സമ്പാദ്യത്തിനും ദ്രുതബുക്കിംഗിനുമായി Uber, OpenAI ഉപയോഗിക്കുന്നു

പ്രതിദിനം, യാത്രകൾ ബുക്ക് ചെയ്യാനും, ഭക്ഷണം ഓർഡർ ചെയ്യാനും, പാക്കേജുകൾ അയയ്ക്കാനും, സ്വന്തം സൗകര്യാനുസരണം വരുമാനം നേടാനും ദശലക്ഷക്കണക്കിന് ആളുകൾ Uber-നെ ആശ്രയിക്കുന്നു. ഓരോ ടാപ്പിന്റെയും പിന്നിൽ ട്രാഫിക്, കാലാവസ്ഥ, വിമാനത്താവളത്തിലെ വരവുകൾ, പ്രാദേശിക ഇവന്റുകൾ, ആവശ്യകത എന്നിവയാൽ രൂപപ്പെടുന്ന സങ്കീർണ്ണമായ ഒരു തത്സമയ മാർക്കറ്റ്‌പ്ലേസ് പ്രവർത്തിക്കുന്നു. Uber വൻ തോതിലാണ് പ്രവർത്തിക്കുന്നത്: പ്രതിദിനം 40 ദശലക്ഷം യാത്രകൾ, 70-ലധികം രാജ്യങ്ങളിലായി 15,000 നഗരങ്ങളിൽ 10 ദശലക്ഷം ഡ്രൈവർമാരും കൊറിയർമാരും. ഓരോ നഗരത്തിനും അതിന്റേതായ പ്രവർത്തന ഗതിശാസ്ത്രം, നിയന്ത്രണങ്ങൾ, യാത്രക്കാരുടെ പെരുമാറ്റം എന്നിവയുണ്ട്. അതിനാൽ ആഗോള തലത്തിൽ തുടർച്ചയായി പൊരുത്തപ്പെടേണ്ട ഒരു സംവിധാനമാണ് ഇത്.

Uber അതിന്റെ മാർക്കറ്റ്‌പ്ലേസ് പിന്തുണയ്ക്കാൻ ഏറെക്കാലമായി മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ചുവരുന്നു. ഇപ്പോൾ, വലിയ ഭാഷാ മോഡലുകളുടെയും OpenAI അത്യാധുനിക മോഡലുകളുടെയും പ്രയോജനത്തോടെ, Uber-ന് സങ്കീർണ്ണമായ സിഗ്നലുകളിലുടനീളം കൂടുതൽ വേഗത്തിൽ യുക്തിപൂർവ്വം വിശകലനം ചെയ്യാനും, വേഗത്തിലുള്ള സംഭാഷണാത്മക പ്രതികരണങ്ങൾ നൽകാനും, ആപ്പിനുള്ളിലെ വോയ്സ് അനുഭവങ്ങളെ ശക്തിപ്പെടുത്താനും കഴിയും.

Uber-നും OpenAI-ക്കും ഇടയിലുള്ള സഹകരണം, ഡ്രൈവർമാർക്കും കൊറിയർമാർക്കും വരുമാന അവസരങ്ങൾ ലളിതമാക്കുകയും യാത്രക്കാർക്കുള്ള ബുദ്ധിമുട്ടുകൾ കുറയ്ക്കുകയും ചെയ്യുന്ന AI-യിൽ പ്രവർത്തിക്കുന്ന ഉൽപ്പന്നങ്ങൾ നിർമ്മിക്കാൻ Uber-നെ സഹായിക്കുന്നു. കൂടാതെ OpenAI-യുടെ മോഡൽ ഉപയോഗിച്ച്, Uber-ന് മുമ്പത്തേക്കാൾ വേഗത്തിൽ കൂടുതൽ കാര്യക്ഷമമായ ഉൽപ്പന്നങ്ങളും അനുഭവങ്ങളും പുറത്തിറക്കാൻ കഴിയും.

