Airbnb a transformé la façon dont les gens voyagent autour du globe, mais fournir aux invités des options pertinentes dans leurs résultats de recherche est devenu de plus en plus complexe en raison de la diversité des emplacements et des types de propriétés dans leur inventaire. Pour relever ce défi, Airbnb est passé de l'utilisation d'heuristiques simples à des techniques d'apprentissage automatique et d'apprentissage par renforcement avancées pour transformer leur processus de récupération de localisation. Initialement, Airbnb s'appuyait sur des heuristiques pour définir des zones de carte en fonction du type de recherche, mais ces heuristiques avaient des limites et ne pouvaient pas faire la distinction entre différents types de recherches ou s'adapter bien à de nouvelles données.Airbnb a ensuite exploré les statistiques pour améliorer la récupération de localisation en construisant un jeu de données pour chaque destination de voyage qui enregistrait où les invités réservaient des annonces lorsqu'ils recherchaient cette destination. Cependant, cette approche statistique avait encore des limites et traitait toutes les recherches pour un emplacement de la même manière, indépendamment des paramètres de recherche spécifiques. Cela a conduit Airbnb à penser que la récupération de localisation pourrait nécessiter des techniques plus avancées telles que l'apprentissage automatique.Airbnb a construit un modèle d'apprentissage automatique capable d'apprendre à partir de divers paramètres de recherche, tels que le nombre d'invités et la durée du séjour, et de prédire des zones de carte plus pertinentes pour chaque recherche. Le système d'apprentissage automatique a augmenté le rappel des annonces réservées de 7,12 % et a réduit la taille de la zone de récupération de la carte de 40,83 %, ce qui a eu un impact cumulatif de +1,8 % sur les réservations non annulées sur la plateforme.Airbnb a ensuite introduit l'apprentissage par renforcement dans le processus de récupération de localisation, permettant au système d'apprendre en continu à partir des interactions des invités et d'ajuster la zone de récupération de la carte en fonction du comportement de réservation des invités. Le système d'apprentissage par renforcement a réussi à explorer davantage les emplacements moins fréquentés et à explorer moins les emplacements qui sont souvent recherchés et réservés, ce qui a eu un impact cumulatif de +0,51 % sur les réservations non annulées et de +0,71 % sur le taux de voyage 5 étoiles.Le parcours d'Airbnb, de l'utilisation d'heuristiques simples à des modèles d'apprentissage automatique et d'apprentissage par renforcement sophistiqués, démontre le pouvoir des approches basées sur les données pour transformer des systèmes complexes. La transformation a un impact cumulatif de +2,66 % sur les réservations non annulées, une réalisation importante pour une entreprise opérant à l'échelle d'Airbnb.