Единый реестр такси
Мы стремимся к тому, чтобы после заказа такси к пользователю приезжал чистый, исправный автомобиль той марки, того цвета и с тем номером, которые отображаются в приложении. И для этого мы используем дистанционный контроль информация в автомобиле такси ДКК. Сегодня я расскажу читателям Хабра о том, как с помощью машинного обучения снизить затраты на контроль качества в быстро растущем сервисе с информация в автомобиле такси тысяч машин и не выпустить на линию машину, которая не соответствует правилам сервиса.
Схема процесса ДКК. В процессе ДКК мы проверяем фотографии автомобиля и принимаем решение о том, можно ли выполнять заказы на таком автомобиле или, например, перед этим его стоит помыть. Всё начинается с того, что через водительское приложение Таксометр мы вызываем водителя на ДКК.
Какие реестры вводит Федеральный закон от 29.12.2022 №580-ФЗ?
Обычно это происходит раз в 10 дней, но иногда реже или чаще — в зависимости от того, насколько успешно водитель проходил предыдущие проверки. Сразу после вызова на ДКК, водителю приходит сообщение с приглашением пройти фотоконтроль.Как только водитель принял приглашение, в том же приложении он фотографирует экстерьер и интерьер машины с разных ракурсов и отправляет фотографии Яндекс.
- Основные требования к машине таксиэто определённый цвет кузова, наличие опознавательного фонаря на крыше и цветографической разметки («шашечек»). Однако .
- Узнайте о новых требованиях к информации в салоне такси с сентября года и оформите карточку водителя бесплатно на нашем сайте.
- По прибытии такси заказчику должно быть сообщено местонахождение и данные о машине, а также Ф. водителя и фактическое время прибытия. Все.
- Обычно базы данных выдают информацию о работе такси по действующему госномеру автомобиля. Агрегатор данных taxipchelka.ru доработал логику.
- На самом деле водители Такси Максим видят не так уж много информации о пассажире. .
Водитель может принимать заказы пока идёт ДКК. Стартовый экран ДКК в приложении Таксометр. Экран фотографирования автомобиля в приложении Таксометр. Полученные фотографии попадают в Яндекс. Толоку — сервис, в котором с помощью краудсорсинга можно быстро выполнять простые, но большие по объёму задания. О том как устроена и зачем нужна Яндекс.
Толока мы писали в нашем блоге.
Такси как общественный транспорт
В Яндекс. Толоке в процессе одной проверки как минимум три исполнителя отвечают на вопросы о состоянии автомобиля, и если исполнители пришли к единому мнению, на основе их ответов принимается решение о том, можно ли водителю принимать заказы. У проверки в Яндекс. Толоке два исхода:. Если исполнители не пришли к единому мнению, фотографии отправляют к сотрудникам Яндекс.Такси — асессорам, которые более тщательно проверяют автомобиль, а затем принимают финальное решение.
региональный реестр перевозчиков легковым такси – информационный ресурс, содержащий сведения о перевозчиках легковым такси, в том числе о предоставлении . Проверить авто на работу в такси по VIN коду и гос номеру. Индивидуальный регистрационный знак транспортного средства. Включает в себя . Единый реестр такси (ЕРТ) - это онлайн сервис для проверки легковых автомобилей которые использовались в качестве такси, каршеринга, аренды или проката на .
Асессоры проходят специальную программу обучения и у них больше опыта. Так видит ДКК исполнитель Яндекс. C ростом Яндекс. Такси растёт и количество проверок ДКК, а это значит, что растут затраты на толокеров и асессоров. Кроме того, падает скорость проверки автомобиля.
