высокий пробег и больше износа, что важно учитывать при оценке стоимости автомобиля и его долговечности. Но как узнать, работала ли машина в такси? В данной статье мы рассмотрим различные методы проверки авто для такси проверка авто для яндекс такси ответим на этот вопрос.
В этих базах можно найти информацию о том, на кого была зарегистрирована машина и использовалась ли она в коммерческих целях. Если автомобиль был зарегистрирован на юридическое лицо или ИП, это может быть индикатором того, что автомобиль использовался в такси.