Az Uber OpenAI-jal segíti az okosabb pénzkeresést és a foglalást

Nap mint nap emberek milliói támaszkodnak az Uberre, hogy utakat foglaljanak, ételt rendeljenek, csomagokat küldjenek és rugalmasan pénzt keressenek. Minden koppintás mögött egy összetett, valós idejű piactér áll, amelyet a forgalom, az időjárás, a repülőtéri érkezések, a helyi események és a kereslet alakít. Az Uber hatalmas léptékben működik: napi 40 millió utazás, 10 millió sofőr és futár 15 000 városban, több mint 70 országban. Minden városnak megvannak a saját működési dinamikái, szabályozásai és utasviselkedési mintái, ami olyan rendszert hoz létre, amelynek folyamatosan kell alkalmazkodnia globális léptékben.

Az Uber régóta használ gépi tanulást a piactere támogatására. Most pedig a nagy nyelvi modellek és az OpenAI csúcskategóriás modelljeinek előnyeivel az Uber gyorsabban tud érvelni összetett jelek alapján, gyors társalgási válaszokat tud adni, és hangalapú élményeket tud működtetni az alkalmazáson belül.

Az Uber és az OpenAI együttműködése segíti az Ubert olyan AI-alapú termékek fejlesztésében, amelyek leegyszerűsítik a sofőrök és futárok kereseti lehetőségeit, és csökkentik az utasok számára a súrlódást. Az OpenAI modelljeit használva az Uber ráadásul minden eddiginél gyorsabban tud letisztult termékeket és élményeket piacra vinni.

A sofőrök számára a rugalmasság az Uber egyik legnagyobb erőssége. Vannak, akik teljes munkaidőben vezetnek, mások csak hétvégén, megint mások órák vagy műszakok között. Ez a rugalmasság ugyanakkor azt is jelenti, hogy a sofőrök folyamatosan mérlegelik a lehetőségeiket és kérdéseket tesznek fel: Hová érdemes most pozicionálnom magam? Megéri kimenni a repülőtérre? Ebédidőben váltsak a fuvarokról kiszállításokra? Miért nézett ki ma másként a bevételem?

Hogy segítsen megválaszolni ezeket a kérdéseket, az Uber kifejlesztette az Uber Assistantet, egy AI-alapú asszisztenst, amelyet arra terveztek, hogy segítse a sofőröket a platformon eltöltött teljes életciklusuk során – a regisztrációtól és az első fuvaroktól a napi keresetoptimalizálásig.

„Azt szeretnénk lehetővé tenni, hogy a sofőrök jobb döntéseket hozzanak maguk számára azáltal, hogy összefoglalt képet adunk a piactérről és valós idejű betekintéseket nyújtunk” – mondja Dharmin Parikh, az Uber termékmenedzsment-igazgatója.

Az asszisztens abban segít a sofőröknek, hogy hol és mikor érdemes keresniük, mivel az olyan összetett adatokat, mint a kereseti trendek és hőtérképek, egyszerű, cselekvésre kész pozicionálási ajánlásokká alakítja. Ezután természetes nyelven tehetnek fel további kérdéseket, személyre szabott válaszokat kaphatnak, és könnyebben eligazodhatnak az alkalmazásban.

Az Uber célja a kognitív terhelés csökkentése – vagyis annak az erőfeszítésnek a mérséklése, amely összetett piactéri adatok értelmezéséhez kell, miközben valaki bevételt próbál szerezni.

Ez különösen értékesnek bizonyult az új sofőrök számára. Az Uber azt találta, hogy az AI használata az Uber valós adatai összefoglalására és könnyen érthető kommunikálására felgyorsíthatja a betanulást, mivel segít a sofőröknek sokkal gyorsabban megtanulni a munkafolyamatokat és a piactér dinamikáját, mint pusztán próbálkozás és tévedés útján.

Bár az Uber Assistanttől kezdetben azt várták, hogy leginkább az újabb sofőröknek segít majd, a tapasztalt sofőrök is újra és újra visszatértek további kérdésekkel, és igyekeztek optimalizálni a platformon töltött idejüket – ezzel igazolva, hogy a termék hosszú távon hasznos, nem csupán egy betanítási eszköz.

„Az Assistant segít a sofőröknek gyorsan betanulni, szemben azzal, hogy több száz fuvarra lenne szükségük ahhoz, hogy megértsék, hogyan működik a platform” – mondja Parikh.

Az Uber számára a pontosság, a biztonság, a megbízhatóság és a sebesség elsődleges szempont minden olyan AI-rendszer bevezetésekor, amelynek kimenetei sofőrökkel és futárokkal lépnek kapcsolatba. A kritikus szempontok közé tartozik, hogy a válaszok a szabályzat keretein belül maradjanak, és hogy a késleltetés megfeleljen annak a szintnek, amelyet a felhasználók egy valós idejű mobilalkalmazástól elvárnak.

Ezért tervezte az Uber az Uber Assistantet három alapelv köré: biztonság, bizalom és alacsony késleltetés.

Az Uber mérnökcsapatai egy többügynökös architektúrát építettek, amely minden felhasználói kérést a legmegfelelőbb specializált rendszerhez irányít. Például a keresettel kapcsolatos kérdéseket másként lehet kezelni, mint a regisztrációval kapcsolatosakat, a piactéri útmutatás pedig másfajta érvelést igényel, mint a tranzakciós műveletek.

Ez az architektúra lehetővé teszi az Uber számára, hogy minden feladatot ahhoz a modellhez irányítson, amely a leginkább megfelel az adott működési igényeknek, biztosítva, hogy minden lekérdezés megfelelő fókuszt kapjon arra, ami a legfontosabb.

