लोकांच्या अधिक स्मार्ट कमाई व जलद बुकिंगसाठी Uber OpenAI वापरते

दररोज, लाखो लोक राईड बुक करण्यासाठी, जेवण ऑर्डर करण्यासाठी, पार्सल पाठवण्यासाठी आणि सुविधेसह पैसे कमावण्यासाठी Uber वर अवलंबून असतात. प्रत्येक टॅपमागे वाहतूक, हवामान, विमानतळावरील आगमन, स्थानिक कार्यक्रम आणि मागणी यांनुसार आकार घेणारी एक गुंतागुंतीची, रिअल-टाइम मार्केटप्लेस असते. Uber प्रचंड मोठ्या प्रमाणावर कार्यरत आहे: 70 पेक्षा जास्त देशांमधील 15,000 शहरांमध्ये दररोज 40 दशलक्ष फेऱ्या, 10 दशलक्ष ड्रायव्हर्स आणि कुरिअर. प्रत्येक शहराची स्वतःची कार्यप्रणाली, नियम आणि प्रवाशांची वर्तणूक असते, ज्यामुळे एक अशी सिस्टिम तयार होते जिला जागतिक स्तरावर सतत जुळवून घ्यावे लागते.

Uber ने आपल्या मार्केटप्लेसला सपोर्ट देण्यासाठी बऱ्याच काळापासून मशीन लर्निंगचा वापर केला आहे. आणि आता, लार्ज लँग्वेज मॉडेल्स आणि OpenAI च्या अत्याधुनिक मॉडेल्सच्या मदतीने, Uber जटिल संकेतांचा अधिक वेगाने अर्थ लावू शकते, जलद संवादात्मक प्रतिसाद देऊ शकते आणि ॲपमधील व्हॉइस अनुभवांना अधिक सक्षम करू शकते.

Uber आणि OpenAI यांच्यातील सहकार्यामुळे Uber AI द्वारे समर्थित उत्पादने तयार करण्यास मदत होत आहे, जी ड्रायव्हर्स आणि कुरिअरसाठी कमाईच्या संधी सुलभ करतात आणि प्रवाशांसाठीचे अडथळे कमी करतात. आणि OpenAI च्या मॉडेल्सचा वापर करून, Uber पूर्वीपेक्षा अधिक वेगाने सुव्यवस्थित उत्पादने आणि अनुभव सादर करू शकते.

ड्रायव्हर्ससाठी, सुविधा ही Uber च्या सर्वात मोठ्या सामर्थ्यांपैकी एक आहे. काही जण पूर्णवेळ गाडी चालवतात, काही फक्त शनिवार-रविवारी, तर काही जण वर्गांच्या किंवा शिफ्टच्या मधल्या वेळेत गाडी चालवतात. या सुविधेमुळे ड्रायव्हर्स सतत पर्यायांचे मूल्यांकन करत असतात आणि प्रश्न विचारत असतात: मी आत्ता कुठे उभे राहावे? विमानतळापर्यंत गाडी चालवून जाणे योग्य आहे का? दुपारच्या जेवणाच्या वेळी मी राईड्सऐवजी डिलिव्हरीज कराव्यात का? आज माझी कमाई वेगळी का दिसत आहे?

या प्रश्नांची उत्तरे देण्यास मदत करण्यासाठी, Uber ने Uber असिस्टंट विकसित केले आहे. हा एक AI द्वारे समर्थित असिस्टंट आहे, जे प्लॅटफॉर्मवरील ड्रायव्हर्सना त्यांच्या संपूर्ण कार्यकाळात—ऑनबोर्डिंग आणि पहिल्या ट्रिप्सपासून ते दैनंदिन कमाई वाढवण्यापर्यंत—मदत करण्यासाठी तयार केले आहे.

“मार्केटप्लेसचे सारांश आणि रिअल-टाइम माहिती देऊन ड्रायव्हर्सना स्वतःसाठी चांगले निर्णय घेण्यास सक्षम करणे, हे आमचे ध्येय आहे,” असे Uber चे उत्पादन व्यवस्थापन संचालक, धर्मिन पारिख म्हणतात.

