Uber OpenAI દ્વારા કમાણી વધુ સ્માર્ટ અને બુકિંગ ઝડપી બનાવે છે

દરરોજ, લાખો લોકો રાઇડ્સ બુક કરવા, ભોજન ઓર્ડર કરવા, પૅકેજ મોકલવા અને લવચીક રીતે કમાણી કરવા માટે Uber પર આધાર રાખે છે. દરેક ટેપની પાછળ ટ્રાફિક, હવામાન, એરપોર્ટ પર આવતી ફ્લાઇટ્સ, સ્થાનિક કાર્યક્રમો અને માંગથી આકાર પામતું એક જટિલ રીઅલ-ટાઇમ માર્કેટપ્લેસ હોય છે. Uber વિશાળ પાયે કાર્ય કરે છે: દરરોજ 40 મિલિયન ટ્રિપ્સ, 70 કરતાં વધુ દેશોમાં 15,000 શહેરોમાં 10 મિલિયન ડ્રાઇવરો અને કુરિયર્સ. દરેક શહેરની પોતાની કામગીરીની ગતિશીલતા, નિયમો અને રાઇડરનું વર્તન હોય છે, જેના કારણે એવી સિસ્ટમ બને છે જેને વૈશ્વિક સ્તરે મોટા પાયે સતત અનુકૂલિત થવું પડે છે.

Uber તેના માર્કેટપ્લેસને સમર્થન આપવા માટે લાંબા સમયથી મશીન લર્નિંગનો ઉપયોગ કરે છે. અને હવે, મોટા ભાષા મોડલ્સ અને OpenAI ના અત્યાધુનિક મોડલ્સના લાભ સાથે, Uber જટિલ સંકેતોમાં વધુ ઝડપથી તર્ક કરી શકે છે, ઝડપી સંવાદાત્મક પ્રતિસાદ આપી શકે છે અને ઍપની અંદર વૉઇસ અનુભવોને સંચાલિત કરી શકે છે.

Uber અને OpenAI વચ્ચેનો સહયોગ Uber ને AI-સંચાલિત પ્રોડક્ટ્સ વિકસાવવામાં મદદ કરે છે, જે ડ્રાઇવરો અને કુરિયર્સ માટે કમાણીની તકોને સરળ બનાવે છે અને રાઇડર્સ માટે અડચણો ઘટાડે છે. OpenAI ના મોડલનો ઉપયોગ કરીને, Uber સુવ્યવસ્થિત પ્રોડક્ટ્સ અને અનુભવો પહેલાં કરતાં વધુ ઝડપથી પહોંચાડી શકે છે.

ડ્રાઇવર્સ માટે, ફ્લેક્સિબિલિટી Uberની સૌથી મોટી શક્તિઓમાંથી એક છે. કેટલાક પૂર્ણ-સમય વાહન ચલાવે છે, અન્ય માત્ર સપ્તાહાંતમાં, જ્યારે કેટલાક ક્લાસ અથવા શિફ્ટ્સ વચ્ચે વાહન ચલાવે છે. આ લવચીકતાનો અર્થ એ પણ થાય છે કે ડ્રાઇવરો સતત વિકલ્પોનું મૂલ્યાંકન કરતા રહે છે અને પ્રશ્નો પૂછતા રહે છે: મારે હમણાં પોતાને ક્યાં પોઝિશન કરવું જોઈએ? શું એરપોર્ટ સુધી જવું યોગ્ય રહેશે? લંચ સમયે મારે રાઇડ્સમાંથી ડિલિવરીઝ પર સ્વિચ કરવું જોઈએ? આજે મારી કમાણી અલગ કેમ લાગી?

તે પ્રશ્નોના જવાબ આપવા માટે Uberએ Uber Assistant વિકસાવ્યું છે, જે AI-સંચાલિત સહાયક છે અને ડ્રાઇવરોને પ્લેટફોર્મ પરના તેમના જીવનચક્ર દરમિયાન મદદ કરવા માટે રચાયેલ છે—ઓનબોર્ડિંગ અને પ્રથમ ટ્રિપ્સથી લઈને રોજિંદી આવકના ઑપ્ટિમાઇઝેશન સુધી.