ഡ്രൈവർമാർക്കുള്ള സൗകര്യം Uber-ന്റെ ഏറ്റവും വലിയ ശക്തികളിലൊന്നാണ്. ചിലർ പൂർണ്ണസമയമായി ഡ്രൈവ് ചെയ്യുന്നു, ചിലർ വാരാന്ത്യങ്ങളിൽ മാത്രം, മറ്റുചിലർ ക്ലാസുകൾക്കോ ഷിഫ്റ്റുകൾക്കോ ഇടയിൽ ഡ്രൈവ് ചെയ്യുന്നു. ഈ സൗകര്യം ഡ്രൈവർമാരുടെ ഓപ്ഷനുകൾ നിരന്തരം വിലയിരുത്തുകയും ചോദ്യങ്ങൾ ചോദിക്കുകയും ചെയ്യാൻ സഹായിക്കുന്നു: ഇപ്പോൾ എവിടെയാണ് താങ്കൾ നില്‍ക്കേണ്ടത്? വിമാനത്താവളത്തിലേക്ക് പോകുന്നത് ലാഭകരമാണോ? ഉച്ചഭക്ഷണസമയത്ത് റൈഡുകളിൽ നിന്ന് ഡെലിവറികളിലേക്ക് മാറണോ? ഇന്ന് എന്റെ വരുമാനം വ്യത്യസ്തമായി തോന്നിയതെന്തുകൊണ്ട്?

ആ ചോദ്യങ്ങൾക്ക് ഉത്തരം കണ്ടെത്താൻ സഹായിക്കുന്നതിനായി, പ്ലാറ്റ്‌ഫോമിലെ ഡ്രൈവർമാരുടെ മുഴുവൻ യാത്രയിലുടനീളം—ഓൺബോർഡിംഗും ആദ്യ ട്രിപ്പുകളും മുതൽ ദൈനംദിന വരുമാന ഓപ്റ്റിമൈസേഷൻ വരെ—അവരെ സഹായിക്കാൻ രൂപകൽപ്പന ചെയ്ത AI ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്ന അസിസ്റ്റന്റായ Uber Assistant Uber വികസിപ്പിച്ചു.

“വിപണിയുടെ സംഗ്രഹിച്ച ദൃശ്യവും തത്സമയ ഉൾക്കാഴ്ചകളും നൽകിക്കൊണ്ട്, ഡ്രൈവർമാരേ സ്വയം മെച്ചപ്പെട്ട തീരുമാനങ്ങൾ എടുക്കാൻ പ്രാപ്തരാക്കാനാണ് ഞങ്ങൾ ആഗ്രഹിക്കുന്നത്,” എന്ന് Uber-ലെ പ്രോഡക്ട് മാനേജ്മെന്റ് ഡയറക്ടർ ധർമിൻ പരീഖ് പറയുന്നു.

വരുമാന പ്രവണതകളും ഹീറ്റ്‌മാപ്പുകളും പോലുള്ള സങ്കീർണ്ണ ഡാറ്റയെ ലളിതവും പ്രാവർത്തികവുമായ പൊസിഷനിംഗ് ഉൾക്കാഴ്ചകളാക്കി മാറ്റി, എവിടെയും എപ്പോഴും വരുമാനം നേടാമെന്ന് തീരുമാനിക്കാൻ ഡ്രൈവർമാരേ അസിസ്റ്റന്റ് സഹായിക്കുന്നു. തുടർന്ന്, അവർക്ക് ലളിതമായ ഭാഷയിൽ തുടർചോദ്യങ്ങൾ ചോദിക്കാനും, തങ്ങൾക്ക് അനുയോജ്യമായ മറുപടികൾ നേടാനും, ആപ്പിൽ എളുപ്പത്തിൽ നാവിഗേറ്റ് ചെയ്യാനും കഴിയും.

വരുമാനം നേടാൻ ശ്രമിക്കുന്നതിനിടെ സങ്കീർണ്ണമായ മാർക്കറ്റ്‌പ്ലേസ് ഡാറ്റ അർത്ഥമാക്കാൻ ആവശ്യമായ പരിശ്രമമായ ബൗദ്ധിക അധികഭാരം കുറയ്ക്കുകയെന്നതാണ് Uber-ന്റെ ലക്ഷ്യം.

