వేగంగా బుకింగ్, మెరుగైన ఆదాయం కోసం Uber, OpenAIను ఉపయోగిస్తోంది
ప్రపంచవ్యాప్త రియల్-టైమ్ మార్కెట్ప్లేస్ అంతటా డ్రైవర్లు మరింత తెలివిగా సంపాదించేందుకు, రైడర్లు వేగంగా బుక్ చేసేందుకు సహాయపడే AI సహాయకులు, వాయిస్ ఫీచర్లకు Uber OpenAIని ఉపయోగిస్తుంది.
ప్రతిరోజూ, లక్షలాది మంది రైడ్లు బుక్ చేయడానికి, భోజనం ఆర్డర్ చేయడానికి, ప్యాకేజీలు పంపడానికి, మరియు సౌకర్యవంతంగా సంపాదించడానికి Uberపై ఆధారపడుతున్నారు. ప్రతి ట్యాప్ వెనుక ట్రాఫిక్, వాతావరణం, విమానాశ్రయ రాకలు, స్థానిక ఈవెంట్లు, మరియు డిమాండ్ ప్రభావితం చేసే క్లిష్టమైన రియల్-టైమ్ మార్కెట్ప్లేస్ ఉంటుంది. Uber విపరీతమైన స్థాయిలో పనిచేస్తుంది: రోజుకు 40 మిలియన్ ప్రయాణాలు, 70కిపైగా దేశాల్లో 15,000 నగరాల అంతటా 10 మిలియన్ డ్రైవర్లు మరియు కొరియర్లు. ప్రతి నగరానికి తనకంటూ ఆపరేటింగ్ గుణకాలు, నియంత్రణలు, మరియు రైడర్ ప్రవర్తన ఉంటాయి. అందువల్ల ఈ వ్యవస్థ ప్రపంచ స్థాయిలో నిరంతరం అనుకూలించాలి.
Uber చాలా కాలంగా తన మార్కెట్ప్లేస్కు మద్దతుగా మెషిన్ లెర్నింగ్ను ఉపయోగిస్తోంది. ఇప్పుడు, లార్జ్ లాంగ్వేజ్ మోడల్స్ మరియు OpenAI ఫ్రంట్ియర్ మోడల్స్ సహాయంతో, Uber క్లిష్ట సంకేతాలపై మరింత వేగంగా రిజనింగ్ చేయగలదు, వేగవంతమైన సంభాషణాత్మక ప్రతిస్పందనలు అందించగలదు, మరియు యాప్లో వాయిస్ అనుభవాలను అందించగలదు.
Uber మరియు OpenAI మధ్య సహకారం, డ్రైవర్లు మరియు కొరియర్లకు సంపాదన అవకాశాలను సులభతరం చేసే, అలాగే రైడర్లకు ఆటంకాలను తగ్గించే AI ఆధారిత ప్రోడక్ట్లను రూపొందించడంలో Uberకు సహాయపడుతోంది. అలాగే OpenAI మోడల్స్ను ఉపయోగించడం ద్వారా, Uber మునుపెన్నడూ లేనంత వేగంగా సరళీకృత ప్రోడక్ట్లు మరియు అనుభవాలను విడుదల చేయగలదు.
“మొదటిసారి, ఏమి పరిష్కరించవచ్చో దానికి టెక్నాలజీ ముందుండి దారి చూపుతోంది. ఒకప్పుడు అందని వాటిలా అనిపించిన సమస్యలను ఇప్పుడు పరిష్కరించడం సాధ్యమైంది.”
డ్రైవర్లకు, సౌలభ్యం Uber యొక్క అతి పెద్ద బలాల్లో ఒకటి. కొందరు పూర్తి సమయం డ్రైవ్ చేస్తారు, మరికొందరు కేవలం వీకెండ్ల్లో మాత్రమే, ఇంకొందరు తరగతులు లేదా షిఫ్ట్ల మధ్యలో డ్రైవ్ చేస్తారు. ఈ సౌలభ్యం కారణంగా డ్రైవర్లు నిరంతరం ఎంపికలను అంచనా వేస్తూ, ప్రశ్నలు అడుగుతుంటారు: నేను ఇప్పుడు ఎక్కడ ఉండాలి? విమానాశ్రయానికి వెళ్లడం విలువైనదేనా? మధ్యాహ్న భోజన సమయానికి రైడ్ల నుంచి డెలివరీలకు మారాలా? ఈరోజు నా సంపాదన ఎందుకు భిన్నంగా కనిపించింది?
