에어비앤비는 세계 여행 방식을 완전히 바꾸었습니다. 그러나 다양한 위치와 재산 유형이 있는 재고에 의해 게스트에게 관련된 옵션을 제공하는 것이 점점 더 복잡해졌습니다. 이러한 도전을 해결하기 위해 에어비앤비는 위치 검색 프로세스를 개선하는 데 머신 러닝 및 강화 러닝 기법을 사용하여 혁신적인 변화를 일으켰습니다. 초기에는 에어비앤비가 검색 유형에 따라 맵 영역을 정의하는 데 휴리스틱스를 사용했지만, 이러한 휴리스틱스는 다양한 검색 유형을 구별하거나 새로운 데이터에 적응하는 데 제한이 있었습니다.에어비앤비는 다음으로 통계를 사용하여 위치 검색을 개선하는 데 데이터셋을 구축했습니다. 각 여행 목적지에 대한 데이터셋은 그 목적지에서 게스트가 예약한 목록을 기록했습니다. 그러나 통계적 접근 방식도 제한이 있었고, 특정 검색 매개변수와 관계없이 모든 검색을 동일하게 처리했습니다. 이러한 제한으로 인해 에어비앤비는 위치 검색이 더 고급 기법, 즉 머신 러닝을 필요로 할 수 있다고 믿었습니다.에어비앤비는 다양한 검색 매개변수, 예를 들어 게스트 수와 체류 기간,를 학습하고 각 검색에 대한 더 관련된 맵 영역을 예측할 수 있는 머신 러닝 모델을 구축했습니다. 머신 러닝 시스템은 예약된 목록의 회수율을 7.12% 증가시키고, 검색 맵 영역의 크기를 40.83% 줄였습니다. 이러한 결과는 플랫폼에서 취소되지 않은 예약자의 누적 증가율이 +1.8%로 나타났습니다.에어비앤비는 다음으로 강화 러닝을 위치 검색 프로세스에 도입했습니다. 이렇게 하면 시스템이 게스트의 상호작용에서 지속적으로 학습하고 예약 행위에 따라 검색 맵 영역을 조정할 수 있었습니다. 강화 러닝 시스템은 덜 여행하는 지역을 더 많이 탐색하고, 자주 검색 및 예약되는 지역을 덜 탐색하여 취소되지 않은 예약자의 누적 증가율이 0.51% 증가하고, 5성 여행 평가율이 0.71% 증가했습니다.에어비앤비의 휴리스틱스에서 고급 머신 러닝 및 강화 러닝 모델로의 여정은 복잡한 시스템을 변환하는 데이터 주도 접근 방식의 힘을 보여줍니다. 이러한 변환은 에어비앤비와 같은 규모에서 운영하는 회사의 경우 2.66%의 취소되지 않은 예약자 증가와 같은 주요 업적을 가져왔습니다.