أوبر تحوّل بيانات السوق الفورية إلى إرشادات ذكاء اصطناعي للسائقين والركاب

أوبر تريد أن يقلل الذكاء الاصطناعي الاحتكاك على جانبي سوقها

دفعة أوبر الأخيرة نحو الذكاء الاصطناعي لا تتعلق بإضافة روبوت دردشة لمجرد الحداثة، بل بتبسيط واحد من أكثر أسواق المستهلكين تعقيدًا في العالم. وتقول الشركة إنها تستخدم نماذج OpenAI لتشغيل مساعدين وميزات صوتية تساعد السائقين على اتخاذ قرارات أفضل بشأن الأرباح وتساعد الركاب على التنقل في الحجوزات بسرعة أكبر عبر خدمة تعمل في آلاف المدن.

يساعد حجم التحدي في تفسير سبب نظر أوبر إلى نماذج اللغة الكبيرة باعتبارها مفيدة بصورة جديدة. ووفقًا للشركة، تتعامل منصتها مع 40 مليون رحلة يوميًا وتربط 10 ملايين سائق ومندوب توصيل عبر 15,000 مدينة في أكثر من 70 دولة. ولكل مدينة من هذه المدن أنماط حركة مرور مختلفة، وأحوال جوية مختلفة، وإيقاعات خاصة بالمطارات، ولوائح محلية، وسلوك طلب مختلف. وقد استخدمت أوبر التعلم الآلي طويلًا في هذا البيئة، لكن ادعاءها الحالي هو أن نماذج اللغة المتقدمة يمكنها تحويل الإشارات التشغيلية الواسعة إلى إرشادات حوارية يمكن للناس استخدامها فعلًا.

هذا تحول دقيق لكنه مهم. يمكن للتعلم الآلي التقليدي أن يحسن المطابقة والتنبؤ خلف الكواليس. أما الذكاء الاصطناعي التوليدي فيسعى إلى إظهار تلك الرؤى مباشرة للبشر بلغة واضحة وبالصوت، مما يجعل نظامًا تشغيليًا كثيفًا أكثر وضوحًا في الوقت الحقيقي.

جانب السائق هو حالة الاستخدام الأوضح

أوضح مثال تقدمه أوبر هو Uber Assistant، وهي أداة مدعومة بالذكاء الاصطناعي صُممت لدعم السائقين خلال التسجيل، والرحلات الأولى، وقرارات الأرباح اليومية. وتقول الشركة إن السائقين يواجهون بانتظام أسئلة عملية يصعب الإجابة عنها من لوحات البيانات الخام وحدها: أين يتمركزون، وهل يستحق المطار الرحلة، وهل من المنطقي التحول من الرحلات إلى التوصيل وقت الغداء، أو لماذا بدت أرباح يوم معين مختلفة.

هذه ليست أسئلة بسيطة. تعتمد منصة أوبر على قوة عاملة مرنة يدخل أفرادها ويخرجون في أوقات مختلفة، وبأهداف ومستويات خبرة مختلفة. بعض السائقين يعملون بدوام كامل، وآخرون بدوام جزئي، وآخرون فقط عندما يسمح جدولهم. تلك المرونة ميزة تسويقية، لكنها تخلق أيضًا حالة دائمة من عدم اليقين. يمكن للإرشاد الأفضل أن يقلل العبء المعرفي الناتج عن التنقل في سوق حي يتغير ساعة بعد ساعة.

وتقول أوبر إن المساعد يلخص البيانات المعقدة مثل اتجاهات الأرباح وخرائط الحرارة إلى رؤى بسيطة قابلة للتنفيذ حول التموضع. ويمكن للسائقين بعد ذلك طرح أسئلة متابعة باللغة الطبيعية وتلقي ردود مخصصة أثناء التنقل في التطبيق بسهولة أكبر. والهدف المعلن للشركة هو تقليل «cognitive overhead»، وهي عبارة تصف تحديًا حقيقيًا في المنتج: السائقون يحتاجون إلى نصيحة قابلة للاستخدام، لا مجرد مزيد من البيانات.

لماذا تناسب نماذج اللغة هذه المشكلة

لا يكمن وعد نماذج اللغة الكبيرة في سياق أوبر في أنها تخلق ذكاءً جديدًا للسوق من الصفر. بل في أنها تستطيع الاستدلال عبر الإشارات القائمة وترجمتها إلى دعم أسرع وأكثر حوارية. عندما يسأل السائق عما إذا كان التوجه إلى المطار يستحق العناء، فإن الإجابة المفيدة تعتمد على عدة مدخلات متحركة. قد تعرض الواجهة التقليدية بعض ذلك عبر الخرائط والرسوم البيانية. أما المساعد المعتمد على اللغة فيمكنه تحويل ذلك إلى توصية أو تفسير مباشر.

وهذا مهم في سوق يكون فيه التوقيت هو المال. إذا كان على السائق تفسير عدة شاشات قبل أن يقرر إلى أين يذهب بعد ذلك، تكون المنصة قد فرضت بالفعل احتكاكًا. وإذا كان على الراكب المرور بعدد كبير من النقرات أو الخطوات المربكة للحجز، تظهر المشكلة نفسها في جانب الطلب. ويشير طرح أوبر إلى أنها تعتقد أن الميزة التنافسية التالية تأتي من ضغط هذه القرارات في تبادلات أبسط.

كما تؤكد الشركة أيضًا سرعة الوصول إلى السوق. فباستخدام نماذج OpenAI، تقول أوبر إنها تستطيع إطلاق منتجات وتجارب مبسطة بسرعة أكبر من ذي قبل. وهذا جاذب شائع لنماذج الأساس: إذ يمكنها اختصار الطريق من الفكرة إلى ميزة قابلة للنشر تواجه المستخدم، خاصة عندما يكون التحدي الأساسي هو اللغة أو الشرح أو التفاعل الصوتي وليس التنبؤ الخالص.

