ML clásico para matching de cargas en Trucker Tools
Machine learning clásico para Trucker Tools: sistemas de clustering y estadística para mejorar el matching entre cargas y transportistas sobre una red de más de 350.000 usuarios.
Trucker Tools desarrolla software de gestión de cargas para brokers y transportistas sobre una red de más de 350.000 transportistas. Como consultor a través de Mission Cloud, trabajé en el problema de matching que está debajo de todo eso: dada una carga, qué transportistas deberían verla, y dado un transportista, qué cargas vale la pena mostrarle.
El matching entre cargas y transportistas es un problema de recomendación con mucha estructura propia. Datos disponibles abarcan rutas, tipos de equipo, tiempos, geografía y un largo historial de lo que cada transportista efectivamente movió. Una buena parte del proyecto implicó comprender el dominio de negocio, la base de datos OLTP, y construir los flujos de procesamiento de variables para alimentar a los modelos de ML.
Aplicar clustering permitió agrupar transportistas por comportamiento observado en lugar de por preferencias declaradas. Las rutas efectivamente recorridas, el equipo efectivamente usado, los tiempos efectivamente respetados. Las preferencias declaradas envejecen rápido y suelen ser aspiracionales, en tanto los datos de uso le dieron a los modelos de ML evidencia objetiva sobre la cual generalizar. Además, vuelven un problema tratable el arranque en frío: a un transportista con poco historial se lo puede empezar a comprender a través del cluster al que más se parece. A partir de esto, se aplicó estadística bayesiana para transformar los datos en un primer método de recomendación para carga-transportista.