Uber চালক ও যাত্রীদের জন্য রিয়েল-টাইম মার্কেটপ্লেস ডেটাকে AI নির্দেশনায় রূপান্তর করছে

Uber তার মার্কেটপ্লেসের দুই দিকেই জটিলতা কমাতে AI চায়

Uber-এর সর্বশেষ AI উদ্যোগটি নতুনত্বের জন্য একটি chatbot যোগ করার বিষয় নয়, বরং বিশ্বের সবচেয়ে জটিল ভোক্তা মার্কেটপ্লেসগুলোর একটিকে সহজ করার বিষয়। কোম্পানির দাবি, এটি OpenAI মডেল ব্যবহার করছে এমন assistant এবং voice features চালাতে, যা চালকদের ভালো আয়ের সিদ্ধান্ত নিতে এবং 70টিরও বেশি দেশে হাজার হাজার শহরজুড়ে পরিচালিত পরিষেবায় যাত্রীদের দ্রুত বুকিং নেভিগেট করতে সাহায্য করে।

চ্যালেঞ্জের ব্যাপ্তি ব্যাখ্যা করে কেন Uber এখন large language models-কে বিশেষভাবে উপযোগী মনে করছে। কোম্পানির মতে, তার platform প্রতিদিন 40 million trip পরিচালনা করে এবং 15,000 শহরে 10 million driver ও courier-কে সংযুক্ত করে। এসব শহরের প্রত্যেকটির ট্রাফিকের ধরণ, আবহাওয়া, airport-এর গতিবিধি, স্থানীয় নিয়মকানুন, এবং demand আচরণ আলাদা। Uber দীর্ঘদিন ধরে সেই পরিবেশে machine learning ব্যবহার করেছে, কিন্তু তার বর্তমান দাবি হলো frontier language models ছড়িয়ে থাকা operational signal-গুলোকে এমন কথোপকথনভিত্তিক নির্দেশনায় রূপ দিতে পারে যা মানুষ বাস্তবে ব্যবহার করতে পারে।

এটি একটি সূক্ষ্ম কিন্তু গুরুত্বপূর্ণ পরিবর্তন। Traditional machine learning পিছনের দিকে matching এবং forecasting optimize করতে পারে। Generative AI সেই insight-গুলোকে সরাসরি, সহজ ভাষা ও কণ্ঠে মানুষের সামনে তুলে ধরতে চায়, যাতে একটি জটিল operational system real time-এ আরও বোধগম্য লাগে।

Driver side-ই সবচেয়ে স্পষ্ট use case

Uber-এর সবচেয়ে বিস্তারিত উদাহরণ Uber Assistant, একটি AI-powered tool যা onboarding, প্রথম trip, এবং দৈনন্দিন earnings সিদ্ধান্তে চালকদের সহায়তা করার জন্য তৈরি। কোম্পানির মতে, চালকদের নিয়মিত এমন ব্যবহারিক প্রশ্নের মুখোমুখি হতে হয় যেগুলোর উত্তর raw dashboard দেখে দেওয়া কঠিন: কোথায় অবস্থান করা উচিত, airport-এ যাওয়া লাভজনক কি না, lunch-এর সময় rides থেকে deliveries-এ সরে যাওয়া যুক্তিযুক্ত কি না, বা নির্দিষ্ট দিনের earnings কেন আলাদা দেখাল।

এগুলো তুচ্ছ প্রশ্ন নয়। Uber-এর platform একটি flexible workforce-এর ওপর নির্ভর করে, যার অংশগ্রহণকারীরা ভিন্ন ভিন্ন সময়ে, ভিন্ন লক্ষ্য ও অভিজ্ঞতার স্তর নিয়ে আসে এবং চলে যায়। কেউ full-time কাজ করেন, কেউ part-time, আর কেউ কেবল যখন সময় মেলে তখনই। এই flexibility একটি বিক্রয়-বিন্দু, কিন্তু একই সঙ্গে এটি নিয়মিত অনিশ্চয়তাও তৈরি করে। আরও ভালো guidance ঘণ্টায় ঘণ্টায় বদলে যাওয়া live marketplace নেভিগেট করার মানসিক চাপ কমাতে পারে।