ఆ ప్రశ్నలకు సమాధానం ఇవ్వడంలో సహాయపడేందుకు, Uber Uber Assistantను అభివృద్ధి చేసింది. ఇది ప్లాట్ఫారమ్పై డ్రైవర్ల జీవచక్రం అంతటా—ఆన్బోర్డింగ్ మరియు మొదటి ప్రయాణాల నుంచి రోజువారీ సంపాదన ఆప్టిమైజేషన్ వరకు—సహాయపడేందుకు రూపొందించిన AI ఆధారిత సహాయకుడు.
“మార్కెట్ప్లేస్పై సంగ్రహ దృశ్యం మరియు రియల్-టైమ్ అంతర్దృష్టులు అందించడం ద్వారా డ్రైవర్లు తమకు తాము మెరుగైన నిర్ణయాలు తీసుకునేలా చేయాలనుకుంటున్నాం,” అని Uberలో ప్రోడక్ట్ మేనేజ్మెంట్ డైరెక్టర్ ధర్మిన్ పారిఖ్ చెప్పారు.
సంపాదన ధోరణులు మరియు హీట్మ్యాప్ల వంటి క్లిష్ట డేటాను సరళమైన, చర్య తీసుకోదగిన స్థానం సూచనలుగా మార్చి, ఎక్కడ మరియు ఎప్పుడు సంపాదించాలో Assistant డ్రైవర్లకు సహాయపడుతుంది. తర్వాత వారు సాధారణ భాషలో అనుబంధ ప్రశ్నలు అడిగి, వ్యక్తిగతీకరించిన ప్రతిస్పందనలు పొందగలరు మరియు యాప్లో సులభంగా నావిగేట్ చేయగలరు.
సంపాదించే ప్రయత్నంలో క్లిష్ట మార్కెట్ప్లేస్ డేటాను అర్థం చేసుకోవడానికి అవసరమైన మానసిక భారాన్ని తగ్గించడం Uber లక్ష్యం.
ఇది ముఖ్యంగా కొత్త డ్రైవర్లకు ఎంతో విలువైనదిగా నిరూపితమైంది. Uber తెలుసుకున్నది ఏమిటంటే, Uber యొక్క వాస్తవ ప్రపంచ డేటాను సంగ్రహించి సులభంగా తెలియజేయడానికి AIను ఉపయోగించడం ద్వారా, కేవలం ప్రయత్నాలు-పొరపాట్లకన్నా చాలా వేగంగా డ్రైవర్లు వర్క్ఫ్లోలు మరియు మార్కెట్ప్లేస్ గుణకాలను నేర్చుకునేలా చేసి ప్రారంభ పురోగతిని వేగవంతం చేయవచ్చు.
ప్రారంభంలో Uber Assistant కొత్త డ్రైవర్లకే ఎక్కువగా ఉపయోగపడుతుందని భావించినప్పటికీ, అనుభవజ్ఞులైన డ్రైవర్లు కూడా అనుబంధ ప్రశ్నలు అడగడానికి మరియు ప్లాట్ఫారమ్లో తమ సమయాన్ని మెరుగుపరచడానికి మళ్లీ మళ్లీ వచ్చారు. దీని వల్ల ఇది కేవలం ఆన్బోర్డింగ్ సాధనం మాత్రమే కాక, దీర్ఘకాలిక ఉపయోగం ఉన్న ప్రోడక్ట్ అని నిర్ధారితమైంది.
“ప్లాట్ఫారమ్ ఎలా పనిచేస్తుందో అర్థం చేసుకోవడానికి వందలాది ప్రయాణాలు చేయాల్సిన అవసరంతో పోలిస్తే, Assistant డ్రైవర్లు వేగంగా అలవాటు పడటానికి సహాయపడుతోంది,” అని పారిఖ్ చెప్పారు.
