Конец эпохи многоэтапных моделей
Классический подход к диспетчеризации в такси-агрегаторах строился на цепочке: предсказание модели → расчет ценности → финальное сопоставление. Проблема такого метода — рассинхронизация целей: оптимизация каждого этапа не гарантирует улучшения общего результата. DiDi решила эту проблему, сформулировав задачу как генеративное сопоставление (Generative Matching) в рамках микро-вида (Micro-View), где водитель назначается к заказу внутри каждого батча.
Три ключевых архитектурных решения
Для реализации end-to-end подхода команда DiDi разработала три модуля, решающие специфические проблемы динамических графов:
- Context-Aware Bipartite Encoder: эффективное кодирование динамических разреженных двудольных графов, формирующихся в каждом батче.
- Business-Aware Utility Learner: замена ручных функций ценности на обучение единой бизнес-utility из гетерогенных обратных связей.
- State-Aware Pointer Decoder: декодер, отслеживающий эволюцию состояния совпадений, так как выбор каждой пары «водитель-заказ» меняет множество доступных кандидатов.
Результаты внедрения
GenMatch — это не просто теоретическая модель, а система, развернутая в реальных производственных средах. Тестирование проводилось в пяти городах международных рынках DiDi. Результаты A/B-тестов подтвердили стабильное превосходство над конкурентными базовыми моделями, что доказывает практическую применимость генеративного подхода в высоконагруженных системах.
Значение для индустрии
Работа авторов (Chuang Liu, Yuxueqing Zhang и др.) демонстрирует сдвиг парадигмы: от дискретных этапов оптимизации к единому генеративному процессу. Это открывает путь для более точного распределения ресурсов в логистике и сервисных платформах, где важна мгновенная реакция на изменение состояния системы.
Источник: arXiv cs.AI ↗