foodpanda 已在其亚太区业务和 10 个市场的配送合作伙伴中部署了数据和人工智能驱动的骑手安全系统，以改善道路安全结果。
该计划为 10 个市场的配送合作伙伴提供支持，旨在将乘客安全从被动事件管理转变为预测性风险预防。
foodpanda 亚太区物流高级总监 Anson Chin，告诉 亚洲iT新闻 该公司利用新加坡和马来西亚的远程信息处理数据以及应用程序使用数据（包括行程接受度、闲置时间和路线选择）来识别可能需要注意的异常模式或情况。
在一些市场，该公司使用基于运动的信号来增强风险检测。
Chin 表示，该公司在亚太地区的送货合作伙伴事故减少了 30%。
新加坡的骑手安全满意度从 46.4% 上升至 51.7%。
支持骑手安全的数据架构
每个市场都通过嵌入在骑手应用程序中的安全 SDK 和加密 API 通过本地化摄取管道处理自己的数据。
这确保了数据的收集是负责任的，并且符合每个国家的监管要求。
“一旦被摄取，原始操作和行为数据就会存储在安全的云环境中，”Chin 说。
“从那里开始，它在一个集中式数据湖中进行构建和处理，并具有特定于区域的分区，以满足 GDPR、PDPA 和其他监管义务，”他补充道。
为了支持实时风险监控，团队使用流处理技术来检测发生的异常或潜在安全风险。 Chin 表示，批处理管道对此进行了补充，可以训练人工智能模型并进行更深入的回顾性分析，以不断完善我们的安全方法。
该架构有助于从被动式安全措施转变为主动式预测系统。
模型训练
该公司使用经过历史骑行模式训练的人工智能模型来帮助识别可能表明风险的行为。
Chin 解释说，这些模型着眼于速度或运动的变化，例如突然加速、急刹车或持续高于该地区的典型速度范围。
该模型不是只关注单个动作，而是构建了更广泛的行程视图，并分配不断更新的骑手安全评分。
从骑手的角度来看，人工智能的使用旨在让骑手感到支持而不是监督。虽然该模型不断评估行程级别的骑行模式，但这些见解可用于减少高风险情况的暴露，包括重新分配要求较高的路线或负载，并在情况表明风险增加时提供及时的安全提示。
– Anson Chin，foodpanda 亚太区物流高级总监
Chin 表示，这些数据不会用于惩罚或追溯执法，而是作为帮助骑手在道路上保持安全和自信的工具。
该公司还确定什么是“安全”与“有风险”。
该团队使用多种统计分析来校准阈值，根据特定市场的驾驶规范识别异常值和异常情况，因为不同国家/地区的骑行行为可能有所不同，并验证事故和事故征候报告以识别反复出现的高风险模式。
Chin 表示，这有助于确保该模型反映真实的实地行为，而不是依赖于所有市场的统一全球标准。
“我们的算法还考虑了实时骑手位置和速度，以及一个专有模型，该模型根据车辆类型、一天中的时间/一周中的某一天以及旅程的特定路段来估计剩余驾驶时间。这有助于估计骑手需要多少时间驾驶到下一个点，以避免以鼓励超速或不安全冲撞的方式分配订单，”Chin 补充道。
目标是确保乘客有足够的时间安全无压力地出行。
该公司还考虑了物理容量限制。
例如，如果订单对于骑手的车辆类型来说太重或太大，系统会自动避免将其分配给他们或将交付分配分配给可接受的份额。
这可以防止骑手在搬运不安全的负载时遇到困难。
混合基础设施模型
Foodpanda 使用混合基础设施模型，实现集中式全球运营，同时允许进行调整以满足每个国家的监管和运营需求。
“我们维护一个集中的数据和人工智能层，其中包括由我们的全球数据科学团队管理的数据基础设施、人工智能模型和全球治理政策，”Chin 说。
“然后，市场运行一个具有可配置合规层的联合本地化层，可以使系统适应当地规则和性能要求。其中包括特定国家/地区的数据驻留、存储持续时间和模型再训练节奏，”他补充道。
所有市场都通过使用 API 和本地仪表板的共享集成架构进行连接，以进行安全报告和区域运营监控。
这种混合设置提供全球功能，同时保持每个市场的合规性和性能的灵活性。
展望未来，该公司的方法是保持适应性，测试每个市场的行之有效的方法，从现实条件中学习，并逐步整合人工智能增强功能，以增加明显的价值。
Chin 表示，该公司运营的市场的多样性意味着不可能存在一刀切的解决方案，因此长期方向是构建灵活、与当地相关且能够随着技术和骑手需求不断变化而不断发展的系统。
Chin 补充道，foodpanda 的下一阶段并不是为了人工智能本身而采用更多人工智能，而是要深思熟虑地应用人工智能，在整个零工生态系统中创造更安全、支持性的工作环境。