డ్రైవర్లు మరియు కొరియర్లతో పరస్పర చర్య చేసే అవుట్పుట్లతో ఏ AI వ్యవస్థనైనా అమలు చేయేటప్పుడు, Uberకు ఖచ్చితత్వం, భద్రత, విశ్వసనీయత, మరియు వేగం అత్యున్నత ప్రాధాన్యాలు. ముఖ్య అంశాలలో ప్రతిస్పందనలు విధాన పరిమితుల్లో ఉండటం, మరియు లేటెన్సీ రియల్-టైమ్ మొబైల్ యాప్ నుంచి వినియోగదారులు ఆశించే ప్రమాణానికి సరిపోవటం ఉన్నాయి.
అందుకే Uber, Uber Assistantను మూడు ప్రధాన సూత్రాల చుట్టూ రూపొందించింది: భద్రత, విశ్వాసం, మరియు తక్కువ లేటెన్సీ.
Uber ఇంజినీరింగ్ బృందాలు ప్రతి వినియోగదారు అభ్యర్థనను అత్యంత అనుకూలమైన ప్రత్యేక వ్యవస్థకు దారి మళ్లించే మల్టీ-ఏజెంట్ ఆర్కిటెక్చర్ను నిర్మించాయి. ఉదాహరణకు, సంపాదనకు సంబంధించిన ప్రశ్నలను ఆన్బోర్డింగ్ ప్రశ్నలకన్నా భిన్నంగా నిర్వహించవచ్చు. అలాగే మార్కెట్ప్లేస్ మార్గదర్శకత్వానికి, లావాదేవీ చర్యలకన్నా వేరు రిజనింగ్ అవసరం.
ఈ ఆర్కిటెక్చర్ ద్వారా ప్రతి పనిని, దాని నిర్దిష్ట ఆపరేషనల్ అవసరాలకు అత్యంత తగిన మోడల్కు Uber దారి మళ్లించగలదు. దీంతో ప్రతి ప్రశ్న, అత్యంత ముఖ్యమైన అంశాలపై సరైన దృష్టితో నిర్వహించబడుతుందని నిర్ధారించబడుతుంది.
తేలికపాటి వర్గీకరణ మరియు వేగమైన ప్రతిస్పందనల కోసం, Uber వేగవంతమైన nano/mini మోడల్స్ను ఉపయోగిస్తుంది. మరింత క్లిష్ట పనుల కోసం, Uber పెద్ద రిజనింగ్ మోడల్స్ను ఉపయోగిస్తుంది.
భద్రత, గోప్యత, మరియు సెక్యూరిటీని ప్రోత్సహించేందుకు, విధానాలను అమలు చేయేందుకు, భ్రాంతి ప్రతిస్పందనలను తగ్గించేందుకు, మరియు అనుభవాల అంతటా స్థిరత్వాన్ని నిలుపుకోవేందుకు ప్రాంప్ట్లు మరియు ప్రతిస్పందనలను స్క్రీన్ చేయడంలో సహాయపడే అంతర్గత పరిపాలనా పొర AI Guardనూ Uber అభివృద్ధి చేసింది.
డ్రైవర్లు ఖచ్చితమైన, ఉపయోగకరమైన సిఫార్సులు పొందినప్పుడు, వారు మళ్లీ వస్తారు. మరిన్ని ప్రశ్నలు అడుగుతారు. పునరావృతంగా పాల్గొంటారు. అలాగే ప్లాట్ఫారమ్పై మరింత ఉత్పాదక సమయం గడుపుతారు.
“వినియోగదారులు వ్యవస్థను నమ్మకపోతే, వారిని త్వరగా కోల్పోతారు,” అని పారిఖ్ చెప్పారు. “కానీ వారు విలువను చూసినప్పుడు, వారు తిరిగి వస్తారు.”
టెక్నాలజీలో తదుపరి ప్రధాన ఇంటర్ఫేస్ మార్పుల్లో ఒకటైన వాయిస్కు కూడా Uber OpenAI Realtime APIలను వర్తింపజేస్తోంది.
