Uber, OpenAI کی مدد سے بہتر کمائی اور تیز بکنگ میں مدد دیتا ہے

ہر روز, لاکھوں لوگ رائیڈ بک کرنے, کھانا آرڈر کرنے, پیکج بھیجنے اور لچکدار طریقے سے کمائی کرنے کے لیے Uber پر انحصار کرتے ہیں. ہر ٹیپ کے پیچھے ایک پیچیدہ ریئل ٹائم مارکیٹ پلیس ہوتی ہے, جو ٹریفک, موسم, ہوائی اڈوں پر آمد, مقامی تقریبات اور ڈیمانڈ سے متاثر ہوتی ہے. Uber بہت بڑے پیمانے پر کام کرتا ہے: روزانہ 40 ملین ٹرپس, 70 سے زائد ممالک کے 15,000 شہروں میں دس ملین ڈرائیورز اور کورئیرز. ہر شہر کی اپنی آپریٹنگ صورتحال, ضوابط اور رائیڈر کے رویے ہوتے ہیں, جس سے ایک ایسا نظام بنتا ہے جسے عالمی پیمانے پر مسلسل ڈھلنا پڑتا ہے.

Uber طویل عرصے سے اپنے مارکیٹ پلیس کو سپورٹ کرنے کے لیے مشین لرننگ استعمال کرتا آ رہا ہے. اور اب, بڑے زبان ماڈلز اور OpenAI کے جدید ترین ماڈلز کے فائدے سے, Uber پیچیدہ سگنلز پر زیادہ تیزی سے ریزننگ کر سکتا ہے, فوری مکالماتی جوابات دے سکتا ہے, اور ایپ کے اندر وائس تجربات کو طاقت دے سکتا ہے.

Uber اور OpenAI کے درمیان کولیبوریشن Uber کو ایسے AI سے چلنے والے پروڈکٹس بنانے میں مدد دے رہا ہے جو ڈرائیورز اور کورئیرز کے لیے کمائی کے مواقع کو آسان بناتے ہیں اور رائیڈرز کے لیے مشکلات کم کرتے ہیں. اور OpenAI کے ماڈلز استعمال کر کے, Uber پہلے سے کہیں زیادہ تیزی سے بہتر اور آسان پروڈکٹس اور تجربات فراہم کر سکتا ہے.

ڈرائیورز کے لیے, لچک Uber کی سب سے بڑی خوبیوں میں سے ایک ہے. کچھ لوگ فل ٹائم ڈرائیونگ کرتے ہیں, کچھ لوگ صرف ویک اینڈ پر, جبکہ کچھ لوگ کلاسز یا شفٹس کے درمیان ڈرائیونگ کرتے ہیں. اس لچک کا یہ مطلب بھی ہے کہ ڈرائیورز مسلسل مختلف آپشنز کا جائزہ لیتے ہیں اور سوالات کرتے رہتے ہیں: مجھے اس وقت کہاں ہونا چاہیے؟ کیا ایئرپورٹ جانا فائدہ مند ہوگا؟ کیا مجھے دوپہر کے وقت رائیڈز سے ڈیلیوریز کی طرف منتقل ہو جانا چاہیے؟ آج میری کمائی مختلف کیوں نظر آئی؟

ان سوالات کے جوابات دینے میں مدد کے لیے, Uber نے Uber Assistant تیار کیا, جو AI سے چلنے والا ایک اسسٹنٹ ہے اور پلیٹ فارم پر ڈرائیورز کے پورے سفر میں مدد کے لیے بنایا گیا ہے—آن بورڈنگ اور پہلی ٹرپس سے لے کر روزمرہ کی کمائی کو بہتر بنانے تک.

Uber میں پروڈکٹ مینجمنٹ کے ڈائریکٹر, Dharmin Parikh کہتے ہیں, “ہم مارکیٹ پلیس کا خلاصہ اور ریئل ٹائم معلومات فراہم کر کے ڈرائیورز کو اپنے لیے بہتر فیصلے کرنے کے قابل بنانا چاہتے ہیں.”

