Uber आपल्या मार्केटप्लेसच्या दोन्ही बाजूंवरील अडथळे कमी करण्यासाठी AI वापरू इच्छित आहे
Uber ची ताजी AI मोहीम केवळ novelty साठी chatbot जोडण्याबद्दल नाही, तर जगातील सर्वात गुंतागुंतीच्या consumer marketplaces पैकी एक सुलभ करण्याबद्दल आहे. कंपनीचे म्हणणे आहे की ती OpenAI मॉडेल्सचा वापर assistant आणि voice features चालवण्यासाठी करत आहे, जे चालकांना चांगले कमाईचे निर्णय घेण्यास आणि 70 हून अधिक देशांतील हजारो शहरांमध्ये चालणाऱ्या सेवेत प्रवाशांना बुकिंग जलद मार्गी लावण्यास मदत करतात.
या आव्हानाचा मोठेपणा स्पष्ट करतो की Uber ला मोठी language models अलीकडेच उपयुक्त का वाटत आहेत. कंपनीनुसार, तिचे platform दररोज 40 million trips हाताळते आणि 15,000 शहरांमध्ये 10 million drivers आणि couriers यांना जोडते. या प्रत्येक शहरात वेगळे traffic patterns, weather, airport rhythms, local regulations, आणि demand behavior असते. Uber ने बराच काळ त्या वातावरणात machine learning वापरले आहे, पण सध्याचा दावा असा आहे की frontier language models विस्तीर्ण operational signals चे conversation guidance मध्ये रूपांतर करू शकतात, ज्याचा लोक प्रत्यक्ष वापर करू शकतात.
हा सूक्ष्म पण महत्त्वाचा बदल आहे. पारंपरिक machine learning पडद्यामागे matching आणि forecasting optimize करू शकते. Generative AI त्या insights थेट human समोर plain language आणि voice मध्ये आणण्याचा प्रयत्न करते, ज्यामुळे एक गुंतागुंतीची operational system real time मध्ये अधिक समजण्याजोगी वाटते.
Driver side हे सर्वात स्पष्ट use case आहे
Uber चे सर्वात तपशीलवार उदाहरण Uber Assistant आहे, एक AI-powered tool जे onboarding, first trips, आणि दैनंदिन earnings निर्णयांमध्ये चालकांना मदत करण्यासाठी तयार केले आहे. कंपनी म्हणते की चालकांना नियमितपणे अशा practical questions ला सामोरे जावे लागते ज्यांची उत्तरे फक्त raw dashboards मधून देणे कठीण असते: कुठे उभे राहावे, airport कडे जाणे फायदेशीर ठरेल का, lunch वेळी rides वरून deliveries कडे वळणे योग्य आहे का, किंवा एखाद्या विशिष्ट दिवसाची earnings वेगळी का दिसली.
हे प्रश्न किरकोळ नाहीत. Uber चे platform flexible workforce वर अवलंबून आहे, ज्यातील सहभागी वेगवेगळ्या वेळांना, वेगवेगळ्या उद्दिष्टांसह आणि अनुभव पातळ्यांसह ये-जा करतात. काही चालक full-time काम करतात, काही part-time, आणि काही फक्त त्यांच्या वेळापत्रकानुसार शक्य असेल तेव्हाच. ही flexibility एक selling point आहे, पण त्यातून सतत अनिश्चितताही निर्माण होते. अधिक चांगले guidance hour-by-hour बदलणाऱ्या live marketplace मधून मार्ग काढण्याचा मानसिक ताण कमी करू शकते.
Uber म्हणते की assistant earnings trends आणि heatmaps सारख्या गुंतागुंतीच्या data ला सोप्या, actionable positioning insights मध्ये संक्षेपित करते. त्यानंतर चालक natural language मध्ये follow-up questions विचारू शकतात आणि app अधिक सहज नेव्हिगेट करताना tailored responses मिळवू शकतात. कंपनीचे घोषित उद्दिष्ट “cognitive overhead” कमी करणे आहे, जे एका खऱ्या product challenge कडे निर्देश करते: चालकांना फक्त अधिक data नाही, तर वापरण्यायोग्य सल्ला हवा असतो.