അത് പുതിയ ഡ്രൈവർമാർക്ക് പ്രത്യേകിച്ച് വിലപ്പെട്ടതാണെന്ന് തെളിഞ്ഞിട്ടുണ്ട്. Uber-ന്റെ യഥാർത്ഥ ലോക ഡാറ്റ സംഗ്രഹിച്ച് എളുപ്പത്തിൽ ആശയവിനിമയം നടത്താൻ എഐ ഉപയോഗിക്കുന്നത്, പരീക്ഷണങ്ങളിലൂടെയും പിശകുകളിലൂടെയും മാത്രം പഠിക്കുന്നതിനെക്കാൾ വർക്ക്ഫ്ലോകളും മാർക്കറ്റ് ഡൈനാമിക്സും വേഗത്തിൽ മനസ്സിലാക്കാൻ ഡ്രൈവർമാരെ സഹായിക്കുന്നു.

Uber Assistant തുടക്കത്തിൽ കൂടുതലായി സഹായിക്കുമെന്ന് പ്രതീക്ഷിച്ചത് പുതിയ ഡ്രൈവർമാരെയായിരുന്നുവെങ്കിലും, പരിചയസമ്പന്നരായ ഡ്രൈവർമാരും തുടർചോദ്യങ്ങൾ ചോദിക്കാനും പ്ലാറ്റ്‌ഫോമിലെ അവരുടെ സമയം കൂടുതൽ ഫലപ്രദമാക്കാനും വീണ്ടും മടങ്ങിയെത്തി—ഇത് ഈ ഉൽപ്പന്നം ഒരു ഓൺബോർഡിംഗ് ഉപകരണം മാത്രമല്ല, ദീർഘകാല ഉപയോഗപ്രദമായ ഒരു സംവിധാനമാണെന്നും തെളിയിച്ചു.

“പ്ലാറ്റ്ഫോം എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് മനസ്സിലാക്കാൻ നൂറുകണക്കിന് യാത്രകൾ നടത്തേണ്ടിവരുന്നതിനെ അപേക്ഷിച്ച്, ഡ്രൈവർമാർക്ക് വേഗത്തിൽ കാര്യങ്ങൾ പഠിച്ചെടുക്കാൻ അസിസ്റ്റന്റ് സഹായിക്കുന്നു,” എന്ന് Uber-ലെ പരീഖ് പറയുന്നു.

Uber-ൽ, ഡ്രൈവർമാരെയും കൊറിയർമാരെയും നേരിട്ട് ബാധിക്കുന്ന ഏതൊരു AI സംവിധാനവും നടപ്പിലാക്കുമ്പോൾ കൃത്യത, സുരക്ഷ, വിശ്വാസ്യത, വേഗത എന്നിവയാണ് പ്രധാന മുൻഗണനകൾ. പ്രതികരണങ്ങൾ നയങ്ങൾ പാലിക്കണം, കൂടാതെ ലേറ്റൻസി ഉപയോക്താക്കൾ ഒരു തത്സമയ മൊബൈൽ ആപ്പിൽ നിന്ന് പ്രതീക്ഷിക്കുന്ന നിലവാരത്തിൽ ആയിരിക്കണം എന്നതാണ് നിർണായക പരിഗണന.

അതുകൊണ്ടാണ് സുരക്ഷ, വിശ്വാസം, കുറഞ്ഞ ലേറ്റൻസി എന്നീ മൂന്ന് പ്രധാന തത്വങ്ങളെ കേന്ദ്രീകരിച്ച് Uber Assistant-നെ Uber രൂപകൽപ്പന ചെയ്തത്.