हा असिस्टंट, कमाईचे ट्रेंड्स आणि हीटमॅप्स यांसारख्या गुंतागुंतीच्या डेटाचे सोप्या, कृती करण्यायोग्य पोझिशनिंग इनसाइट्समध्ये रूपांतर करून, ड्रायव्हर्सना कुठे आणि केव्हा कमाई करावी यासाठी मदत करतो. त्यानंतर ते साध्या भाषेत पुढील प्रश्न विचारू शकतात, त्यांच्या गरजेनुसार उत्तरे मिळवू शकतात आणि ॲप सहजपणे वापरू शकतात.

कमाई करण्याचा प्रयत्न करत असताना, बाजारातील गुंतागुंतीच्या माहितीचा अर्थ लावण्यासाठी होणारा बौद्धिक ताण कमी करणे, हे Uber चे ध्येय आहे.

हे विशेषतः नवीन ड्रायव्हर्ससाठी अत्यंत मौल्यवान ठरले आहे. Uber ला असे आढळून आले आहे की, Uber च्या प्रत्यक्ष डेटाचा सारांश देण्यासाठी आणि तो सहजपणे संवाद करण्यासाठी AI चा वापर केल्याने, केवळ प्रयत्न आणि चुकांमधून शिकण्याच्या तुलनेत ड्रायव्हर्सना वर्कफ्लो आणि मार्केटप्लेसमधील गतिशीलता अधिक वेगाने शिकण्यास मदत होते, ज्यामुळे त्यांच्या कामाची गती वाढवण्याची प्रक्रिया वेगवान होऊ शकते.

सुरुवातीला Uber असिस्टंट नवीन ड्रायव्हर्सना सर्वाधिक मदत करेल अशी अपेक्षा असली तरी, अनुभवी ड्रायव्हर्ससुद्धा अधिक प्रश्न विचारण्यासाठी आणि प्लॅटफॉर्मवरील आपला वेळ अधिक चांगल्या प्रकारे वापरण्यासाठी वारंवार परत येत होते—यामुळे हे उत्पादन केवळ एक ऑनबोर्डिंग टूल नसून, एक दीर्घकालीन उपयुक्तता आहे हे सिद्ध झाले.

“प्लॅटफॉर्म कसे काम करते हे समजून घेण्यासाठी शेकडो फेऱ्या मारण्याऐवजी, असिस्टंटमुळे ड्रायव्हर्सना लवकर काम सुरू करण्यास मदत होत आहे,” असे पारिख म्हणतात.

Uber साठी, ड्रायव्हर्स आणि कुरिअर्ससोबत संवाद साधणाऱ्या कोणत्याही AI सिस्टीमची अंमलबजावणी करताना अचूकता, सुरक्षितता, विश्वासार्हता आणि वेग यांना सर्वोच्च प्राधान्य दिले जाते. प्रतिसाद धोरणांच्या चौकटीत राहणे आणि रिअल-टाइम मोबाइल ॲपकडून वापरकर्त्यांना अपेक्षित असलेला लेटन्सी या महत्त्वाच्या बाबी विचारात घेतल्या जातात.

म्हणूनच Uber ने Uber Assistant तीन मुख्य तत्त्वांभोवती डिझाइन केला आहे: सुरक्षितता, विश्वास आणि कमी लेटन्सी.

Uber च्या इंजिनीअरिंग टीमने एक मल्टी-एजंट आर्किटेक्चर तयार केले आहे, जे प्रत्येक वापरकर्त्याच्या विनंतीला सर्वात योग्य विशेष सिस्टीमकडे पाठवते. उदाहरणार्थ, कमाईसंबंधीचे प्रश्न ऑनबोर्डिंगसंबंधीच्या प्रश्नांपेक्षा वेगळ्या पद्धतीने हाताळले जाऊ शकतात आणि मार्केटप्लेस मार्गदर्शनासाठी व्यवहारात्मक कृतींपेक्षा वेगळ्या रीझनिंगची आवश्यकता असते.

या आर्किटेक्चरमुळे Uber ला प्रत्येक टास्क त्याच्या विशिष्ट कार्यात्मक गरजांसाठी सर्वात योग्य असलेल्या मॉडेलकडे पाठवता येतो, ज्यामुळे प्रत्येक क्वेरी सर्वात महत्त्वाच्या गोष्टींवर योग्य लक्ष केंद्रित करून हाताळली जाईल याची खात्री होते.

हलक्या वजनाच्या वर्गीकरणासाठी आणि जलद प्रतिसादांसाठी, Uber अधिक वेगवान, नॅनो/मिनी मॉडेल्स वापरते. अधिक गुंतागुंतीच्या कामांसाठी, Uber मोठ्या, रीझनिंग मॉडेल्सचा उपयोग करते.

