Modèles causaux en pratique à Lyft avec Sean Taylor

Aujourd’hui, nous sommes rejoints par Sean Taylor, scientifique des données du personnel chez Lyft Radeshare Labs. Nous couvrons beaucoup de terrain avec Sean, en commençant par sa récente décision de s’éloigner de son rôle précédent en tant que directeur des laboratoires pour jouer un rôle plus pratique et ce qui a inspiré ce changement. Nous discutons également de ses recherches dans Rideshare Labs, où ils adoptent une approche plus « Moonshot » pour résoudre les problèmes typiques tels que la prévision et la planification, l’expérimentation du marché et la prise de décision, et comment son approche statistique se manifeste dans son travail. Enfin, nous passons pas mal de temps à explorer le rôle de la causalité dans les travaux dans les laboratoires de covoiturage, y compris la façon dont les systèmes comme le système de prévision susmentionné sont conçus autour de modèles causaux, si le développement du modèle de conduite est plus efficace en utilisant des mesures commerciales, des défis associés à la modélisation hiérarchique, et bien plus encore.