Фотоконтроль брендинга Яндекс.Такси

Такси водители могут проверить подходит ли машина для работы в Яндекс. Такси, если подходит, то к какому тарифу классификатора. Это общие требования для автомобилей, на которых планируется работа в тарифах такси. Если машина подходит по текущим требованиям, то далее следует просмотреть классификатор автомобилей Яндекс. Такси, в котором указаны модели авто и год выпуска начиная с которого данный автомобиль может выполнять заказы такси.

Принимаю акцептую договор оферту агентский договор и согласен на обработку персональных данных.

Как пользоваться классификатором

Для выполнения заказов автокурьерами, подходят все автомобили вне зависимоти от марки, модели и возраста машины, но автомобиль должен быть с чистым салоном. Поэтому если ваш автомобиль не подошел для пассажирских перевозок, то вы можете подработать в Яндекс.

Это не только перевозка еды, но и негабаритные грузы: документы, пару коробок, пакеты. Автомобили для тарифа грузовой делятся по классификатору Яндекс на несколько типов. В зависимости от габаритов грузового отсека и грузоподъемности грузовое такси делится на: 1.

• Для проверки того, работала ли машина в bestfordrivers.ru, можно воспользоваться сервисом Яндекса.

• Проверить авто на работу в такси можно через сервис «Автокод».

• Классификатор: какой автомобиль подойдёт для выполнения заказов. У сервиса Яндекс Такси есть общие требования к автомобилям, которые могут выполнять заказы в разных тарифах

• Отправьте запрос в единый реестр такси и получите ответ на свою электронную почту бесплатно всего за пару минут. VIN код ТС; Регистрационный знак ТС. Укажите.

Маленький кузов. К данной категории относят автомобили автофургоны, имеющие следующие характеристики: Длина кузова — не менее см Ширина загрузки — не менее см Высота — не менее 90 см 2.

Средний кузов: Сюда относят стандартные грузовики Длина кузова — не менее см Ширина загрузки — не менее см Высота — не менее см. Большой кузов: Длина кузова — не менее см Ширина загрузки — не менее см Высота — не менее см. В зависимости от города, условия и требования к автомобилям, которые подходят для работы в Яндекс. Такси меняются.

Яндекс Про — деньги

Например: Lada Kalina или Lada Priora могут быть недоступны к заказам в Москве, а например в Казани может выполнять заказы по трифу эконом.

Выберите свой город и посмотрите свежий актуальный список автомобилей Яндекс. Тут может возникнуть вопрос: почему бы не максимизировать экономию денег или минимизировать среднее время проверки напрямую, а не через долю автоматизированных проверок. Оптимизировать деньги — очень привлекательная идея, но, как правило, трудноосуществимая. В нашем случае экономия складывается из двух факторов: первый — экономия с каждой автоматизированной проверки, ведь каждая проверка у асессоров или в Яндекс.

Толоке стоит денег; второй — экономия с уменьшения числа ошибок, ведь каждая ошибка стоит Яндекс.

Oct , Окончательное решение по каждому автомобилю остается за сервисом Яндекс Такси. Подобрать тариф Проверьте, какой тариф подходит вашему автомобилю Oct , Окончательное решение по каждому автомобилю остается за сервисом Яндекс Такси. Уточнить, какие машины могут работать в каждом тарифе, вы можете в своём таксопарке Aug , Для фотоконтроля автомобиля не надо никуда ехать. Достаточно подготовить машину и сделать её фото с помощью Яндекс Пров приложении будут подсказки

Такси денег. Объективно посчитать, во сколько нам обходятся ошибки, — очень сложная задача, поэтому мы ограничены расчётом экономии только по первому фактору. Такая величина монотонно возрастает по доле автоматизированных проверок, так что можно максимизировать эту долю вместо экономии. Такие же рассуждения применимы к среднему времени ДКК, оно так же монотонно убывает по доле автоматизированных проверок.

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. Такие задачи решает компьютерное зрение, а в наше время — конкретный инструмент, свёрточные нейронные сети. Их мы и решили использовать для автоматизации ДКК.

Теперь, когда мы поняли, что оптимизировать и для чего, настало время собрать данные и обучить на них модели.

Собрать данные было легко, потому что все проверки ДКК логируются и лежат в хранилище в удобном виде. В первом варианте решения в качестве признаков выступали фото экстерьера и интерьера машины с четырёх ракурсов, марка, модель и цвет машины, а также результаты 10 предыдущих проверок ДКК. Как целевые переменные мы взяли ответы на все вопросы проверки, например: «Повреждён ли автомобиль?

Главной целевой переменной был ответ на главный вопрос: «Нужно ли ограничивать возможность водителя принимать заказы. Мы учили одну большую модель, очень похожую на VGG с SENet attention, отвечать на все вопросы одновременно и в итоге столкнулись с несколькими проблемами. Подход «всё и сразу». Вместе эти четыре причины не позволили нам применить первый вариант решения на практике, но мы не стали унывать и придумали второй вариант.

Будьте водителем в свободное время

Кроме того, мы решили разбить общую задачу на подзадачи и научиться отвечать на все вопросы ДКК по отдельности.

