克钦独立军Eisinga

TomTom的任务是创建一个无拥堵和世界更好的驾驶体验。为了做到这一点,我们需要了解从最终用户驾驶行为,同时,我们优化我们的服务的运营成本。然而,由于大规模的调查数据从车辆提供洞察力和执行先进的分析也非常具有挑战性。

在这个讨论中我将展示两个用例砖,三角洲湖和MLflow使我们加速创新。第一个是IQMaps usecase。IQMaps是一个安装在仪表板上的系统——系统专门为相同的最新的用户体验你期望从导航软件和把它可靠,车载导航。智商地图学习司机的驾驶模式和更新地图区域最相关的用户,使用wi - fi或4 g。然而,优化数据网络消费,可以有一个高成本,同时保持最好的驾驶体验,通过地图更新,需要复杂的模拟使用数以百万计的位置从车辆痕迹。Apache火花一直是我们的关键仪器找到最好的平衡这种贸易。第二个用例是目的地的预测。多年来,我们在导航产品提供了一个个性化的特征,预测精度高司机的下一个目的地。尽管如此,指数增长和可用性的数据,获得更复杂的机器学习模型,我们重新审视这一特性更上一层楼。美国出口信贷机构利用最新的框架和工具在砖上。MLflow和三角洲我们能够找到最好的模型,预测目标为每个单独的驱动程序,并跟踪每个kpi之一。