اسسٹنٹ, کمائی کے رجحانات اور ہیٹ میپس جیسے پیچیدہ ڈیٹا کو آسان اور قابل عمل معلومات میں تبدیل کر کے ڈرائیورز کو یہ سمجھنے میں مدد دیتا ہے کہ کہاں اور کب کمائی کی جا سکتی ہے. اس کے بعد وہ آسان زبان میں مزید سوالات پوچھ سکتے ہیں, اپنی ضرورت کے مطابق جوابات حاصل کر سکتے ہیں, اور ایپ کو آسانی سے استعمال کر سکتے ہیں.

Uber کا مقصد ذہنی بوجھ کم کرنا ہے—یعنی کمائی کے دوران پیچیدہ مارکیٹ پلیس ڈیٹا کو سمجھنے کے لیے درکار کوشش کو کم کرنا.

یہ خاص طور پر نئے ڈرائیورز کے لیے بہت فائدہ مند ثابت ہوا ہے. Uber نے پایا کہ Uber کے حقیقی دنیا کے ڈیٹا کو AI کے ذریعے خلاصہ کر کے آسان انداز میں پیش کرنا, ڈرائیورز کو صرف آزمائش اور غلطیوں کے بجائے ورک فلو اور مارکیٹ پلیس کی صورتحال کو کہیں زیادہ تیزی سے سیکھنے میں مدد دے کر ابتدائی سیکھنے کے عمل کو تیز کر سکتا ہے.

اگرچہ ابتدا میں توقع تھی کہ Uber Assistant نئے ڈرائیورز کی سب سے زیادہ مدد کرے گا, لیکن تجربہ کار ڈرائیورز بھی بار بار واپس آکر مزید سوالات پوچھتے رہے اور پلیٹ فارم پر اپنے وقت کو بہتر بناتے رہے—جس سے یہ ثابت ہوا کہ یہ پروڈکٹ صرف آن بورڈنگ ٹول نہیں, بلکہ طویل مدتی استعمال کے لیے ایک مفید سہولت ہے.

Parikh کہتے ہیں, “اسسٹنٹ ڈرائیورز کو پلیٹ فارم کے کام کرنے کے طریقے کو سمجھنے کے لیے سینکڑوں ٹرپس کرنے کے مقابلے میں کہیں زیادہ تیزی سے سیکھنے میں مدد دے رہا ہے.”

Uber کے لیے, ایسے کسی بھی AI سسٹم کو نافذ کرتے وقت درستگی, حفاظت, قابل اعتماد ہونا, اور رفتار سب سے اہم ترجیحات ہیں, جس کے نتائج ڈرائیورز اور کورئیرز کے ساتھ انٹریکٹ کریں گے. اہم باتوں میں یہ شامل ہے کہ جوابات پالیسی کے مطابق رہیں, اور رفتار اس معیار پر پوری اترے جس کی صارفین ایک ریئل ٹائم موبائل ایپ سے توقع کرتے ہیں.

اسی لیے Uber نے Uber Assistant کو تین بنیادی اصولوں کے گرد ڈیزائن کیا: حفاظت, اعتماد, اور کم لیٹنسی.

Uber کی انجینئرنگ ٹیموں نے ایک ملٹی-ایجنٹ آرکیٹیکچر بنایا جو ہر صارف کی درخواست کو سب سے موزوں مخصوص سسٹم تک پہنچاتا ہے. مثال کے طور پر, کمائی سے متعلق سوالات کو آن بورڈنگ کے سوالات سے مختلف طریقے سے ہینڈل کیا جا سکتا ہے, جبکہ مارکیٹ پلیس سے متعلق رہنمائی کے لیے لین دین والے اقدامات کے مقابلے میں مختلف ریزننگ کی سمجھ بوجھ درکار ہوتی ہے.

یہ آرکیٹیکچر Uber کو ہر کام کو اس ماڈل تک پہنچانے کے قابل بناتا ہے جو اس کی مخصوص عملی ضروریات کے لیے سب سے زیادہ موزوں ہو, تاکہ ہر سوال کو ان پہلوؤں پر مناسب توجہ کے ساتھ ہینڈل کیا جا سکے جو سب سے زیادہ اہم ہیں.

ہلکی درجہ بندی اور فوری جوابات کے لیے, Uber تیز رفتار nano/mini ماڈلز استعمال کرتا ہے. زیادہ پیچیدہ کاموں کے لیے, Uber بڑے ریزننگ ماڈلز سے فائدہ اٹھاتا ہے.