У обоих вариантов есть свои минусы: в первом случае недобросовестный водитель успеет принять несколько заказов на информация в автомобиле такси, который не соответствует стандартам, во втором — все вызванные на фотоконтроль водители не смогут работать пока проверка не завершится. Поэтому важно проверять автомобили быстро, чтобы и пользователи, и водители не сталкивались с неудобствами. Наблюдая за тем как графики затрат и среднего времени проверки растут, мы поняли, что хотим снизить затраты на Толоку, разгрузить асессоров и сократить среднее время проверки, иными словами, автоматизировать часть проверок.
Естественно, мы не хотели жертвовать качеством сервиса и пропускать больше несоотвествующих стандартам качества автомобилей на линию, а также не хотели информация в автомобиле такси принятие заказов добросовестными водителями. Нам нужно было автоматизировать ДКК и при этом не увеличить долю ошибок в общем потоке проверок. Для начала мы определились с постановкой задачи: автоматизировать как можно больше проверок, при этом не увеличив частоту ошибок в общем потоке.
Давайте разберёмся с тем, какими бывают ошибки в нашей задаче. Они бывают двух видов: false positive и false negative.
Физические признаки
В нашей терминологии negative — результат проверки, с которым водитель может продолжать работать, а positive — результат, который информация в автомобиле такси за собой временное ограничение на приём заказов.Тогда false negative — случай, информация в автомобиле такси котором мы были вынуждены разрешить водителю с плохим автомобилем принимать заказы, а false positive — наоборот, когда мы не разрешили работать водителю, у которого с автомобилем всё хорошо. Выходит, что False Negative Rate FNR — доля водителей с «плохими» автомобилями, которым мы разрешили принимать заказы, а False Positive Rate FPR — доля водителей, которым мы не разрешили работать, хотя у них с автомобилями всё хорошо.
Таким образом, от внедрения машинного обучения в систему мы хотели следующего: автоматизировать как можно больше проверок, при этом не увеличив FPR и FNR в сравнении с системой без машинного обучения. Далее, необходимо было понять информация в автомобиле такси какие метрики ориентироваться при выборе моделей и порогов для принятия решений на основе их предсказаний. Из условий задачи ясно, что нас интересуют три величины:. Тут может возникнуть вопрос: почему бы не максимизировать экономию денег или минимизировать среднее время проверки напрямую, а не через долю автоматизированных проверок?
Оптимизировать деньги — очень привлекательная идея, но, как правило, трудноосуществимая. В нашем случае экономия складывается из двух факторов: первый — экономия с каждой автоматизированной проверки, ведь каждая проверка у асессоров или в Яндекс.
Какие требования предъявляются к авто: - Автомобиль должен быть технически исправен. - На кузов должны быть нанесены "шашечки". - На крышу помещёнТолоке информация в автомобиле такси денег; второй — экономия с уменьшения числа ошибок, ведь каждая ошибка стоит Яндекс.
Такси денег. Объективно посчитать, во сколько нам обходятся ошибки, — очень сложная задача, поэтому мы ограничены расчётом экономии только по первому фактору. Такая величина монотонно возрастает по доле автоматизированных проверок, так что можно максимизировать эту долю вместо экономии. Такие же рассуждения применимы к среднему времени ДКК, оно так же монотонно убывает по доле автоматизированных проверок.
Такие задачи решает компьютерное зрение, а в наше время — конкретный инструмент, свёрточные нейронные сети. Их мы и решили использовать для автоматизации ДКК. Теперь, когда мы поняли, что оптимизировать и для чего, настало время собрать данные и обучить на них модели. Собрать данные было легко, потому что все информация в автомобиле такси ДКК логируются и лежат в хранилище в удобном виде.
В первом варианте решения в качестве информация в автомобиле такси выступали фото экстерьера и интерьера машины с четырёх ракурсов, марка, модель и цвет машины, информация в автомобиле такси также результаты 10 предыдущих проверок ДКК.