من الإرشاد النصي إلى تجارب الصوت

جانب الراكب من الجهد أقل تفصيلًا في النص المقدم، لكن أوبر تقول إن هذا التعاون يشغّل أيضًا تجارب صوتية تساعد الناس على الحجز بسرعة أكبر. وهذا يشير إلى إعادة تصميم أوسع للتفاعل مع التطبيق، حيث يصبح الصوت واجهة أخرى للتنقل في مهام النقل والتوصيل واللوجستيات التي تُنجز غالبًا أثناء الحركة.

الصوت ذو صلة خاصة في خدمة مثل أوبر لأن المستخدمين غالبًا ما يكونون في حالة تعدد مهام. قد يكون الراكب خارجًا من المطار، أو يحمل حقائب، أو يمشي في مدينة أثناء محاولة تنسيق رحلة. في هذا السياق، يمكن للحجز الحواري أن يقلل الاحتكاك بطريقة تبدو مختلفة ماديًا عن قائمة تطبيق ثابتة.

وينطبق المنطق نفسه على السائقين ومندوبي التوصيل. يمكن أن يكون الدعم المعتمد على الصوت مفيدًا عندما تكون العملية دون استخدام اليدين مهمة، وعندما تكون الإجابة السريعة أكثر قيمة من الشرح البصري الكثيف. إذا نجحت أوبر، فلن تكون الفائدة العملية أن يبدو التطبيق مستقبليًا. بل أن يقضي الناس جهدًا أقل في تفسير المنصة أثناء استخدامها.

ما الذي يقوله هذا عن تبني الذكاء الاصطناعي في الشركات

يُظهر إعلان أوبر أيضًا كيف يتطور تبني الذكاء الاصطناعي في الشركات. ركزت كثير من عمليات نشر الذكاء الاصطناعي التوليدي المبكرة على روبوتات الدعم أو أدوات الإنتاجية الداخلية. أما أوبر فتطبق التقنية مباشرة على سوق فورية عالية التواتر، حيث يهم التوقيت والسياق المحلي وثقة المستخدمين جميعًا. وهذا يرفع المخاطر. فالإرشاد السيئ في هذا السياق ليس مزعجًا فقط؛ بل قد يؤثر في الأرباح وأوقات الانتظار ومعدلات التحويل.

وفي الوقت نفسه، فإن حالة الاستخدام قوية بشكل غير معتاد لأن أوبر تمتلك بالفعل كميات هائلة من البيانات التشغيلية. لا تحتاج الشركة إلى أن يخترع الذكاء الاصطناعي السياق. بل تحتاجه ليقوم بتلخيصه والتواصل بشأنه بفعالية أكبر. وهذه واحدة من أوضح الفئات التي يمكن فيها لنماذج اللغة أن تضيف قيمة داخل منصة رقمية ناضجة.

ولا يقدم الإعلان مقاييس أداء، لذلك لا يزال من غير الواضح إلى أي مدى تحسن المساعدات الجديدة قرارات السائقين أو معدلات إكمال الحجوزات لدى الركاب عمليًا. لكن من الناحية الاستراتيجية، فإن الاتجاه لافت. فـ أوبر تتعامل مع الذكاء الاصطناعي التوليدي ليس كوجهة منفصلة داخل التطبيق، بل كطبقة واجهة فوق محرك سوق معقد.

الرهان الأكبر: جعل التعقيد يبدو بسيطًا

سوق أوبر مليء بالمتغيرات التي قد تربك السائقين والعملاء على حد سواء. فحركة المرور، والطقس، والعرض، والطلب، واللوائح، والأحداث المحلية تتغير باستمرار. ورهان الشركة على الذكاء الاصطناعي هو أن النماذج المتقدمة يمكنها استيعاب بعض هذا التعقيد وتحويله إلى نصائح في الوقت المناسب تبدو بديهية.

إذا نجح ذلك، فالعائد يتجاوز إطلاق ميزة واحدة. بالنسبة إلى السائقين ومندوبي التوصيل، قد يعني ذلك قدرًا أقل من التخمين ومزيدًا من الثقة في كيفية استخدامهم للمنصة. وبالنسبة إلى الركاب، قد يعني حجوزات أسرع واحتكاكًا أقل في القرارات اليومية. أما بالنسبة إلى أوبر نفسها، فقد يعني خدمة تبدو أذكى من دون أن تجبر المستخدمين على تعلم نظام جديد.

• تقول أوبر إنها تعالج 40 مليون رحلة يوميًا عبر أكثر من 70 دولة.
• تستخدم الشركة نماذج OpenAI لتشغيل مساعدين بالذكاء الاصطناعي وميزات صوتية.
• صُمم Uber Assistant لمساعدة السائقين على تفسير اتجاهات الأرباح وخيارات التموضع.
• الهدف الأوسع هو تقليل العبء المعرفي وتسريع أفعال المستخدمين داخل التطبيق.

إن أقوى نسخة من هذه الاستراتيجية ليست استعراضية. إنها بنيوية. تحاول أوبر جعل سوق ضخمة وديناميكية أسهل فهمًا في اللحظة نفسها. وهذا هو المجال الذي قد يثبت فيه الذكاء الاصطناعي التوليدي أنه الأكثر استدامة: ليس كعرض، بل كترجمة بين الأنظمة المعقدة والأشخاص الذين يعتمدون عليها.

هذه المقالة مبنية على تقرير من OpenAI. اقرأ المقال الأصلي.