Uber ने AI Guard नावाचा एक अंतर्गत प्रशासकीय स्तर देखील विकसित केला आहे, जो सुरक्षितता, गोपनीयता आणि सुरक्षेला प्रोत्साहन देण्यासाठी, धोरणांची अंमलबजावणी करण्यासाठी, भ्रम कमी करण्यासाठी आणि विविध अनुभवांमध्ये सुसंगतता राखण्यासाठी प्रॉम्प्ट आणि प्रतिसादांची छाननी करण्यास मदत करतो.

जेव्हा ड्रायव्हर्सना अचूक, उपयुक्त शिफारसी मिळतात, तेव्हा ते परत येतात. ते अधिक प्रश्न विचारतात. ते वारंवार सहभागी होतात. आणि ते प्लॅटफॉर्मवर अधिक उत्पादक वेळ घालवतात.

“जर वापरकर्त्यांना सिस्टिमवर विश्वास नसेल, तर तुम्ही त्यांना पटकन गमावता,” असे पारिख म्हणतात. “पण जेव्हा त्यांना मूल्य दिसते, तेव्हा ते परत येतात.”

Uber तंत्रज्ञानातील पुढील प्रमुख इंटरफेस बदलांपैकी एक असलेल्या व्हॉइससाठी देखील OpenAI रिअलटाइम API वापरत आहे.

साध्या कामांसाठी ॲपमध्ये टाईप करणे कार्यक्षम ठरू शकते. परंतु वाहतूक आणि व्यापाराच्या अनेक गरजा अधिक गुंतागुंतीच्या असतात.

एखादा प्रवासी म्हणू शकतो, “माझ्याकडे पाच सामानाच्या बॅग्स आहेत आणि माझ्यासोबत इतर पाच जण आहेत. मला विमानतळापर्यंत जाण्यासाठी एका चांगल्या गाडीची गरज आहे. तुम्ही काय सुचवाल?” एखादा ज्येष्ठ नागरिक किंवा दृष्टिबाधित प्रवासी मेन्यूमधून निवड करण्याऐवजी बोलणे पसंत करू शकतो.

Uber चे नवीन व्हॉइस अनुभव हे ते क्षण सुलभ करण्यासाठी डिझाइन केलेले आहेत. वापरकर्ते Uber ॲपमधील ‘कुठे जायचे’ सर्च बारवरील मायक्रोफोन आयकॉनवर टॅप करून नैसर्गिक आवाजात राइडची विनंती करू शकतात. ही सिस्टिम हेतू समजून घेण्यासाठी रिअलटाइम API आणि इतर अत्याधुनिक मॉडेल्सचा वापर करते, सेव्ह केलेली लोकेशन्स आणि ग्राहकाच्या संदर्भाचा उपयोग करते, आणि शिफारसी करते—यासोबतच ॲपमधील बोलल्या जाणाऱ्या आणि दिसणाऱ्या प्रतिसादांना सिंक्रोनाइझ करते.

याचा अर्थ, जास्त सामान असलेल्या प्रवासांसाठी UberXL सुचवणे किंवा ‘घर’ सारखी सेव्ह केलेली ठिकाणे ओळखणे, असा असू शकतो.

“व्हॉइसमुळे एका वेळी एकच काम पूर्ण करण्याचा अडथळा दूर होतो,” असे पारिख म्हणतात. “तुम्ही तुमचा संपूर्ण हेतू नैसर्गिकरित्या व्यक्त करू शकता आणि सिस्टम त्याचा परिणाम घडवून आणू शकते.”

व्हॉइसमुळे Uber च्या संपूर्ण इकोसिस्टममध्ये सुलभता वाढते आणि नवीन वर्कफ्लो खुले होतात. ड्रायव्हरच्या बाजूने, यामुळे ड्रायव्हर्सना हँड्स-फ्री पद्धतीने ॲप वापरता येतो. रायडरच्या बाजूने, ज्या ग्राहकांना जलद आणि सोपा संवाद हवा असतो, त्यांच्यासाठी हे अडथळे कमी करू शकते.