“અમે માર્કેટપ્લેસનું સંક્ષિપ્ત દૃશ્ય અને વાસ્તવિક-સમયની આંતરદૃષ્ટિઓ પ્રદાન કરીને ડ્રાઇવરોને વધુ સારા નિર્ણયો લેવા સક્ષમ બનાવવા માંગીએ છીએ,” Uberના પ્રોડક્ટ મેનેજમેન્ટ ડિરેક્ટર ધરમિન પરીખ કહે છે.

અસિસ્ટન્ટ કમાણીના વલણો અને હીટમૅપ્સ જેવા જટિલ ડેટાને સરળ, અમલમાં મૂકી શકાય તેવી પોઝિશનિંગ અંતર્દૃષ્ટિઓમાં રૂપાંતરિત કરીને ડ્રાઇવરોને ક્યાં અને ક્યારે કમાણી કરવી તે સમજવામાં મદદ કરે છે. પછી તેઓ સરળ ભાષામાં અનુગામી પ્રશ્નો પૂછી શકે છે, તેમને અનુરૂપ પ્રતિભાવો મેળવી શકે છે અને એપમાં સરળતાથી નેવિગેટ કરી શકે છે.

Uber નો ધ્યેય જ્ઞાનાત્મક ભારને ઘટાડવાનો છે—એટલે કે કમાણી કરવાનો પ્રયાસ કરતી વખતે જટિલ માર્કેટપ્લેસ ડેટાનું અર્થઘટન કરવા માટે જરૂરી પ્રયત્ન ઓછો કરવો.

તે નવા ડ્રાઇવરો માટે ખાસ કરીને મૂલ્યવાન સાબિત થયું છે. Uber ને જાણવા મળ્યું કે Uber ના વાસ્તવિક દુનિયાના ડેટાનો સારાંશ આપવા અને તેને સરળતાથી સમજાવવામાં AIનો ઉપયોગ કરવાથી ડ્રાઇવરોને માત્ર અજમાયશ અને ભૂલ દ્વારા શીખવા કરતાં ઘણી વધુ ઝડપથી વર્કફ્લોઝ અને માર્કેટપ્લેસની ગતિશીલતાઓ શીખવામાં મદદ મળી શકે છે, જેથી રેમ્પ-અપને ઝડપી બનાવી શકાય.

જ્યારે Uber Assistant પાસેથી શરૂઆતમાં નવા ડ્રાઇવરોને સૌથી વધુ મદદ કરશે એવી અપેક્ષા હતી, ત્યારે અનુભવી ડ્રાઇવરો પણ અનુગામી પ્રશ્નો પૂછવા અને પ્લેટફોર્મ પર પોતાનો સમય વધુ સારી રીતે ઑપ્ટિમાઇઝ કરવા માટે વારંવાર પાછા આવતા રહ્યા—જે ઉત્પાદનને માત્ર ઓનબોર્ડિંગ ટૂલ નહીં, પરંતુ લાંબા ગાળાની ઉપયોગિતા તરીકે માન્યતા આપે છે.

“પ્લેટફોર્મ કેવી રીતે કામ કરે છે તે સમજવા માટે કેટલાય સો ટ્રિપ્સ કરવી પડે તેની સરખામણીમાં, Assistant ડ્રાઇવરોને ઝડપથી જાણકારી મેળવીને સજ્જ થવામાં મદદ કરી રહ્યું છે,” પરીખ કહે છે.

Uber માટે, ચોકસાઈ, સલામતી, વિશ્વસનીયતા અને ગતિ એ AI સિસ્ટમ અમલમાં મૂકતી વખતે મુખ્ય પ્રાથમિકતાઓ છે, ખાસ કરીને જ્યારે આ સિસ્ટમના આઉટપુટ્સ ડ્રાઇવરો અને કુરિયર્સ સાથે ક્રિયાપ્રતિક્રિયા કરે છે. મહત્વપૂર્ણ વિચારણાઓમાં પ્રતિસાદો નીતિની મર્યાદામાં રહે તે, અને લેટન્સી રીઅલ-ટાઇમ મોબાઇલ એપ પાસેથી વપરાશકર્તાઓ જે ધોરણની અપેક્ષા રાખે છે તેને પૂર્ણ કરે તે સામેલ છે.