సరళమైన అభ్యర్థనల కోసం యాప్లో టైప్ చేయడం సమర్థవంతంగా ఉండవచ్చు. కానీ అనేక రవాణా మరియు వాణిజ్య అవసరాలు మరింత క్లిష్టంగా ఉంటాయి.
ఒక ప్రయాణికుడు, “నా వద్ద అయిదు సామాన్లు ఉన్నాయి, నాతో మరో అయిదుగురు ఉన్నారు. నాకు విమానాశ్రయానికి మంచి రైడ్ కావాలి. మీరు ఏమి సిఫార్సు చేస్తారు?” అని చెప్పాలనుకోవచ్చు. వయోజనులు లేదా దృష్టి లోపం ఉన్న రైడర్లు మెనూలలో ట్యాప్ చేయడంరంటే మాట్లాడడాన్నే ఇష్టపడవచ్చు.
Uber యొక్క కొత్త వాయిస్ అనుభవాలు అలాంటి క్షణాలను ఆటంకం లేకుండా చేయడానికి రూపొందించబడ్డాయి. వినియోగదారులు Uber యాప్లోని ‘where to’ సెర్చ్ బార్పై మైక్రోఫోన్ చిహ్నాన్ని ట్యాప్ చేసి, సహజమైన మాటలతో రైడ్ను అభ్యర్థించవచ్చు. ఈ వ్యవస్థ ఉద్దేశాన్ని అర్థం చేసుకోవడానికి Realtime API మరియు ఇతర ఫ్రంట్ియర్ మోడల్స్ను ఉపయోగిస్తుంది, సేవ్ చేసిన స్థానాలు మరియు కస్టమర్ సందర్భాన్ని వినియోగిస్తుంది, మరియు సిఫార్సులు చేస్తుంది. ఇదే సమయంలో యాప్లో మాట్లాడిన మరియు దృశ్య ప్రతిస్పందనలను సమకాలీకరిస్తుంది.
అంటే ఎక్కువ సామాన్లు ఉన్న ప్రయాణాల కోసం UberXLను సూచించడం, లేదా “home” వంటి సేవ్ చేసిన గమ్యస్థానాలను గుర్తించడం కావచ్చు.
“వాయిస్ ఒకేసారి ఒక్క పని పూర్తిచేయాలనే అడ్డంకిని తొలగిస్తుంది,” అని పారిఖ్ చెప్పారు. “మీరు పూర్తి ఉద్దేశాన్ని సహజంగా వ్యక్తపరచవచ్చు, మరియు వ్యవస్థ ఫలితాన్ని సమన్వయం చేయగలదు.”
వాయిస్ ప్రాప్యతను కూడా విస్తరిస్తుంది మరియు Uber ఎకోసిస్టమ్ అంతటా కొత్త వర్క్ఫ్లోలను తెరుస్తుంది. డ్రైవర్ వైపు, ఇది డ్రైవర్లు యాప్తో చేతులు ఉపయోగించకుండా పరస్పర చర్య చేయడానికి అనుమతిస్తుంది. రైడర్ వైపు, వేగవంతమైన, సరళమైన పరస్పర చర్యలు కోరుకునే కస్టమర్లకు ఆటంకాన్ని తగ్గించగలదు.
“మీరు అనేక విషయాలు చెప్పగలిగేందున, వాయిస్ బహుళ-ట్యాప్ అడ్డంకిని తొలగిస్తుంది,” అని విద్యాసాగర్ చెప్పారు. “ఇది ఎకోసిస్టమ్లోని వివిధ భాగాలను కలిపే సామర్థ్యాన్ని తెరుస్తుంది.”
గమనిక: వాయిస్ బుకింగ్ ఫీచర్ రాబోయే వారాల్లో దశలవారీగా విడుదల అవుతోంది
LLM సామర్థ్యాలు వేగంగా అభివృద్ధి చెందుతున్న కొద్దీ, Uber బృందాలు నిర్మించే విధానాన్ని కూడా మార్చుకుంది.