“व्हॉइस एकाच वेळी अनेक गोष्टी बोलण्याचा अडथळा दूर करतो, कारण तुम्ही एकाच वेळी अनेक गोष्टी बोलू शकता,” असे विद्यासागर म्हणतात. “त्यामुळे परिसंस्थेच्या विविध भागांना जोडण्याची क्षमता प्राप्त होते.”

LLM क्षमता झपाट्याने विकसित होत असताना Uber ने टीम्स कशा पद्धतीने काम करतात यामध्येही बदल केला आहे.

संस्थेतील सर्व इंजिनीअर्स प्रॉम्प्टिंग, रिट्रीव्हल सिस्टीम्स, इव्हॅल्युएशन पाइपलाइन्स आणि ऑर्केस्ट्रेशन फ्रेमवर्क्सवर काम करतात. धोरणात्मक मर्यादा निश्चित करण्यासाठी, आउटपुटची चाचणी घेण्यासाठी आणि वापरकर्त्याचा अनुभव सुधारण्यासाठी प्रॉडक्ट, लीगल, ऑपरेशन्स आणि डिझाइन टीम्स अधिक जवळून सहकार्य करतात.

नवीन कल्पना सुचवण्याची जबाबदारी एका लहान, केंद्रीकृत AI टीमकडे असण्याऐवजी, आता बुद्धिमत्ता संपूर्ण कंपनीमध्ये रुजवली जाऊ शकते.

“आता हे सर्व काम करणारा एकच विशेषज्ञ गट राहिलेला नाही,” असे विद्यासागर म्हणतात. “निर्माण करण्यातील अडथळे दूर झाल्यामुळे अनेक टीम योगदान देऊ शकतात.”

त्या बदलामुळे Uber च्या संपूर्ण परिसंस्थेमध्ये प्रयोगांना गती मिळते आणि नवीन कल्पना निर्माण होतात.

“प्रत्येक ड्राईव्ह, प्रत्येक प्रवास हा घटनांचा एक क्रम असतो, आणि त्यातील बारकावे समजून घेणे व त्यावर प्रक्रिया करणे, हेच LLM आमच्यासाठी खुले करते,” असे विद्यासागर म्हणतात. “त्यामुळे पुढे कुठे जायला हवे, याबद्दल आम्हाला बरीच माहिती मिळते, आणि–आमच्याकडील या स्तरावर–हे ज्ञान मिळवणे अत्यंत प्रभावी ठरते.”

Uber असिस्टंट आता प्रायोगिक तत्त्वावर संपूर्ण अमेरिकेतील ड्रायव्हर नेटवर्कमध्ये विस्तारित करण्यात आले आहे, तर Uber या अनुभवाची चाचणी आणि सुधारणा करणे सुरूच ठेवत आहे:

• अमेरिकेतील लाखो ड्रायव्हर्सना आताUber असिस्टंटच्या बीटा अनुभवांचा लाभ घेता येत आहे
• सुरुवातीच्या टप्प्यातील ड्रायव्हर्ससाठी सपोर्ट सुधारणे, ज्यामुळे नवीन ड्रायव्हर्सना अधिक फेऱ्या मिळवण्यासाठी स्वतःला अधिक चांगल्या स्थितीत आणण्यास मदत होते
• यशस्वी संवादानंतर वापरकर्ते परत येत असल्याने, पुन्हा पुन्हा चांगला प्रतिसाद मिळतो
• स्मार्ट मार्केटप्लेस इनसाइट्सद्वारे प्लॅटफॉर्मवर वेळेचा अधिक चांगला वापर
• मॉडेल स्पेशलायझेशन आणि सतत मूल्यमापन सिस्टीमद्वारेउत्पादनाच्या पुनरावृत्तीची जलद सायकल

नवीन ड्रायव्हरला त्याची पहिली ट्रिप मिळवून देण्यापासून ते अधिक कमाईच्या संधी शोधणाऱ्या अनुभवी ड्रायव्हरला मार्गदर्शन करण्यापर्यंत, Uber कामाला अधिक उत्पादक, वाहतुकीला अधिक सुलभ आणि दैनंदिन लॉजिस्टिक्सला अधिक मानवी बनवण्यासाठी OpenAI मॉडेल्सचा वापर करत आहे.

“एक इंजिनीअर म्हणून, OpenAI मुळे त्या समस्या वेगवेगळ्या आणि अनोख्या मार्गांनी सोडवण्याची क्षमता प्राप्त होते,” असे विद्यासागर म्हणतात.