એથી જ Uber એ Uber Assistant ને ત્રણ મુખ્ય સિદ્ધાંતોને કેન્દ્રમાં રાખીને ડિઝાઇન કર્યું છે: સલામતી, વિશ્વાસ અને ઓછી વિલંબતા.

Uberની એન્જિનિયરિંગ ટીમોએ એક મલ્ટી-એજન્ટ આર્કિટેક્ચર બનાવ્યું છે, જે દરેક યુઝર વિનંતીને સૌથી યોગ્ય વિશેષીકૃત સિસ્ટમ સુધી રાઉટ કરે છે. ઉદાહરણ તરીકે, કમાણી સંબંધિત પ્રશ્નોને ઓનબોર્ડિંગ પ્રશ્નો કરતાં અલગ રીતે હેન્ડલ કરી શકાય છે, અને માર્કેટપ્લેસ માર્ગદર્શન માટે ટ્રાન્ઝેક્શનલ ક્રિયાઓ કરતાં અલગ રીઝનિંગની જરૂર પડે છે.

આ આર્કિટેક્ચર Uberને દરેક કાર્યને તેની ચોક્કસ ઓપરેશનલ જરૂરિયાતો માટે સૌથી યોગ્ય મોડલ તરફ રૂટ કરવાની સક્ષમતા આપે છે. આથી, દરેક ક્વેરીને સૌથી વધુ મહત્વની બાબતો પર યોગ્ય ધ્યાન સાથે સંભાળવામાં આવે છે તેની ખાતરી થાય છે.

હળવા વર્ગીકરણ અને ઝડપી પ્રતિસાદ માટે, Uber વધુ ઝડપી, નાનો/મિની મોડલ્સનો ઉપયોગ કરે છે. વધુ જટિલ કાર્યો માટે, Uber મોટા રીઝનિંગ મોડલ્સનો ઉપયોગ કરે છે.

Uber એ AI Guard પણ વિકસાવ્યું છે, જે એક આંતરિક ગવર્નન્સ સ્તર છે જે પ્રોમ્પ્ટ અને જવાબોની સ્ક્રીનિંગમાં મદદ કરે છે જેથી સલામતી, ગોપનીયતા અને સુરક્ષાને પ્રોત્સાહન મળે, નીતિઓ લાગુ થાય, હેલ્યુસિનેશન્સ ઘટે અને તમામ અનુભવોમાં સુસંગતતા જાળવાય.

જ્યારે ડ્રાઇવરોને ચોક્કસ, ઉપયોગી ભલામણો મળે છે, ત્યારે તેઓ પાછા આવે છે. તેઓ વધુ પ્રશ્નો પૂછે છે. તેઓ વારંવાર સંલગ્ન થાય છે. અને તેઓ પ્લેટફોર્મ પર વધુ ઉત્પાદક રીતે સમય વિતાવે છે.

“જો વપરાશકર્તાઓ સિસ્ટમ પર વિશ્વાસ ન કરે, તો તમે તેમને ઝડપથી ગુમાવી દો છો,” પરીખ કહે છે. “પરંતુ જ્યારે તેમને મૂલ્ય દેખાય છે, ત્યારે તેઓ પાછા આવે છે.”

Uber ટેક્નોલોજીમાં આગામી મોટા ઇન્ટરફેસ પરિવર્તનોમાંના એક, વૉઇસ, માટે પણ OpenAI Realtime APIs નો ઉપયોગ કરી રહ્યું છે.

એપમાં ટાઇપ કરવું સરળ વિનંતીઓ માટે કાર્યક્ષમ હોઈ શકે છે. પરંતુ પરિવહન અને વાણિજ્ય સંબંધિત ઘણી જરૂરિયાતો વધુ જટિલ હોય છે.