Почему историю автомобиля проверяют через сервис «АвтоИстория»
Как целевые информация в автомобиле такси мы взяли ответы на все вопросы проверки, например: «Повреждён ли автомобиль. Главной целевой переменной был ответ на главный вопрос: «Нужно ли ограничивать возможность водителя принимать заказы?Мы учили одну большую модель, очень похожую на VGG с SENet attention, отвечать на все вопросы одновременно и в итоге столкнулись с несколькими проблемами. Подход «всё и сразу». Вместе эти четыре причины не позволили нам применить первый вариант решения на практике, но мы не стали унывать и придумали второй вариант.
В случае, если работодатель захочет запросить информацию о своём автомобиле у "службы такси", то, с одной стороны, нет прямого закона, который бы обязывал одно юридическое лицо передавать требуемую информацию другому юридическому лицу. Проверка авто на такси прежде всего позволит посмотреть «открытыми» глазами на техническое состояние автомобиля. Агрессивно вести автомобиль: резко ускоряться, тормозить и перестраиваться из одной полосы в другую. .
Кроме того, мы решили разбить общую задачу на подзадачи и научиться отвечать на все вопросы ДКК по отдельности. Подход «всё, информация в автомобиле такси постепенно».Когда-то давно наша служба уже занималась автоматизацией ДКК и успела внедрить модель, которая позволяет фильтровать тёмные и нерелевантные фотографии. Эту модель мы продолжили информация в автомобиле такси и дальше, чтобы отвечать на вопрос: «Присутствуют ли следующие настоящие фотографии машины: перед, левый бок, правый бок, зад.
- региональный реестр перевозчиков легковым такси – информационный ресурс, содержащий сведения о перевозчиках легковым такси, в том числе о предоставлении им разрешения, предусмотренного
- Формы документов, подтверждающих прохождение профессиональной подготовки водителя по осуществлению перевозки пассажиров на автомобиле-такси
- Онлайн сервис для проверки автомобиля (транспортного средства) в едином реестре на использование в качестве такси. Чтобы бесплатно узнать была ли машина в такси по .
Наша работа над вторым вариантом решения началась с того, что мы использовали модель службы компьютерного зрения Яндекс.
Поиска от тех самых людей, которые сделали DeepHD для распознавания номерных знаков на автомобилях. Так мы смогли ответить на вопрос: «Соответствуют ли полностью номер и код региона автомобиля указанным в карточке водителя. Далее мы обучили классификаторы автомобилей распознавать марки и модели, а также цвета.
С этого момента мы могли отвечать на вопрос: «Соответствуют ли марка, модель и цвет информация в автомобиле такси указанным в карточке водителя. В завершение мы обучили классификаторы находить повреждённые и грязные автомобили, это позволило закрыть вопросы: «Есть ли повреждения или дефекты на кузове автомобиля. Подход «всё, но информация в автомобиле такси позволил нам решить проблему проверки номера автомобиля.
В настоящее время в Российской Федерации деятельность по перевозке пассажиров и багажа легковыми такси осуществляется в соответствии с положениями Федерального закона от 21 апреля г. В соответствии со статьей 2 Федерального закона от 29 декабря г. Таким образом, ФГИС Такси предоставит техническую возможность уполномоченным органам исполнительной власти субъектов Российской Федерации вести региональные реестры, а также осуществлять централизованный сбор сведений по всем субъектам Российской Федерации.
При этом, порядок и форма передачи таких сведений может быть установлена нормативным правовым актом субъекта Российской Федерации. Вместе с тем указанный нормативный правовой акт подлежит утверждению только в случае ведения региональных реестров с использованием собственной региональной информационной системы, а не ФГИС «Такси». В случае, если субъект Российской Федерации для ведения реестров использует ФГИС «Такси», он не правомочен утверждать такой акт.
В информация в автомобиле такси с пунктом 1 Положения о Федеральной службе по надзору в сфере связи, информационных технологий и массовых коммуникаций, утвержденного постановлением Правительства Российской Федерации от информация в автомобиле такси марта г.