Uber-ന്റെ എഞ്ചിനീയറിംഗ് ടീമുകൾ ഓരോ ഉപയോക്താവിന്റെ അഭ്യർത്ഥനയും ഏറ്റവും അനുയോജ്യമായ പ്രത്യേക സിസ്റ്റത്തിലേക്ക് റൂട്ടുചെയ്യുന്ന ഒരു മൾട്ടി-ഏജന്റ് ആർക്കിടെക്ചർ രൂപപ്പെടുത്തിയിട്ടുണ്ട്. ഉദാഹരണത്തിന്, വരുമാനവുമായി ബന്ധപ്പെട്ട ചോദ്യങ്ങൾ ഓൺബോർഡിംഗ് ചോദ്യങ്ങളിൽ നിന്ന് വ്യത്യസ്തമായി കൈകാര്യം ചെയ്യാം; മാർക്കറ്റ്പ്ലേസ് മാർഗ്ഗനിർദേശത്തിന് ഇടപാട്-സംബന്ധമായ പ്രവർത്തനങ്ങളേക്കാൾ വ്യത്യസ്തമായ റീസണിംഗ് ആവശ്യമാണ്.

ഈ ആർക്കിടെക്ചർ Uber-ന് ഓരോ ടാസ്‌കും അതിന്റെ പ്രത്യേക പ്രവർത്തന ആവശ്യകതകൾക്ക് അനുയോജ്യമായ മോഡലിലേക്ക് റൂട്ട് ചെയ്യാൻ സാധ്യമാക്കുന്നു, ഇതിലൂടെ ഓരോ ക്വറിയും പ്രധാനപ്പെട്ട കാര്യങ്ങളിൽ ശ്രദ്ധ നൽകി കൈകാര്യം ചെയ്യപ്പെടുന്നു.

ചെറിയ വർഗ്ഗീകരണത്തിനും വേഗത്തിലുള്ള പ്രതികരണങ്ങൾക്കുമായി, Uber കൂടുതൽ വേഗമുള്ള നാനോ/മിനി മോഡലുകൾ ഉപയോഗിക്കുന്നു. കൂടുതൽ സങ്കീർണ്ണമായ ജോലികൾക്കായി, Uber വലുതായ റീസണിംഗ് മോഡലുകൾ പ്രയോജനപ്പെടുത്തുന്നു.

സുരക്ഷ, സ്വകാര്യത, സുരക്ഷിതത്വം എന്നിവ പ്രോത്സാഹിപ്പിക്കാനും നയങ്ങൾ നടപ്പിലാക്കാനും ഹാലൂസിനേഷനുകൾ കുറയ്ക്കാനും അനുഭവങ്ങളിലുടനീളം സ്ഥിരത നിലനിർത്താനും പ്രോംപ്റ്റുകളും പ്രതികരണങ്ങളും പരിശോധിക്കാൻ സഹായിക്കുന്ന ആന്തരിക ഗവേണൻസ് ലെയറായ AI Guard എന്നത് ഉബർ വികസിപ്പിച്ചു.

ഡ്രൈവർമാർക്ക് കൃത്യവും പ്രയോജനകരവുമായ ശുപാർശകൾ ലഭിക്കുമ്പോൾ, അവർ വീണ്ടും വരുന്നു. അവർ കൂടുതൽ ചോദ്യങ്ങൾ ചോദിക്കുന്നു. അവർ തുടർച്ചയായി ഇടപെടുന്നു. കൂടാതെ അവർ പ്ലാറ്റ്‌ഫോമിൽ കൂടുതൽ ഫലപ്രദമായി സമയം ചെലവഴിക്കുന്നു.

“ഉപയോക്താക്കൾക്ക് സിസ്റ്റത്തിൽ വിശ്വാസമില്ലെങ്കിൽ, അവരെ വേഗത്തിൽ നഷ്ടപ്പെടും,” എന്ന് പരിഖ് പറയുന്നു. “എന്നാൽ മൂല്യം തിരിച്ചറിയുമ്പോൾ, അവർ മടങ്ങിവരും.”

Uber സാങ്കേതികവിദ്യയിലെ അടുത്ത പ്രധാന ഇന്റർഫേസ് മാറ്റങ്ങളിലൊന്നായ വോയ്സിനായി OpenAI Realtime APIs ഉപയോഗിക്കുന്നു.