કોઈ મુસાફર કદાચ કહેવા માંગે, “મારી પાસે સામાનની પાંચ વસ્તુઓ છે અને મારી સાથે અન્ય પાંચ લોકો છે. મને એરપોર્ટ સુધી એક સારી રાઇડ જોઈએ છે. તમે શું ભલામણ કરો છો?” વૃદ્ધ પુખ્ત વયની વ્યક્તિ અથવા દૃષ્ટિની ક્ષતિ ધરાવતા મુસાફર મેનૂમાં ટૅપ કરીને આગળ વધવા કરતાં બોલવાનું પસંદ કરી શકે છે.

Uber ના નવા વૉઇસ અનુભવો તે ક્ષણોને અવરોધરહિત બનાવવા માટે ડિઝાઇન કરવામાં આવ્યા છે. યુઝર્સ Uber એપમાં ‘ક્યાં જવું છે?’ સર્ચ બાર પરના માઇક્રોફોન આઇકન પર ટૅપ કરી શકે છે અને સ્વાભાવિક બોલચાલનો ઉપયોગ કરીને રાઈડની વિનંતી કરી શકે છે. સિસ્ટમ ઉદ્દેશ્યનું અર્થઘટન કરવા માટે Realtime API અને અન્ય અત્યાધુનિક મોડલનો ઉપયોગ કરે છે, સાચવેલા સ્થાનો અને ગ્રાહક સંદર્ભનો લાભ લે છે, અને ભલામણો કરે છે—સાથે સાથે ઍપની અંદર મૌખિક અને દૃશ્ય પ્રતિભાવોનું સમન્વય કરે છે.

તેનો અર્થ વધુ સામાનવાળી ટ્રિપ માટે UberXL સૂચવવો અથવા “ઘર” જેવા સાચવેલા ગંતવ્યોને ઓળખવો હોઈ શકે છે.

“વૉઇસ એક સમયે એક જ કાર્ય પૂર્ણ કરવાની મર્યાદા દૂર કરે છે,” પરીખ કહે છે. “તમે સંપૂર્ણ ઇરાદો સ્વાભાવિક રીતે વ્યક્ત કરી શકો છો, અને સિસ્ટમ પરિણામને ઓર્કેસ્ટ્રેટ કરી શકે છે.”

વૉઇસ Uber ના સમગ્ર ઇકોસિસ્ટમમાં સુલભતાને પણ વિસ્તારે છે અને નવા વર્કફ્લોઝને ખુલ્લા કરે છે. ડ્રાઇવર સાઇડ પર, તે ડ્રાઇવરોને એપ સાથે હાથ વિના ઇન્ટરએક્ટ કરવાની સુવિધા આપે છે. રાઇડર પક્ષે, તે એવા ગ્રાહકો માટે અડચણો ઘટાડી શકે છે, જે વધુ ઝડપી અને સરળ આંતરક્રિયાઓ ઇચ્છે છે.

“વૉઇસ મલ્ટી-ટૅપ અવરોધને દૂર કરે છે કારણ કે તમે ઘણી બધી વસ્તુઓ કહી શકો છો,” વિદ્યાસાગર કહે છે. “તે ઇકોસિસ્ટમના વિવિધ ભાગોને જોડવાની તે ક્ષમતાને અનલૉક કરે છે.”

LLM ક્ષમતાઓ ઝડપથી વિકસતી જાય છે તેમ, Uber એ પણ ટીમો કેવી રીતે કાર્ય કરે છે તેમાં ફેરફાર કર્યો છે.

સમગ્ર સંસ્થાના એન્જિનિયર્સ પ્રોમ્પ્ટિંગ, રીટ્રીવલ સિસ્ટમ્સ, મૂલ્યાંકન પાઇપલાઇન્સ અને ઓર્કેસ્ટ્રેશન ફ્રેમવર્ક્સ સાથે કામ કરે છે. ઉત્પાદન, કાનૂની, ઓપરેશન્સ અને ડિઝાઇન ટીમો નીતિની સીમાઓ વ્યાખ્યાયિત કરવા, આઉટપુટ્સનું પરીક્ષણ કરવા અને વપરાશકર્તા અનુભવોને સુધારવા માટે વધુ નજીકથી સહકાર કરે છે.

