Uber OpenAI-ით: მეტი შემოსავალი, სწრაფი დაჯავშნა ადამიანებისთვის

ყოველდღე, მილიონობით ადამიანი ეყრდნობა Uber-ს მგზავრობის დასაჯავშნად, კერძების შესაკვეთად, ამანათების გასაგზავნად და მოქნილი შემოსავლის მისაღებად. თითოეული შეხების მიღმა დგას რეალურ დროში მოქმედი კომპლექსური ბაზარი, რომელსაც აყალიბებს საგზაო მოძრაობა, ამინდი, აეროპორტში ჩამომავალი რეისები, ადგილობრივი ღონისძიებები და მოთხოვნა. Uber უზარმაზარი მასშტაბით ოპერირებს: დღეში 40 მილიონი მგზავრობა, 10 მილიონი მძღოლი და კურიერი 15,000 ქალაქში, 70-ზე მეტ ქვეყანაში. თითოეულ ქალაქს აქვს საკუთარი ოპერირების დინამიკა, რეგულაციები და მგზავრების ქცევა, რაც ქმნის სისტემას, რომელიც გლობალურ მასშტაბზე უწყვეტად უნდა ადაპტირდებოდეს.

Uber-ი დიდი ხანია იყენებს მანქანურ სწავლებას თავისი პლატფორმის მხარდასაჭერად. ახლა კი, დიდი ენობრივი მოდელებისა და OpenAI-ის მოწინავე მოდელების დახმარებით, Uber-ს შეუძლია უფრო სწრაფად დაამუშაოს კომპლექსური სიგნალები, უზრუნველყოს სწრაფი დიალოგური პასუხები და აამუშაოს ხმოვანი ფუნქციები აპლიკაციის შიგნით.

Uber-სა და OpenAI-ს შორის თანამშრომლობა ეხმარება Uber-ს AI-ზე დაფუძნებული პროდუქტების შექმნაში, რომლებიც მძღოლებისა და კურიერებისთვის შემოსავლის მიღების შესაძლებლობებს ამარტივებს და მგზავრებისთვის დაბრკოლებებს ამცირებს. და OpenAI-ს მოდელების გამოყენებით Uber-ს შეუძლია გამარტივებული პროდუქტებისა და გამოცდილებების გამოშვება უფრო სწრაფად, ვიდრე ოდესმე.

მძღოლებისთვის მოქნილობა Uber-ის ერთ-ერთი მთავარი უპირატესობაა. ზოგი სრულ განაკვეთზე მუშაობს მძღოლად, ზოგი — მხოლოდ შაბათ-კვირას, ზოგი კი — გაკვეთილებსა თუ ცვლებს შორის. ეს მოქნილობა იმასაც ნიშნავს, რომ მძღოლები მუდმივად აფასებენ სხვადასხვა ვარიანტს და სვამენ კითხვებს: სად ჯობს ვიყო ახლა ? ღირს თუ არა აეროპორტისკენ წასვლა? ხომ არ სჯობს ლანჩის დროს მგზავრების გადაყვანიდან მიტანის სერვისზე გადავერთო? რატომ განსხვავდება ჩემი დღევანდელი გამომუშავება ჩვეულებრივისგან?

ამ კითხვებზე პასუხის გაცემაში დასახმარებლად Uber-მა შექმნა Uber Assistant, AI-ზე დაფუძნებული ასისტენტი, რომელიც შექმნილია იმისთვის, რომ დაეხმაროს მძღოლებს პლატფორმაზე მათი საქმიანობის მთელი ციკლის განმავლობაში — ონბორდინგიდან და პირველი მგზავრობებიდან დაწყებული, ყოველდღიური შემოსავლების ოპტიმიზაციით დამთავრებული.

„გვსურს, მძღოლებს მივცეთ შესაძლებლობა, თავად მიიღონ უკეთესი გადაწყვეტილებები ბაზრის შეჯამებული სურათისა და რეალურ დროში მიღებული ინფორმაციის საფუძველზე,“ — ამბობს დარმინ პარიხი, Uber-ის პროდუქტების მართვის დირექტორი.