సంస్థ అంతటా ఇంజినీర్లు ప్రాంప్టింగ్, రిట్రీవల్ వ్యవస్థలు, మూల్యాంకన పైప్లైన్లు, మరియు ఆర్కెస్ట్రేషన్ ఫ్రేమ్వర్క్లతో పని చేస్తున్నారు. విధాన పరిమితులను నిర్వచించడానికి, అవుట్పుట్లను పరీక్షించడానికి, మరియు వినియోగదారు అనుభవాలను మెరుగుపరచడానికి ప్రోడక్ట్, లీగల్, ఆపరేషన్స్, మరియు డిజైన్ బృందాలు మరింత దగ్గరగా సహకరిస్తున్నాయి.
ఇన్నోవేషన్ను చిన్న కేంద్రీకృత AI బృందమే స్వంతం చేసుకోవడం బదులుగా, ఇప్పుడు మేధస్సు కంపెనీ అంతటా నాటవచ్చు.
“ఇకపై ఇవన్నీ చేసే ఒక ప్రత్యేక బృందం మాత్రమే కాదు,” అని విద్యాసాగర్ చెప్పారు. “నిర్మాణానికి ఉన్న అడ్డంకులు తగ్గిపోయినందున, అనేక బృందాలు సహకరించగలవు.”
ఆ మార్పు ప్రయోగాలను వేగవంతం చేస్తుంది మరియు Uber ఎకోసిస్టమ్ అంతటా కొత్త ఆలోచనలను సృష్టిస్తుంది.
“ప్రతి డ్రైవ్, ప్రతి ట్రిప్ అనేది సంఘటనల క్రమం. ఆ సూక్ష్మతను అర్థం చేసుకోవడం మరియు ప్రాసెస్ చేయడం LLM మా కోసం తెరవడం ఇదే,” అని విద్యాసాగర్ చెప్పారు. “దాంతో మేము తర్వాత ఎటు వెళ్లాలో చాలా సమాచారం లభిస్తుంది. మా స్థాయిలో ఆ తెరుచుకోవడం అసాధారణంగా శక్తివంతమైనది.”
అనుభవాన్ని పరీక్షిస్తూ, మెరుగుపరుస్తూ కొనసాగుతున్న Uber, ఇప్పుడు Uber Assistantను అమెరికా డ్రైవర్ నెట్వర్క్ అంతటా ప్రయోగాత్మక విడుదలగా విస్తరించింది:
- అమెరికాలో లక్షలాది డ్రైవర్లు ఇప్పుడు Uber Assistant బీటా అనుభవాలకు ప్రాప్యత కలిగి ఉన్నారు.
- ప్రారంభ దశ డ్రైవర్లకు మెరుగైన మద్దతు, తద్వారా కొత్త డ్రైవర్లు మరిన్ని ట్రిప్ల కోసం తమ స్థానాన్ని మెరుగ్గా ఎంచుకోగలుగుతున్నారు
- విజయవంతమైన పరస్పర చర్యల తర్వాత వినియోగదారులు తిరిగి వస్తుండటంతో, బలమైన పునరావృత భాగస్వామ్యం
- మరింత తెలివైన మార్కెట్ప్లేస్ అంతర్దృష్టుల ద్వారా ప్లాట్ఫారమ్పై మెరుగైన సమయ వినియోగం
- మోడల్ ప్రత్యేకీకరణ మరియు నిరంతర మూల్యాంకన వ్యవస్థల ద్వారా వేగవంతమైన ప్రోడక్ట్ పునరావృత చక్రాలు
కొత్త డ్రైవర్కు మొదటి ట్రిప్ పొందడంలో సహాయం చేయడం నుంచి, మెరుగైన సంపాదన అవకాశాలను వెతుకుతున్న అనుభవజ్ఞుడైన డ్రైవర్కు మార్గనిర్దేశం చేయడం వరకు, Uber పనిని మరింత ఉత్పాదకంగా, రవాణాను మరింత సులభంగా, మరియు రోజువారీ లాజిస్టిక్స్ను మరింత మానవీయంగా మార్చేందుకు OpenAI మోడల్స్ను ఉపయోగిస్తోంది.
“ఒక ఇంజినీర్గా, OpenAI ఆ సమస్యలను భిన్నమైన మరియు ప్రత్యేకమైన మార్గాల్లో పరిష్కరించే సామర్థ్యాన్ని తెరుస్తుంది,” అని విద్యాసాగర్ చెప్పారు.