ലളിതമായ അഭ്യർത്ഥനകൾക്കായി ഒരു ആപ്പിൽ ടൈപ്പ് ചെയ്യുന്നത് കാര്യക്ഷമായിരിക്കാം. എന്നാൽ ഗതാഗതവും വാണിജ്യ ആവശ്യങ്ങളും ആകുമ്പോള്‍ അത് കൂടുതൽ സങ്കീർണ്ണമാണ്.

ഒരു യാത്രക്കാരൻ ഇങ്ങനെ പറയാൻ ആഗ്രഹിച്ചേക്കാം: “എന്നോടൊപ്പം അഞ്ച് ലഗേജ് സാധനങ്ങളും അഞ്ച് ആളുകളുമുണ്ട്. വിമാനത്താവളത്തിലേക്ക് പോകാൻ എനിക്ക് സൗകര്യപ്രദമായ ഒരു റൈഡ് വേണം. നിങ്ങൾ എന്താണ് ശുപാർശ ചെയ്യുന്നത്?” പ്രായമായവർക്കോ കാഴ്ചാപരിമിതിയുള്ള യാത്രക്കാർക്കോ മെനുകളിലൂടെ ടാപ്പ് ചെയ്ത് പോകുന്നതിനെക്കാൾ സംസാരിക്കുന്നതായിരിക്കാം കൂടുതൽ ഇഷ്ടം.

Uber-ന്റെ പുതിയ ശബ്ദാനുഭവങ്ങൾ അത്തരം നിമിഷങ്ങൾ തടസ്സരഹിതമാക്കുന്നതിനാണ് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്. ഉപയോക്താക്കൾക്ക് Uber ആപ്പിലെ ‘എവിടേക്ക്’ തിരയൽ ബാറിലുള്ള മൈക്രോഫോൺ ഐക്കൺ ടാപ്പ് ചെയ്ത് സ്വാഭാവിക സംസാരഭാഷ ഉപയോഗിച്ച് ഒരു യാത്ര അഭ്യർത്ഥിക്കാം. ഉദ്ദേശ്യം വ്യാഖ്യാനിക്കാൻ സിസ്റ്റം Realtime API-യും മറ്റ് അത്യാധുനിക മോഡലുകളും ഉപയോഗിക്കുന്നു, സംരക്ഷിച്ച ലൊക്കേഷനുകളും ഉപഭോക്തൃ സന്ദർഭവും പ്രയോജനപ്പെടുത്തുന്നു, കൂടാതെ ശുപാർശകൾ നൽകുന്നു—അതോടൊപ്പം ആപ്പിനുള്ളിൽ സംസാരരൂപത്തിലുള്ളതും ദൃശ്യവുമായ പ്രതികരണങ്ങൾ സമന്വയിപ്പിക്കുകയും ചെയ്യുന്നു.

അതായത്, ലഗേജ് കൂടുതലുള്ള യാത്രകൾക്ക് UberXL നിർദ്ദേശിക്കുന്നതോ “വീട്” പോലുള്ള സംരക്ഷിച്ച ലക്ഷ്യസ്ഥാനങ്ങൾ തിരിച്ചറിയുന്നതോ ആയിരിക്കാം.

“ഒരു സമയം ഒരു ജോലി മാത്രം എന്ന തടസ്സം വോയ്‌സ് നീക്കം ചെയ്യുന്നു,” എന്ന് പരിഖ് പറയുന്നു. “നിങ്ങൾക്ക് നിങ്ങളുടെ സമ്പൂർണ്ണ ഉദ്ദേശ്യം സ്വാഭാവികമായി പ്രകടിപ്പിക്കാം, കൂടാതെ സിസ്റ്റത്തിന് ഫലം ഏകോപിപ്പിച്ച് കൈവരിക്കാൻ കഴിയും.”