Также мы смогли избавиться от неполноты и зашумлённости целевой переменной, ведь теперь у нас была выборка, где объектами класса negative были полностью успешные проверки, а объектами класса positive — проверки, где асессор или все три исполнителя Яндекс.Толоки нашли определённый недочёт, например повреждения корпуса. После решения первых двух проблем наши модели стали интерпретируемыми, и мы могли объяснить водителю причину ограничения, чтобы к следующей проверке он исправил недочёты. Общее качество ответов на вопросы также сильно выросло, а FPR и FNR для некоторых комбинаций порогов уверенности моделей упали до уровня Информация в автомобиле такси. Толоки, что позволило внедрять модели в продакшн. Перед нами стоял выбор: запустить регулярный процесс, который будет применять модели к скопившимся в очереди проверкам, или сделать отдельный сервис, куда можно будет ходить по API и получать ответы моделей в реальном времени.
Так как для нас важно быстро находить «плохие» автомобили, мы выбрали второй вариант.
Закон о такси : последние изменения. декабря года был принят федеральный закон № -ФЗ, его цельрегулирование сферы .Как только основная часть сервиса была написана и он смог поддерживать необходимую функциональность, мы начали добавлять в него модели. Чтобы полностью одобрить проверку, нужно уметь отвечать на все вопросы инструкции, но чтобы ограничить недобросовестному водителю доступ к сервису, в некоторых случаях достаточно уметь отвечать хотя бы на один вопрос.
Поэтому мы решили не ждать, пока будут готовы все модели, а добавлять их по мере готовности. Обобщённо пайплайн добавления модели выглядит так:. Такой подход позволил нам не только моментально находить всё больше «плохих» автомобилей по мере внедрения новых моделей, но и без дополнительных временных затрат измерять качество онлайн, пока модели работали в фоновом информация в автомобиле такси.
В конце концов наступил момент, когда мы добавили в сервис и протестировали последнюю модель. Теперь мы могли отвечать на все вопросы проверок, а значит автоматически их одобрять. Так как «хороших» автомобилей в Яндекс. Такси гораздо больше, чем «плохих», автоматическое одобрение проверок привело к резкому росту нашей основной метрики — части потока автоматизированных проверок. Нам оставалось информация в автомобиле такси подобрать информация в автомобиле такси пороги, которые бы максимизировали долю автоматизированных проверок, при этом сохраняя общие FPR и FNR всей системы на прежнем уровне.
Для подбора порогов мы использовали выборку, которую независимо друг от друга размечали исполнители Яндекс. Толоки, асессоры и сотрудник Яндекс. Такси, обучавший асессоров проверять автомобили. Его разметку мы и использовали в качестве истинных значений целевой переменной. Как только мы включили модели в продакшн, нужно было измерить онлайн-качество решений, принятых на основе их ответов.
И вот какие цифры мы увидели:. Таким образом, внедрение машинного обучения не только помогло сэкономить деньги, но и позволило сделать сервис более безопасным и комфортным для пользователей. Информация в автомобиле такси не менее, это ещё далеко не конец истории. Наша быстро растущая команда и дальше будет активно работать над тем, чтобы автоматизировать ещё больше проверок и сделать Яндекс. Такси ещё более удобным, комфортным и безопасным.
Авторизация
Информация в автомобиле такси на перевозку пассажиров и багажа легковыми такси на территории Санкт-Петербурга, полученные до 1 информация в автомобиле такси года, действительны до окончания указанного в них срока. Новым участникам рынка такси и тем, у кого срок действия разрешения закончился, получать разрешения придется уже по новым правилам. Документы примут специалисты МФЦ.
Информация об автомобилях и водителях, а также данные о службах заказа должны быть включены в три реестра. Оформить разрешение на перевозку пассажиров могут юридические лица, индивидуальные предприниматели и самозанятые физические лица, которые применяют специальный налоговый режим «Налог на профессиональный доход» и не являются ИП.