Подход «всё, но постепенно». Когда-то давно наша служба уже занималась автоматизацией ДКК и успела внедрить модель, которая позволяет фильтровать тёмные и нерелевантные фотографии.

Очная проверкаэто проверка автомобиля и документов вживую. В премиальных тарифах очная проверка обязательнамы приглашаем на неё раз в год

Эту модель мы продолжили использовать и дальше, чтобы отвечать на вопрос: «Присутствуют ли следующие настоящие фотографии машины: перед, левый бок, правый бок, зад?

Наша работа над вторым вариантом решения началась с того, что мы использовали модель службы компьютерного зрения Яндекс. Поиска от тех самых людей, которые сделали DeepHD для распознавания номерных знаков на автомобилях. Так мы смогли ответить на вопрос: «Соответствуют ли полностью номер и код региона автомобиля указанным в карточке водителя?

Далее мы обучили классификаторы автомобилей распознавать марки и модели, а также цвета. С этого момента мы могли отвечать на вопрос: «Соответствуют ли марка, модель и цвет автомобиля указанным в карточке водителя. В завершение мы обучили классификаторы находить повреждённые и грязные автомобили, это позволило закрыть вопросы: «Есть ли повреждения или дефекты на кузове автомобиля?

Подход «всё, но постепенно» позволил нам решить проблему проверки номера автомобиля. Также мы смогли избавиться от неполноты и зашумлённости целевой переменной, ведь теперь у нас была выборка, где объектами класса negative были полностью успешные проверки, а объектами класса positive — проверки, где асессор или все три исполнителя Яндекс.

Толоки нашли определённый недочёт, например повреждения корпуса.

После решения первых двух проблем наши модели стали интерпретируемыми, и мы могли объяснить водителю причину ограничения, чтобы к следующей проверке он исправил недочёты. Общее качество ответов на вопросы также сильно выросло, а FPR и FNR для некоторых комбинаций порогов уверенности моделей упали до уровня Яндекс. Толоки, что позволило внедрять модели 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.

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.

Обобщённо пайплайн добавления модели выглядит так:.

Такой подход позволил нам не только моментально находить всё больше «плохих» автомобилей по мере внедрения новых моделей, но и без дополнительных временных затрат измерять качество онлайн, пока модели работали в фоновом режиме.

Очная проверкаэто проверка автомобиля и документов вживую База знанийЯндекс ТаксиЯндекс ДоставкаЯндекс ЕдаЯндекс ЛавкаЯндекс МаркетЯндекс Самокаты. Oct , У сервиса Яндекс Такси есть общие требования к автомобилям, которые могут выполнять заказы в разных тарифах. Aug , Как проверить авто на работу в такси по базе данных года. Как не купить машину из такси. Узнайте, была ли машина в такси: проверка по 

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. 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.

• Всё начинается с того, что через водительское приложение Таксометр мы вызываем водителя на ДКК. Обычно это происходит раз в дней, но иногда реже или чаще – в  Вопросы по теме.

• ФГИС «Такси» позволяет каждому желающему узнать о наличии действующего разрешения (лицензии) такси по номеру автомобиля и по VIN. Система работает в регионах России. Обновлено ..

• Онлайн сервис для проверки автомобиля (транспортного средства) в едином реестре на использование в качестве такси. Чтобы бесплатно узнать была ли машина в 

Для подбора порогов мы использовали выборку, которую независимо друг от друга размечали исполнители Яндекс.

Толоки, асессоры и сотрудник Яндекс. Такси, обучавший асессоров проверять автомобили. 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.

Ежегодно мы обновляем классификатор — список автомобилей, которые подходят по году, марке и модели и смогут дальше выполнять заказы в сервисе. Классификатор последнее обновление 15 мар Пожалуйста, ознакомьтесь с ним ниже. Если ваш автомобиль не проходит по новым требованиям, постарайтесь заранее поменять его на подходящее авто. Яндекс проверка автомобиля такси машин, которых нет в классификаторе, начнётся с 15 мар Окончательное решение по каждому автомобилю остается в какой стране придумали яндекс такси сервисом Яндекс.

Уточнить, может ли ваша машина работать в выбранном тарифе, вы всегда можете в своём таксопарке.

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. В работе над автоматизацией ДКК в Яндекс.

У сервиса bestfordrivers.ru есть общие требования к автомобилям, которые могут выполнять заказы в разных тарифах. Ежегодно мы обновляем классификаторсписок автомобилей, которые подходят по

Такси мы столкнулись с множеством проблем, отыскали несколько успешных решений и сделали шесть важных выводов:. Динамическое ценообразование, или Как Яндекс. Такси прогнозирует высокий спрос. Как Яндекс. Такси прогнозирует время подачи автомобиля с помощью машинного обучения.

Data Scientist. Поиск Написать публикацию. Яндекс Как мы делаем Яндекс. 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. 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. 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.

Общие требования в авто

Последнее обновление 18 окт У сервиса Яндекс Такси есть общие требования к автомобилям, которые могут выполнять заказы в разных тарифах — так формируется классификатор. Классификатор — это список автомобилей, на которых можно выполнять заказы в разных тарифах. Он регулярно обновляется. Среднерыночную стоимость: определяем по данным Авто.

Цена Такси зависит от модели телефона? 😱 Проверка в Яндекс Go