Uber نے AI Guard بھی تیار کیا ہے, جو ایک داخلی گورننس لیئر ہے اور حفاظت, رازداری اور سیکیورٹی کو فروغ دینے, پالیسیوں کا نفاذ کرنے, غلط معلومات کو کم کرنے, اور مختلف تجربات میں یکسانیت کو برقرار رکھنے کے لیے پرومپٹس اور جوابات کی جانچ میں مدد دیتی ہے.

جب ڈرائیورز کو درست اور مفید سفارشات ملتی ہیں, تو وہ دوبارہ واپس آتے ہیں. وہ مزید سوالات پوچھتے ہیں. وہ بار بار انگیج ہوتے ہیں. اور وہ پلیٹ فارم پر زیادہ نتیجہ خیز وقت گزارتے ہیں.

Parikh کہتے ہیں, “اگر صارفین کو سسٹم پر اعتماد نہ ہو, تو آپ انہیں بہت جلد کھو دیتے ہیں. لیکن جب انہیں اس کی افادیت نظر آتی ہے, تو وہ دوبارہ واپس آتے ہیں.”

Uber, ٹیکنالوجی میں اگلی بڑی انٹرفیس تبدیلیوں میں سے ایک, یعنی وائس کے لیے بھی OpenAI Realtime APIs کا استعمال کر رہا ہے.

سادہ درخواستوں کے لیے ایپ میں ٹائپ کرنا مؤثر ہو سکتا ہے. لیکن ٹرانسپورٹیشن اور تجارت سے متعلق بہت سی ضروریات زیادہ پیچیدہ ہوتی ہیں.

ایک مسافر شاید کہنا چاہے, “میرے پاس پانچ سامان ہیں اور میرے ساتھ پانچ اور لوگ بھی ہیں. مجھے ایئرپورٹ جانے کے لیے ایک اچھی رائیڈ چاہیے. آپ کیا تجویز کرتے ہیں؟” کوئی معمر فرد یا بصارت سے محروم رائیڈر مینو میں ٹیپ کرنے کے بجائے بولنے کو ترجیح دے سکتا ہے.

Uber کے نئے وائس تجربات ان لمحات کو رکاوٹ سے پاک بنانے کے لیے تیار کیے گئے ہیں. صارفین Uber ایپ میں ‘کہاں جانا ہے’ سرچ بار پر موجود مائیکروفون کے آئیکن پر ٹیپ کر کے قدرتی انداز میں بول کر رائیڈ کی درخواست کر سکتے ہیں. یہ سسٹم نیت کو سمجھنے کے لیے Realtime API اور دیگر جدید ترین ماڈلز استعمال کرتا ہے, محفوظ شدہ مقامات اور صارف کے سیاق و سباق سے استفادہ کرتا ہے, اور تجاویز فراہم کرتا ہے— جبکہ ایپ کے اندر بول کر اور بصری انداز میں دیے جانے والے جوابات کو ہم آہنگ بھی رکھتا ہے.

اس کا مطلب یہ ہو سکتا ہے کہ زیادہ سامان والی ٹرپس کے لیے UberXL تجویز کی جائے یا “ہوم” جیسی محفوظ شدہ منزلوں کو پہچانا جائے.

Parikh کہتے ہیں, “وائس ایک وقت میں ایک کام مکمل کرنے کی رکاوٹ کو ختم کر دیتی ہے. آپ قدرتی انداز میں اپنی پوری منشا بتا سکتے ہیں, اور سسٹم نتیجے کو منظم کر سکتا ہے.”

وائس رسائی کو بھی وسیع بناتی ہے اور Uber کے ایکو سسٹم میں نئے ورک فلو کو ممکن بناتی ہے. ڈرائیورز کی جانب, یہ انہیں بغیر ہاتھ استعمال کیے ایپ کے ساتھ تعامل کرنے کی سہولت دیتی ہے. رائیڈرز کی جانب, یہ ان صارفین کے لیے مشکلات کم کر سکتی ہے جو زیادہ تیز اور آسان تجربہ چاہتے ہیں.