വോയ്‌സ് ആക്സസിബിലിറ്റിയെ കൂടുതൽ വിപുലീകരിക്കുകയും Uber-ന്റെ ഇക്കോസിസ്റ്റത്തിലുടനീളം പുതിയ വർക്ക്‌ഫ്ലോകൾ തുറന്നുകൊടുക്കുകയും ചെയ്യുന്നു. ഡ്രൈവർമാരുടെ ഭാഗത്ത്, ആപ്പുമായി ഹാൻഡ്സ്-ഫ്രീയായി ഇടപഴകാൻ ഇത് അവരെ സഹായിക്കുന്നു. റൈഡർമാരുടെ ഭാഗത്ത്, കൂടുതൽ വേഗത്തിലുള്ളതും ലളിതവുമായ ഇടപെടലുകൾ ആഗ്രഹിക്കുന്ന ഉപഭോക്താക്കൾക്കുള്ള ബുദ്ധിമുട്ടുകൾ കുറയ്ക്കാൻ ഇതിന് കഴിയും.

“ഒന്നിലധികം കാര്യങ്ങൾ പറയാനാകുന്നതിനാൽ വോയ്സ് മൾട്ടി-ടാപ്പ് തടസ്സം നീക്കുന്നു,” വിദ്യാസാഗർ പറയുന്നു. “ഇക്കോസിസ്റ്റത്തിന്റെ വിവിധ ഭാഗങ്ങളെ ബന്ധിപ്പിക്കാനുള്ള ആ കഴിവ് അത് തുറന്നുകൊടുക്കുന്നു.”

LLM കഴിവുകൾ അതിവേഗം വികസിക്കുമ്പോൾ, ടീമുകൾ നിർമിക്കുന്ന രീതിയും Uber മാറ്റിയിട്ടുണ്ട്.

സ്ഥാപനത്തിലുടനീളമുള്ള എഞ്ചിനീയർമാർ പ്രോംപ്റ്റിംഗ്, റിട്രീവൽ സിസ്റ്റങ്ങൾ, ഇവാലുവേഷൻ പൈപ്പ്‌ലൈനുകൾ, ഓർക്കസ്ട്രേഷൻ ഫ്രെയിംവർക്കുകൾ എന്നിവയുമായി പ്രവർത്തിക്കുന്നു. പ്രോഡക്റ്റ്, നിയമ, ഓപ്പറേഷൻസ്, ഡിസൈൻ ടീമുകൾ നയപരിധികൾ നിർവചിക്കാനും ഔട്ട്‌പുട്ടുകൾ പരിശോധിക്കാനും ഉപയോക്തൃ അനുഭവങ്ങൾ മെച്ചപ്പെടുത്താനും കൂടുതൽ അടുത്ത് സഹകരിക്കുന്നു.

നവീകരണം ഇനി ഒരു ചെറിയ, കേന്ദ്രീകൃത AI ടീമിന്റെ കൈവശം മാത്രമല്ല; ബുദ്ധിശേഷി ഇപ്പോൾ കമ്പനിയിലുടനീളം ഉൾക്കൊള്ളുന്നു.

“ഇതെല്ലാം ഇനി ഒരു പ്രത്യേക വൈദഗ്ധ്യമുള്ള സംഘം മാത്രം ചെയ്യുന്ന കാര്യമല്ല,” എന്ന് വിദ്യാസാഗർ പറയുന്നു. “നിർമ്മാണത്തിനുള്ള തടസ്സങ്ങൾ കുറഞ്ഞിരിക്കുന്നതിനാൽ പല ടീമുകൾക്കും സംഭാവന ചെയ്യാൻ കഴിയും.”

ആ മാറ്റം പരീക്ഷണങ്ങളെ വേഗത്തിലാക്കുകയും Uber-ന്റെ ഇക്കോസിസ്റ്റത്തിലുടനീളം പുതിയ ആശയങ്ങൾ സൃഷ്ടിക്കുകയും ചെയ്യുന്നു.