Uber বলছে, assistant earnings trend এবং heatmap-এর মতো জটিল data-কে সহজ, কার্যকর positioning insight-এ সংক্ষিপ্ত করে। এরপর চালকরা natural language-এ follow-up প্রশ্ন করতে পারেন এবং app-টি আরও সহজে ব্যবহার করতে করতে tailored response পেতে পারেন। কোম্পানির ঘোষিত লক্ষ্য “cognitive overhead” কমানো, যা একটি বাস্তব product challenge-এর কথা বলে: চালকদের দরকার ব্যবহারযোগ্য পরামর্শ, কেবল আরও data নয়।

এই সমস্যার সঙ্গে language model কেন মানায়

Uber-এর প্রেক্ষাপটে large language model-এর প্রতিশ্রুতি এই নয় যে তারা শূন্য থেকে নতুন marketplace intelligence তৈরি করবে। বরং তারা বিদ্যমান signal-এর ওপর reasoning করে সেগুলোকে দ্রুত, আরও কথোপকথনভিত্তিক সহায়তায় রূপ দিতে পারে। একজন চালক যদি জিজ্ঞেস করেন airport-এ যাওয়া উচিত কি না, তবে উপযোগী উত্তর একাধিক পরিবর্তনশীল input-এর ওপর নির্ভর করে। একটি প্রচলিত interface মানচিত্র ও chart দিয়ে তার কিছুটা দেখাতে পারে। একটি language-driven assistant সেটিকে সরাসরি recommendation বা explanation-এ রূপ দিতে পারে।

এটি এমন একটি marketplace-এ গুরুত্বপূর্ণ, যেখানে সময়ই অর্থ। একজন চালককে পরবর্তী সিদ্ধান্ত নেওয়ার আগে যদি কয়েকটি screen ব্যাখ্যা করতে হয়, তাহলে platform আগেই friction তৈরি করেছে। একজন যাত্রীকে যদি বুকিং সম্পন্ন করতে খুব বেশি tap বা বিভ্রান্তিকর ধাপের মধ্য দিয়ে যেতে হয়, তাহলে একই সমস্যা demand side-এ দেখা দেয়। Uber-এর framing ইঙ্গিত দেয় যে, পরবর্তী প্রতিযোগিতামূলক সুবিধা এই সিদ্ধান্তগুলোকে সহজ exchange-এ সংকুচিত করার মাধ্যমে আসবে।

OpenAI-এর model ব্যবহার করে Uber আগের তুলনায় দ্রুত streamlined product ও experience launch করতে পারবে বলেও কোম্পানি জোর দিচ্ছে। এটি foundation model-এর একটি সাধারণ আকর্ষণ: বিশেষ করে language, explanation, বা voice interaction প্রধান চ্যালেঞ্জ হলে, ধারণা থেকে deploy করা যায় এমন user-facing feature-এ যাওয়ার পথ ছোট করতে পারে।

Text guidance থেকে voice experience-এ

যাত্রী পক্ষের প্রচেষ্টা কম বিস্তারিত হলেও, Uber বলছে এই সহযোগিতা এমন voice experience-ও চালায় যা মানুষকে দ্রুত বুক করতে সাহায্য করে। এটি app interaction-এর একটি বিস্তৃত পুনর্গঠনের ইঙ্গিত দেয়, যেখানে speech আরও একটি interface হয়ে ওঠে transportation, delivery, এবং logistics task-গুলো নেভিগেট করার জন্য, যেগুলো প্রায়ই চলার পথে সম্পন্ন করা হয়।

Uber-এর মতো service-এ voice বিশেষভাবে প্রাসঙ্গিক, কারণ ব্যবহারকারীরা প্রায়ই multitasking করেন। একজন যাত্রী হয়তো airport ছেড়ে বেরোচ্ছেন, ব্যাগ বহন করছেন, বা শহরের ভেতর দিয়ে হাঁটতে হাঁটতে trip সমন্বয় করছেন। এমন পরিস্থিতিতে কথোপকথনভিত্তিক booking স্থির app menu-এর তুলনায় materially ভিন্নভাবে friction কমাতে পারে।

এই logic চালক ও courier-দের ক্ষেত্রেও প্রযোজ্য। hands-free interaction গুরুত্বপূর্ণ হলে এবং দ্রুত উত্তর বিশদ visual explanation-এর চেয়ে বেশি মূল্যবান হলে, voice-based support উপকারী হতে পারে। Uber সফল হলে বাস্তব লাভ হবে না যে app futuristic মনে হবে। লাভ হবে, মানুষ platform ব্যবহার করতে গিয়ে সেটি বোঝার জন্য কম পরিশ্রম করবে।