ასისტენტი მძღოლებს ეხმარება განსაზღვრონ, სად და როდის გამოიმუშაონ შემოსავალი, ისეთი რთული მონაცემების, როგორიცაა შემოსავლების ტენდენციები და სითბური რუკები, მარტივ და ქმედით სახელმძღვანელო მითითებებად გარდაქმნით. შემდეგ მათ შეუძლიათ მარტივი ენით დასვან დამატებითი კითხვები, მიიღონ მათზე მორგებული პასუხები და აპში მარტივად გადაადგილდნენ.

Uber-ის მიზანია შეამციროს კოგნიტიური დატვირთვა — ძალისხმევა, რომელიც საჭიროა კომპლექსური მარკეტპლეისის მონაცემების ინტერპრეტაციისთვის შემოსავლის გამომუშავების მცდელობისას.

ეს განსაკუთრებით ღირებული აღმოჩნდა ახალბედა მძღოლებისთვის. Uber-მა დაადგინა, რომ AI-ის გამოყენება Uber-ის რეალური მონაცემების შესაჯამებლად და გასამარტივებლად შეუძლია ადაპტაციის პროცესის დაჩქარება, რადგან მძღოლებს ეხმარება, სამუშაო პროცესები და ბაზრის დინამიკა გაცილებით სწრაფად აითვისონ, ვიდრე მხოლოდ ცდისა და შეცდომის მეთოდით.

მიუხედავად იმისა, რომ თავდაპირველი მოლოდინით Uber Assistant ყველაზე მეტად დამწყებ მძღოლებს უნდა დახმარებოდა, გამოცდილი მძღოლებიც არაერთგზის ბრუნდებოდნენ დამატებითი კითხვების დასასმელად და პლატფორმაზე საკუთარი დროის ოპტიმიზაციისთვის — ამან დაადასტურა, რომ პროდუქტი გრძელვადიანი დანიშნულების ინსტრუმენტია და არა მხოლოდ დამხმარე საშუალება ადაპტაციის ეტაპზე.

„ასისტენტი მძღოლებს ეხმარება სამუშაო პროცესში სწრაფად ჩაერთონ, ნაცვლად იმისა, რომ ასობით მგზავრობა დასჭირდეთ იმის გასაგებად, თუ როგორ მუშაობს პლატფორმა,“ — ამბობს პარიხი.

Uber-ისთვის სიზუსტე, უსაფრთხოება, სანდოობა და სიჩქარე უმთავრესი პრიორიტეტებია ნებისმიერი AI სისტემის დანერგვისას, რომლის შედეგებსაც მძღოლებთან და კურიერებთან აქვს შეხება. კრიტიკულად მნიშვნელოვანი საკითხებია, რომ პასუხები არ სცდებოდეს დადგენილ პოლიტიკას, ხოლო დაყოვნების დრო შეესაბამებოდეს იმ სტანდარტს, რომელსაც მომხმარებლები რეალურ დროში მომუშავე მობილური აპლიკაციისგან მოელიან.

სწორედ ამიტომ, Uber-მა Uber Assistant სამ ძირითად პრინციპზე დაყრდნობით შექმნა: უსაფრთხოება, ნდობა და მინიმალური დაყოვნება.

Uber-ის საინჟინრო გუნდებმა შექმნეს მრავალაგენტიანი არქიტექტურა, რომელიც თითოეული მომხმარებლის მოთხოვნას ყველაზე შესაბამის სპეციალიზებულ სისტემაზე გადაამისამართებს. მაგალითად, შემოსავლებთან დაკავშირებული კითხვები შეიძლება სხვაგვარად დამუშავდეს, ვიდრე რეგისტრაციასთან დაკავშირებული კითხვები, ხოლო მარკეტპლეისთან დაკავშირებული მითითებები განსხვავებულ მსჯელობას მოითხოვს, ვიდრე ტრანზაქციული მოქმედებები.

ეს არქიტექტურა Uber-ს საშუალებას აძლევს, თითოეული ამოცანა გადაამისამართოს იმ მოდელთან, რომელიც საუკეთესოდ შეესაბამება მის კონკრეტულ საოპერაციო საჭიროებებს, რაც უზრუნველყოფს თითოეული მოთხოვნის დამუშავებას სათანადო ფოკუსით იმაზე, რაც ყველაზე მნიშვნელოვანია.

მარტივი კლასიფიკაციისა და სწრაფი პასუხებისთვის Uber უფრო სწრაფ ნანო/მინი მოდელებს იყენებს. უფრო კომპლექსური ამოცანებისთვის Uber უფრო დიდ მსჯელობის მოდელებს იყენებს.