A könnyűsúlyú osztályozási feladatokhoz és a gyors válaszokhoz az Uber gyorsabb, nano/mini modelleket használ. Az összetettebb feladatokhoz nagyobb, érvelési modelleket vet be.

Az Uber emellett kifejlesztette az AI Guardot, egy belső irányítási réteget, amely segít szűrni az utasításokat és válaszokat a biztonság, az adatvédelem és a védelem előmozdítása, a szabályok érvényesítése, a hallucinációk csökkentése és az élmények közötti következetesség fenntartása érdekében.

Amikor a sofőrök pontos, hasznos ajánlásokat kapnak, visszatérnek. Több kérdést tesznek fel. Újra és újra használják a rendszert. És több produktív időt töltenek a platformon.

„Ha a felhasználók nem bíznak a rendszerben, gyorsan elveszítjük őket” – mondja Parikh. „De amikor értéket látnak benne, visszatérnek.”

Az Uber az OpenAI Realtime API-okat a technológia egyik következő nagy felületváltására is alkalmazza: a hangra.

Egy alkalmazásba gépelni egyszerű kéréseknél hatékony lehet. Sok közlekedési és kereskedelmi igény azonban összetettebb.

Egy utazó mondhatja például: „Öt csomagom van és még öt másik ember utazik velem. Kényelmes utat szeretnék a repülőtérre. Mit ajánlasz?” Egy idősebb vagy látássérült utas inkább a beszédet választhatja a menükön való végigkoppintás helyett.

Az Uber új hangalapú élményeit úgy tervezték, hogy ezek a helyzetek súrlódásmentesek legyenek. A felhasználók megérinthetik a mikrofon ikont az Uber alkalmazás „hová?” keresősávjában, és természetes beszéddel kérhetnek fuvart. A rendszer a Realtime API-t és más csúcskategóriás modelleket használja a szándék értelmezésére, kihasználja a mentett helyeket és az ügyfélkontextust, ajánlásokat tesz, miközben szinkronizálja a kimondott és a vizuális válaszokat az alkalmazáson belül.

Ez jelentheti például az UberXL javaslatát sok csomaggal járó utakhoz, vagy az olyan mentett úti célok felismerését, mint az „otthon”.

„A hang megszünteti azt az akadályt, hogy egyszerre csak egy feladatot lehessen elvégezni” – mondja Parikh. „Természetesen ki tudod fejezni a teljes szándékot, a rendszer pedig meg tudja szervezni az eredményt.”

A hang emellett bővíti az akadálymentes hozzáférést, és új munkafolyamatokat nyit meg az Uber ökoszisztémájában. A sofőrök oldalán lehetővé teszi, hogy kézhasználat nélkül lépjenek kapcsolatba az alkalmazással. Az utasok oldalán csökkentheti a súrlódást azok számára, akik gyorsabb, egyszerűbb interakciókat szeretnének.

„A hang eltávolítja a többlépéses akadályt, mert egyszerre több dolgot is el lehet mondani” – mondja Vidyasagar. „Megnyitja annak a lehetőségét, hogy összekapcsoljuk az ökoszisztéma különböző részeit.”

Ahogy az LLM-ek képességei gyorsan fejlődnek, az Uber azt is megváltoztatta, hogyan építkeznek a csapatok.

A szervezet mérnökei utasításokkal, visszakereső rendszerekkel, értékelési folyamatokkal és összehangoló keretrendszerekkel dolgoznak. A termékkel foglalkozó, jogi, operációs és designcsapatok szorosabban működnek együtt a szabályzati határok meghatározásában, a kimenetek tesztelésében és a felhasználói élmények javításában.

Ahelyett, hogy egy kis, központosított AI-csapat birtokolná az innovációt, az intelligencia most már a vállalat egészébe beágyazható.

„Már nem egyetlen specializált csoport végzi mindezt” – mondja Vidyasagar. „Sok csapat hozzátehet, mert a fejlesztés akadályai csökkentek.”

Ez a váltás felgyorsítja a kísérletezést, és új ötleteket hoz létre az Uber ökoszisztémájában.

„Minden vezetés, minden utazás események sorozata, és ennek az árnyaltságnak a megértését és feldolgozását teszi lehetővé számunkra az LLM” – mondja Vidyasagar. „Ez rengeteg információt ad arról, merre kell továbbmennünk, és ez a lehetőség – azon a léptéken, amin mi működünk – kivételesen erőteljes.”

Az Uber Assistant mostanra kísérleti bevezetéssel kibővült az Egyesült Államok sofőrhálózatában, miközben az Uber tovább teszteli és finomítja az élményt:

• Az Egyesült Államokban több százezer sofőr fér hozzá az Uber Assistant bétaélményeihez
• Javuló támogatás a korai életszakaszban lévő sofőrök számára, segítve az új sofőröket, hogy jobban pozicionálják magukat több fuvarhoz
• Erős ismételt elköteleződés, a felhasználók sikeres interakciók után visszatérnek
• Jobb időkihasználás a platformon az okosabb piactéri betekintések révén
• Gyorsabb termékiterációs ciklusok a modellspecializáció és a folyamatos értékelési rendszerek révén

Attól kezdve, hogy egy új sofőr megszerzi az első fuvarját, egészen addig, hogy egy tapasztalt sofőrt jobb kereseti lehetőségekhez irányítsanak, az Uber az OpenAI modelljeit használja arra, hogy produktívabbá tegye a munkát, zökkenőmentesebbé a közlekedést és emberközelibbé a mindennapi logisztikát.

„Mérnökként az OpenAI egyszerűen megnyitja a lehetőséget, hogy ezeket a problémákat más és egyedi módokon oldjuk meg” – mondja Vidyasagar.