এটি enterprise AI adoption সম্পর্কে কী বলে

Uber-এর ঘোষণা দেখায় enterprise AI adoption কীভাবে বিকশিত হচ্ছে। অনেক প্রাথমিক generative AI deployment support bot বা internal productivity tool-এ কেন্দ্রীভূত ছিল। Uber এই প্রযুক্তি সরাসরি একটি high-frequency, real-time marketplace-এ প্রয়োগ করছে, যেখানে timing, local context, এবং user trust অত্যন্ত গুরুত্বপূর্ণ। এতে stakes বেড়ে যায়। এমন পরিস্থিতিতে খারাপ guidance শুধু বিরক্তিকর নয়; এটি earnings, wait time, এবং conversion-কে প্রভাবিত করতে পারে।

একই সময়ে, Uber-এর use case অস্বাভাবিকভাবে শক্তিশালী, কারণ কোম্পানির কাছে ইতিমধ্যেই বিপুল operational data রয়েছে। context invent করার জন্য AI-এর দরকার নেই। context আরও কার্যকরভাবে synthesize ও communicate করার জন্য AI-এর দরকার। এটি mature digital platform-এর ভেতরে language model value যোগ করতে পারে এমন অন্যতম পরিষ্কার category।

ঘোষণায় performance metric দেওয়া হয়নি, তাই বাস্তবে নতুন assistant কতটা চালক সিদ্ধান্ত বা যাত্রী completion rate উন্নত করে তা এখনও স্পষ্ট নয়। কিন্তু কৌশলগতভাবে, দিকটি উল্লেখযোগ্য। Uber generative AI-কে app-এর ভেতরে আলাদা destination হিসেবে দেখছে না; বরং একটি জটিল marketplace engine-এর ওপর interface layer হিসেবে দেখছে।

বড় বাজি: জটিলতাকে সহজ লাগানো

Uber-এর marketplace এমন অনেক variable-এ ভরা যা চালক ও গ্রাহক উভয়কেই অভিভূত করতে পারে। ট্রাফিক, আবহাওয়া, supply, demand, regulations, এবং local event ক্রমাগত বদলায়। কোম্পানির AI বাজি হলো frontier model এই জটিলতার কিছু অংশ গ্রহণ করে তা সময়োপযোগী, স্বাভাবিক মনে হওয়া পরামর্শে রূপ দিতে পারে।

এটি কাজ করলে, লাভ একটি feature launch-এর চেয়েও বড় হবে। চালক ও courier-দের জন্য, এর মানে হতে পারে কম অনুমান আর platform ব্যবহারে বেশি আত্মবিশ্বাস। যাত্রীদের জন্য, এর মানে হতে পারে দ্রুত booking এবং দৈনন্দিন সিদ্ধান্তে কম friction। Uber-এর জন্য, এর মানে এমন একটি service হতে পারে যা ব্যবহারকারীদের নতুন system শিখতে বাধ্য না করেই আরও বুদ্ধিমান মনে হয়।

• Uber বলছে, এটি 15,000 শহরে প্রতিদিন 40 million trip পরিচালনা করে।
• OpenAI model AI assistant এবং voice feature চালাতে ব্যবহৃত হচ্ছে।
• Uber Assistant earnings trend এবং positioning choice-কে action-oriented advice-এ সংক্ষিপ্ত করে।
• কোম্পানির ঘোষিত লক্ষ্য হলো তার marketplace জুড়ে cognitive overhead কমানো।

এই strategy-এর সবচেয়ে শক্তিশালী সংস্করণ flashy নয়। এটি infrastructural। Uber বিশাল, গতিশীল একটি marketplace-কে মুহূর্তেই বোঝা সহজ করতে চাইছে। এখানেই generative AI সবচেয়ে টেকসই প্রমাণিত হতে পারে: spectacle হিসেবে নয়, বরং জটিল system এবং সেগুলোর ওপর নির্ভরশীল মানুষের মধ্যে অনুবাদ হিসেবে।

এই নিবন্ধটি OpenAI-এর প্রতিবেদনের ভিত্তিতে লেখা। মূল নিবন্ধটি পড়ুন.