Vidyasagar کہتے ہیں, “وائس فیچر بار بار ٹیپ کرنے کی رکاوٹ کو ختم کر دیتا ہے کیونکہ آپ ایک ساتھ کئی باتیں کہہ سکتے ہیں. یہ سسٹم کے مختلف حصوں کو آپس میں جوڑنے کی صلاحیت فراہم کرتا ہے.”

جیسے جیسے LLM کی صلاحیتیں تیزی سے ترقی کر رہی ہیں, Uber نے بھی ٹیموں کے کام کرنے کا طریقہ بدل دیا ہے.

ادارے بھر کے انجینئرز پرومپٹنگ, معلومات بازیاب کرنے کے سسٹمز, ایویلیوایشن پائپ لائنز, اور آرکسٹریشن فریم ورکس کے ساتھ کام کرتے ہیں. پروڈکٹ, قانونی, آپریشنز, اور ڈیزائن ٹیمیں پالیسی کی حدود طے کرنے, آؤٹ پٹس کی جانچ کرنے, اور صارف کے تجربات کو بہتر بنانے کے لیے زیادہ قریب سے تعاون کرتی ہیں.

اب انوویشن ایک چھوٹی مرکزی AI ٹیم کے پاس ہونے کے بجائے, انٹیلیجنس کمپنی کے مختلف حصوں میں شامل کی جا سکتی ہے.

Vidyasagar کہتے ہیں, “اب یہ سب کچھ ایک ہی ماہر گروپ نہیں کر رہا. بہت سی ٹیمیں حصہ ڈال سکتی ہیں کیونکہ ڈیولپمنٹ کی رکاوٹیں کم ہو گئی ہیں.”

یہ تبدیلی تجربات کو تیز کرتی ہے اور Uber کے ایکو سسٹم میں نئے خیالات پیدا کرتی ہے.

Vidyasagar کہتے ہیں, “ہر ڈرائیو, ہر ٹرپ ایونٹس کا ایک سلسلہ ہے, اور اس باریکی کو سمجھنا اور پراسیس کرنا وہ چیز ہے جو LLM ہمارے لیے ممکن بناتا ہے. یہ ہمیں اس بارے میں بہت سی معلومات دیتا ہے کہ ہمیں آگے کہاں جانا چاہیے, اور–ہمارے پیمانے پر یہ صلاحیت– غیر معمولی طور پر طاقتور ہے.”

Uber Assistant کو اب ایک تجرباتی رول آؤٹ کے طور پر امریکہ کے ڈرائیور نیٹ ورک میں پھیلایا گیا ہے, جبکہ Uber اس تجربے کو مسلسل جانچ اور بہتر بنا رہا ہے:

• امریکہ کے لاکھوں ڈرائیورز کو اب Uber Assistant کے بی ٹا تجربات تک رسائی حاصل ہے
• ابتدائی مرحلے کے ڈرائیورز کے لیے سپورٹ کو بہتر بنانا, تاکہ نئے ڈرائیورز زیادہ ٹرپس حاصل کرنے کے لیے خود کو بہتر طریقے سے پوزیشن کر سکیں
• مضبوط بار بار انگیجمنٹ، جہاں کامیاب انٹریکشنز کے بعد صارفین دوبارہ واپس آتے ہیں
• پلیٹ فارم پر وقت کے بہتر استعمال کو زیادہ ذہین مارکیٹ پلیس معلومات کے ذریعے بہتر بنانا
• ماڈل اسپیشلائزیشن اور مسلسل جائزہ لینے والے سسٹمز کے ذریعے تیز تر پروڈکٹ بہتری کے سائیکلز

نئے ڈرائیور کو پہلی ٹرپ حاصل کرنے میں مدد دینے سے لے کر ایک تجربہ کار ڈرائیور کو بہتر کمائی کے مواقع تلاش کرنے تک, Uber OpenAI ماڈلز کا استعمال کر رہا ہے تاکہ کام کو زیادہ نتیجہ خیز, ٹرانسپورٹ کو زیادہ ہموار, اور روزمرہ لاجسٹکس کو زیادہ انسانی بنایا جا سکے.

Vidyasagar کہتے ہیں, “ایک انجینئر کے طور پر, OpenAI ہمیں ان مسائل کو مختلف اور منفرد طریقوں سے حل کرنے کے قابل بناتا ہے.”