택시 통합업체 업무에서의 머신러닝

기술의 급속한 발전은 택시를 비롯한 다양한 분야의 비즈니스에 영향을 미쳤습니다. 2000년대 초반에는 택시를 부르려면 배차 담당자에게 전화해야 했지만, 이제는 모든 것이 훨씬 간단해졌습니다 — 휴대전화에서 애플리케이션을 열고 필요한 주소를 입력하기만 하면 됩니다. 디지털화는 택시 사업이 소비자와 소통하는 방식 뿐 아니라 업무 프로세스의 구조 자체에도 변화를 가져왔습니다. 디지털 기술이 도입되기 전에는 회사에 등록된 모든 차량에 대해 차량의 안전성과 청결도에 대한 물리적인 통제가 이루어졌으나, 이제는 도심 거리로 나가기 전 차량 점검도 원격화됐습니다. 택시 통합업체의 차량 검사 디지털화에는 두 단계가 있습니다: 머신러닝 도입 전과 후입니다. 원격 품질관리를 통과하려면 차량 내부와 외부를 다양한 각도에서 촬영한 사진을 제공해야 합니다. 자동차의 내외부 청결도, 신청서에 작성되었던 내용과 필요한 정보(번호, 브랜드, 색상)의 준수 여부를 평가하는 3명의 서비스 직원(평가자)이 받은 사진을 확인합니다. 모든 것이 정상이면 운전자는 계속해서 일을 하고 콜을 수락할 수 있지만, 문제가 있으면 서비스 직원이 자동차를 보내서 추가 검사를 받게 합니다. 그러나, 사업이 성장하면서 점검을 기다리는 차량의 수도 늘어나지만, 빠른 점검을 위한 자원이 부족한 경우도 많이 있습니다. 이것이 바로 머신러닝의 도움이 필요한 곳입니다. 자동차의 적합성을 평가하는 작업에서 머신러닝의 역할은 품질을 유지하면서 점검을 자동화하는 것입니다. 여기에는 자동화 대상 세 가지 분류가 있습니다:
o 인공지능이 자동으로 응답할 수 있는 공정 비율;
o 검사 후 콜을 받을 수 있지만, 다양한 기준에 부적합한 자동차를 소유한 운전자의 비율
o 검사 후 콜을 받을 수 없지만, 다양한 기준에 적합한 자동차를 소유한 운전자의 비율. 위에 나열된 자동화의 모든 구성 요소 중에서 첫 번째 항목이 자동화하기 가장 쉬운 항목입니다. 왜냐하면, 원격 검사에는 운전자가 보낸 사진을 기반으로 자동차 상태에 대한 답변 옵션을 선택하는 작업이 포함되는데, 이 작업은 컴퓨터 비전으로 처리 가능하기 때문입니다. 이 작업에서 인공 지능의 가장 큰 어려움은 모든 질문을 한 번에 답할 수 없다는 것입니다: 예를 들어, 자동차 번호가 애플리케이션에서 운전자가 지정한 번호와 일치하는지 여부에 대한 질문에 답하기 위해 특수 광학 문자 인식(Optical Character Recognition : OCR) 모델이 필요합니다. 더구나 종종 모델에 오류가 있어 자동차에 정확히 무엇이 문제인지에 대한 질문에 정확하게 대답할 수 없으며, 대답이 특정 택시 운전사의 수입에 영향을 받는 상황에서는 이것이 매우 중요해집니다. 이러한 경우에 대한 해결책은 하나의 작업을 여러 하위 작업으로 나누는 것입니다. 대부분의 경우 운전자는 자동차 외부 사진을 보내고 그 숫자가 운전자가 프로필에 표시한 것과 일치하는지에 대한 단계별 간단한 질문에 답하도록 모델을 교육합니다 — 따라서 모델이 더 정확한 답변을 제공하고, 이는 뭔가 문제가 있는 자동차를 찾아내는데 도움이 됩니다. 결과적으로 이로 인해 매우 어려운 문제를 다루는 평가자의 업무를 줄일 수 있습니다. 또한, 이는 서비스에 적합하지 않은 차량을 감지하는 데 소요되는 시간 간격을 상당히 줄일 수 있습니다. 마지막으로, 이 기술은 비즈니스에 사람이 필요하다는 사실을 부정하지 않습니다: 네, 실제로 인공 지능은 일부 작업에 대처가 가능하지만 동시에 사람의 작업을 상당히 쉽게 만들어, 더 복잡한 작업을 해결할 수 있도록 만들어 줍니다.