“ഓരോ ഡ്രൈവും, ഓരോ യാത്രയും സംഭവങ്ങളുടെ ഒരു ക്രമമാണ്; ആ സൂക്ഷ്മത മനസ്സിലാക്കുകയും പ്രോസസ്സ് ചെയ്യുകയും ചെയ്യുന്നതാണ് LLM ഞങ്ങൾക്ക് തുറന്നുതരുന്നത്,” എന്ന് വിദ്യാസാഗർ പറയുന്നു. “അടുത്തതായി എങ്ങോട്ടാണ് പോകേണ്ടത് എന്നതിനെക്കുറിച്ച് അത് ഞങ്ങൾക്ക് ധാരാളം വിവരങ്ങൾ നൽകുന്നു; ഞങ്ങളുടെ തോതിൽ, ആ തുറന്നുകിട്ടൽ അസാധാരണമായി ശക്തമാണ്.”

Uber Assistant ഇപ്പോൾ പരീക്ഷണാടിസ്ഥാനത്തിലുള്ള റോളൗട്ടായി U.S. ഡ്രൈവർ നെറ്റ്‌വർക്കിലുടനീളം വിപുലീകരിച്ചിരിക്കുന്നു. അതേസമയം, Uber അനുഭവം തുടർന്നും പരിശോധിക്കുകയും മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു:

• ലക്ഷക്കണക്കിന് യു.എസ്. ഡ്രൈവർമാർക്ക് ഇപ്പോൾ Uber Assistant ബീറ്റാ അനുഭവങ്ങൾ ആക്‌സസ് ചെയ്യാനാകും.
• ആദ്യഘട്ട ലൈഫ്‌സൈക്കിൾ ഡ്രൈവർമാർക്കുള്ള പിന്തുണ മെച്ചപ്പെടുത്തുക, കൂടുതൽ ട്രിപ്പുകൾ നേടുന്നതിന് പുതിയ ഡ്രൈവർമാർക്ക് തങ്ങളെ കൂടുതൽ മികച്ച രീതിയിൽ സ്ഥാനപ്പെടുത്താൻ സഹായിക്കുന്നു
• വിജയകരമായ ഇടപെടലുകൾക്കുശേഷം ഉപയോക്താക്കൾ വീണ്ടും വരികയാൽ ശക്തമായ ആവർത്തന ഇടപെടൽ
• മെച്ചപ്പെട്ട സമയ വിനിയോഗം കൂടുതൽ ബുദ്ധിപരമായ മാർക്കറ്റ്‌പ്ലേസ് ഉൾക്കാഴ്ചകളിലൂടെ പ്ലാറ്റ്‌ഫോമിൽ തന്നെ
• വേഗമേറിയ ഉൽപ്പന്ന ആവർത്തന ചക്രങ്ങൾ മോഡൽ സ്പെഷ്യലൈസേഷനും തുടർച്ചയായ മൂല്യനിർണ്ണയ സംവിധാനങ്ങളും വഴി

ഒരു പുതിയ ഡ്രൈവറെ അവരുടെ ആദ്യ ട്രിപ്പ് നേടാൻ സഹായിക്കുന്നത് മുതൽ, മെച്ചപ്പെട്ട വരുമാന അവസരങ്ങൾ തേടുന്ന പരിചയസമ്പന്നനായ ഡ്രൈവറെ നയിക്കുന്നത് വരെ, ജോലിയെ കൂടുതൽ ഉൽപ്പാദനക്ഷമമാക്കാനും ഗതാഗതത്തെ കൂടുതൽ തടസ്സരഹിതമാക്കാനും ദൈനംദിന ലോജിസ്റ്റിക്സിനെ കൂടുതൽ മാനുഷികമാക്കാനും Uber OpenAI മോഡൽ ഉപയോഗിക്കുന്നു.

“ഒരു എഞ്ചിനീയർ എന്ന നിലയിൽ, ആ പ്രശ്നങ്ങൾ വ്യത്യസ്തവും അതുല്യവുമായ രീതികളിൽ പരിഹരിക്കാനുള്ള കഴിവ് OpenAI തുറന്നുകൊടുക്കുന്നു,” എന്ന് വിദ്യാസാഗർ പറയുന്നു.