تُعد خدمات مشاركة الركوب أحد أسرع القطاعات نمواً في عالم التكنولوجيا، ولكن معظم المنصات تواجه تحديات في تحديد كيفية دمج الطلبات المفتوحة في رحلات مشتركة، وتعيين المركبات المتاحة لتلبية تلك الطلبات. حتى الآن، يعتمد الأكاديميون على تقسيم هذه العملية إلى مشكلتين متتاليتين: تجميع الطلبات أولاً ثم تخصيص المركبات، مما يؤدي إلى تراجع الإيرادات وكفاءة التشغيل.

لكن مع ظهور 'جويلمش' (JointMatch)، تتغير قواعد اللعبة! هذه الإطار المتكامل الذي يعتمد على التعلم يتيح الربط بين الطلبات والمركبات بشكل متزامن على رسم بياني واحد، مما يعزز الكفاءة بشكل كبير. النموذج يستخدم تقنيات الشبكات العصبية المتقدمة ليقوم بتقليل حجم الرسم البياني اعتمادًا على القرب المكاني، مما يؤدي إلى زيادة الحجم بشكل خطي عوضاً عن الضخامة الرباعية، مع توسيع نطاق التطبيق ليشمل أكثر من 10000 مركبة.

اختبارات الأداء على بيانات سيارات الأجرة الصفراء في مدينة نيويورك تُظهر تفوق 'جويلمش' على أساليب الحلول التقليدية، مثل تقنية 'بلوسوم'، حيث أثبت كفاءته في تقليل وقت الانتظار بأكثر من 20 مرة خلال كل فترة تفويض.

وإضافة إلى ذلك، تستخدم 'جويلمش' مرحلة تدريب إشرافية تقريبًا للقضاء على الفجوة في الإيرادات، مع تخصيص الدقة عبر تحسين سياسة النموذج لتحقيق أقصى استفادة ممكنة من الإيرادات المتحققة.

مع 'جويلمش'، يبدو أن مستقبل خدمات مشاركة الركوب أكثر إشراقًا وكفاءة مما كان يُعتقد سابقًا، مما يمنح الشركات القدرة على تقديم حلول مبتكرة للمستخدمين. هل أنتم مستعدون للانطلاق نحو المستقبل؟