Uber-მა ასევე შეიმუშავა AI Guard, შიდა მმართველობითი შრე, რომელიც ხელს უწყობს მოთხოვნებისა და პასუხების შემოწმებას უსაფრთხოების, კონფიდენციალურობისა და დაცულობის უზრუნველსაყოფად, პოლიტიკის აღსრულებას, ჰალუცინაციების შემცირებას და სხვადასხვა გამოცდილებაში თანმიმდევრულობის შენარჩუნებას.

როდესაც მძღოლები იღებენ ზუსტ და სასარგებლო რეკომენდაციებს, ისინი კვლავ ბრუნდებიან. ისინი მეტ შეკითხვას სვამენ. ისინი არაერთხელ ერთვებიან. და ისინი პლატფორმაზე დროს უფრო პროდუქტიულად ატარებენ.

„თუ მომხმარებლები სისტემას არ ენდობიან, თქვენ მათ მალევე დაკარგავთ,“ ამბობს პარიხი. „მაგრამ როდესაც ისინი ღირებულებას ხედავენ, კვლავ ბრუნდებიან.“

Uber ასევე იყენებს OpenAI-ის Realtime API-ებს ტექნოლოგიაში ინტერფეისის ერთ-ერთი მომდევნო მნიშვნელოვანი გარდაქმნისთვის — ხმოვანი ინტერფეისისთვის.

აპლიკაციაში ტექსტის აკრეფა შეიძლება ეფექტიანი იყოს მარტივი მოთხოვნებისთვის. მაგრამ ტრანსპორტირებისა და კომერციის მრავალი საჭიროება უფრო კომპლექსურია.

მგზავრს შეიძლება სურდეს თქვას: „ხუთი ერთეული ბარგი მაქვს და ჩემთან ერთად კიდევ ხუთი ადამიანია. აეროპორტამდე კომფორტული მგზავრობა მჭირდება. რას მირჩევთ?” ასაკოვანმა ან მხედველობადაქვეითებულმა მგზავრმა შეიძლება მენიუებში შეხებით ნავიგაციას საუბარი არჩიოს.

Uber-ის ახალი ხმოვანი გამოცდილებები შექმნილია იმისთვის, რომ ასეთი მომენტები შეუფერხებელი გახადოს. მომხმარებლებს შეუძლიათ Uber-ის აპში „სად მიდიხართ?“ საძიებო ზოლზე მიკროფონის ხატულას შეეხონ და ბუნებრივი მეტყველებით მგზავრობა მოითხოვონ. სისტემა იყენებს Realtime API-სა და სხვა მოწინავე მოდელებს განზრახვის ინტერპრეტაციისთვის, სარგებლობს შენახული მდებარეობებითა და მომხმარებლის კონტექსტით და იძლევა რეკომენდაციებს, ამავდროულად აპში ახდენს ხმოვანი და ვიზუალური პასუხების სინქრონიზაციას.

ეს შეიძლება ნიშნავდეს UberXL-ის შეთავაზებას ბევრი ბარგით მგზავრობისთვის ან შენახული დანიშნულების ადგილების ამოცნობას, როგორიცაა „სახლი“.

„ხმა ხსნის ბარიერს, რომელიც მხოლოდ ერთი დავალების ერთდროულად შესრულებით შემოიფარგლება,“ — ამბობს პარიხი. „შეგიძლიათ თქვენი სრული ჩანაფიქრი ბუნებრივად გამოხატოთ, სისტემას კი შეუძლია შედეგის ორკესტრირება.“

Voice ასევე აფართოებს ხელმისაწვდომობას და ხსნის ახალ სამუშაო ნაკადებს Uber-ის ეკოსისტემაში. მძღოლებისთვის, ის საშუალებას იძლევა ხელების გარეშე იურთიერთონ აპლიკაციასთან. მგზავრებისთვის, მას შეუძლია შეამციროს სირთულეები იმ მომხმარებლებისთვის, რომლებსაც უფრო სწრაფი და მარტივი ურთიერთქმედება სურთ.