નવીનતાની જવાબદારી નાની કેન્દ્રિય AI ટીમ પાસે હોવાને બદલે, હવે બુદ્ધિમત્તાને સમગ્ર કંપનીમાં સમાવી શકાય છે.

“આ બધું હવે માત્ર એક વિશેષિત જૂથ જ કરી રહ્યું હોય એવું રહ્યું નથી,” વિદ્યાસાગર કહે છે. “ઘણી ટીમો યોગદાન આપી શકે છે કારણ કે નિર્માણ કરવાના અવરોધો ઘટી ગયા છે.”

તે બદલાવ Uber ના સમગ્ર ઇકોસિસ્ટમમાં પ્રયોગોને વેગ આપે છે અને નવા વિચારોનું સર્જન કરે છે.

“દરેક ડ્રાઇવ, દરેક મુસાફરી ઘટનાઓનો એક ક્રમ છે, અને તે સૂક્ષ્મતાને સમજવી અને પ્રક્રિયા કરવી એ જ છે જે LLM અમારા માટે શક્ય બનાવે છે,” વિદ્યાસાગર કહે છે. “તે અમને આગળ ક્યાં Go જોઈએ તે અંગે ઘણી માહિતી આપે છે, અને અમારી પાસે જે સ્કેલ છે તે સ્તરે આ ખુલતી ક્ષમતા અસાધારણ રીતે શક્તિશાળી છે.”

Uber Assistant ને હવે પ્રાયોગિક રોલઆઉટ હેઠળ યુ.એસ.ના ડ્રાઇવર નેટવર્કમાં વિસ્તૃત કરવામાં આવ્યો છે, જ્યારે Uber અનુભવનું પરીક્ષણ અને સુધારણા કરવાનું ચાલુ રાખે છે:

• યુ.એસ.ના લાખો ડ્રાઇવરો હવે Uber Assistant ના બીટા અનુભવનો ઉપયોગ કરી શકે છે
• પ્રારંભિક જીવનચક્રના ડ્રાઇવરો માટે સપોર્ટમાં સુધારો કરવો અને નવા ડ્રાઇવરોને વધુ ટ્રિપ્સ માટે પોતાને વધુ સારી રીતે સ્થિત કરવામાં મદદ કરવી.
• મજબૂત પુનઃ સંલગ્નતા, જેમાં વપરાશકર્તાઓ સફળ પરસ્પર ક્રિયા પછી ફરી પરત આવે છે
• સમયનો વધુ સારો ઉપયોગ પ્લેટફોર્મ પર વધુ સ્માર્ટ માર્કેટપ્લેસ ઇનસાઇટ્સ દ્વારા
• ઉત્પાદનના ઝડપી પુનરાવૃત્તિ ચક્રો મોડલ વિશેષીકરણ અને સતત મૂલ્યાંકન સિસ્ટમ્સ દ્વારા

નવા ડ્રાઇવરને તેમની પહેલી ટ્રિપ મેળવવામાં મદદ કરવાથી લઈને વધુ સારી કમાણીની તકો શોધતા અનુભવી ડ્રાઇવરને માર્ગદર્શન આપવા સુધી, Uber કામને વધુ ઉત્પાદક, પરિવહનને વધુ સરળ અને રોજિંદી લોજિસ્ટિક્સને વધુ માનવીય બનાવવા માટે OpenAI મોડલનો ઉપયોગ કરી રહ્યું છે.

“એક એન્જિનિયર તરીકે, OpenAI ફક્ત તે સમસ્યાઓને અલગ અને અનન્ય રીતોથી ઉકેલવાની ક્ષમતાને અનલૉક કરે છે,” વિદ્યાસાગર કહે છે.