Airbnb ha transformado la forma en que las personas viajan por todo el mundo, pero proporcionar a los huéspedes opciones relevantes en sus resultados de búsqueda se ha vuelto cada vez más complejo debido a las diversas ubicaciones y tipos de propiedades en su inventario. Para abordar este desafío, Airbnb pasó de utilizar heurísticas simples a técnicas avanzadas de aprendizaje automático y aprendizaje por refuerzo para transformar su proceso de recuperación de ubicaciones.Inicialmente, Airbnb confió en heurísticas para definir áreas del mapa en función del tipo de búsqueda, pero estas heurísticas tenían limitaciones y no podían diferenciar entre diferentes tipos de búsquedas ni adaptarse bien a nuevos datos.Luego, Airbnb exploró estadísticas para mejorar la recuperación de ubicaciones creando un conjunto de datos para cada destino de viaje que registraba dónde los huéspedes reservaban listados cuando buscaban ese destino. Sin embargo, este enfoque estadístico todavía tenía limitaciones y trataba todas las búsquedas de una ubicación de la misma manera, independientemente de los parámetros de búsqueda específicos. Esto llevó a Airbnb a creer que la recuperación de ubicaciones puede requerir técnicas más avanzadas como el aprendizaje automático.Airbnb construyó un modelo de aprendizaje automático que podía aprender de varios parámetros de búsqueda, como el número de huéspedes y la duración de la estancia, y predecir áreas del mapa más relevantes para cada búsqueda. El sistema de aprendizaje automático aumentó la recuperación de listados reservados en un 7,12% y redujo el tamaño del área de recuperación del mapa en un 40,83%, lo que resultó en un impacto acumulado de +1,8% en reservas no canceladas en la plataforma.Luego, Airbnb introdujo el aprendizaje por refuerzo en el proceso de recuperación de ubicaciones, lo que permitió que el sistema aprendiera continuamente de las interacciones de los huéspedes y ajustara el área de recuperación del mapa en función del comportamiento de reserva de los huéspedes. El sistema de aprendizaje por refuerzo exploró con éxito más ubicaciones menos viajadas y exploró menos ubicaciones que son buscadas y reservadas con frecuencia, lo que resultó en un aumento acumulado del 0,51% en reservas no canceladas y un aumento del 0,71% en la tasa de viajes de 5 estrellas.El viaje de Airbnb desde heurísticas simples hasta modelos de aprendizaje automático y aprendizaje por refuerzo sofisticados demuestra el poder de los enfoques basados en datos para transformar sistemas complejos. La transformación resulta en un aumento acumulado del 2,66% en reservas no canceladas, un logro importante para una empresa que opera a la escala de Airbnb.