„ხმოვანი მართვა მრავალჯერ შეხების ბარიერს ხსნის, რადგან შეგიძლიათ ერთდროულად რამდენიმე რამ თქვათ,“ — ამბობს ვიდიასაგარი. „ეს შესაძლებლობას გაძლევთ, დააკავშიროთ ეკოსისტემის სხვადასხვა ნაწილი.“

LLM-ის შესაძლებლობების სწრაფ განვითარებასთან ერთად, Uber-მაც შეცვალა გუნდების მუშაობის მიდგომა.

ინჟინრები მთელი ორგანიზაციის მასშტაბით მუშაობენ პრომპტინგზე, მონაცემთა მოძიების სისტემებზე, შეფასების პროცესებსა და ორკესტრირების ჩარჩოებზე. პროდუქტის, იურიდიული, ოპერაციების და დიზაინის გუნდები უფრო მჭიდროდ თანამშრომლობენ, რათა განსაზღვრონ პოლიტიკის საზღვრები, შეამოწმონ შედეგები და გააუმჯობესონ მომხმარებლის გამოცდილება.

იმის ნაცვლად, რომ ინოვაციებზე პასუხისმგებლობა მცირე, ცენტრალიზებულ ხელოვნური ინტელექტის გუნდს ეკისრებოდეს, ახლა ინტელექტი შეიძლება კომპანიის მასშტაბით იყოს ინტეგრირებული.

„ამ ყველაფერს ერთი სპეციალიზებული ჯგუფი აღარ აკეთებს“, — ამბობს ვიდიასაგარი. „ბევრ გუნდს შეუძლია საკუთარი წვლილის შეტანა,რადგან შექმნის ბარიერები შემცირდა.“

ეს ცვლილება აჩქარებს ექსპერიმენტირებას და ახალ იდეებს ქმნის Uber-ის მთელ ეკოსისტემაში.

„ყოველი მგზავრობა, ყოველი გადაადგილება მოვლენათა თანმიმდევრობაა და ამ ნიუანსის გაგება და დამუშავება სწორედ ის არის, რის შესაძლებლობასაც LLM გვაძლევს“, — ამბობს ვიდიასაგარი. „ეს გვაძლევს უამრავ ინფორმაციას იმის შესახებ, თუ რა მიმართულებით უნდა წავიდეთ შემდეგ, და ეს შესაძლებლობა — იმ მასშტაბით, რომელიც ჩვენ გვაქვს — განსაკუთრებულად ძლიერია.“

Uber Assistant-ი ახლა უკვე გაფართოვდა აშშ-ის მძღოლების ქსელში ექსპერიმენტული დანერგვის ფარგლებში, მაშინ როცა Uber აგრძელებს ამ გამოცდილების ტესტირებასა და დახვეწას:

• აშშ-ში ასობით ათას მძღოლს ახლა აქვს წვდომა Uber Assistant-ის ბეტა გამოცდილებებზე
• ვაუმჯობესებთ მხარდაჭერას საქმიანობის საწყის ეტაპზე მყოფი მძღოლებისთვის, რაც ახალბედა მძღოლებს ეხმარება, უკეთ პოზიციონირდნენ მეტი მგზავრობის მისაღებად
• მაღალი განმეორებითი ჩართულობა, მომხმარებლები წარმატებული ინტერაქციების შემდეგ ბრუნდებიან
• პლატფორმაზედროის უკეთესი გამოყენება,მარკეტპლეისის უფრო ჭკვიანი ანალიზის მეშვეობით.
• პროდუქტის იტერაციის უფრო სწრაფი ციკლები მოდელის სპეციალიზაციისა და უწყვეტი შეფასების სისტემების მეშვეობით

ახალბედა მძღოლის დახმარებიდან პირველი შეკვეთის მიღებაში, გამოცდილი მძღოლის ხელმძღვანელობამდე, რომელიც უკეთეს შემოსავალს ეძებს — Uber იყენებს OpenAI-ის მოდელებს, რათა მუშაობა უფრო პროდუქტიული, ტრანსპორტირება უფრო შეუფერხებელი, ხოლო ყოველდღიური ლოგისტიკა უფრო ადამიანური გახადოს.

„როგორც ინჟინერს, OpenAI უბრალოდ მიხსნის შესაძლებლობას, რომ ეს პრობლემები განსხვავებული და უნიკალური გზებით გადავჭრა,“ — ამბობს ვიდიასაგარი.