ஓட்டுநர்களுக்கும் பயணிகளுக்கும் Uber நேரடி சந்தைத் தரவை AI வழிகாட்டுதலாக மாற்றுகிறது

Uber தனது சந்தையின் இரு பக்கங்களிலும் தடைகளை குறைக்க AI-யை விரும்புகிறது

Uber-இன் சமீபத்திய AI முயற்சி புதுமைக்காக ஒரு chatbot-ஐ சேர்ப்பதைப் பற்றியது அல்ல; மாறாக, உலகின் மிக சிக்கலான நுகர்வோர் சந்தைகளில் ஒன்றை எளிதாக்குவதைப் பற்றியது. ஆயிரக்கணக்கான நகரங்களில் இயங்கும் இந்த சேவையில், ஓட்டுநர்கள் சிறந்த வருமான முடிவுகளை எடுக்கவும், பயணிகள் முன்பதிவுகளை வேகமாக வழிநடத்தவும் உதவும் உதவியாளர்கள் மற்றும் குரல் அம்சங்களை இயக்க OpenAI மாதிரிகளைப் பயன்படுத்துவதாக நிறுவனம் கூறுகிறது.

இந்த சவாலின் அளவு, பெரும் மொழி மாதிரிகள் ஏன் இப்போது அதிக பயனுள்ளவையாகத் தோன்றுகின்றன என்பதை விளக்குகிறது. நிறுவனத்தின் கூற்றுப்படி, அதன் தளம் நாளொன்றுக்கு 40 மில்லியன் பயணங்களை கையாளுகிறது மற்றும் 15,000 நகரங்களில் 10 மில்லியன் ஓட்டுநர்களையும் கூரியர்களையும் இணைக்கிறது. இந்த நகரங்களின் ஒவ்வொன்றிலும் வேறுபட்ட போக்குவரத்து விதிகள், வானிலை, விமான நிலைய இயக்கங்கள், உள்ளூர் விதிமுறைகள், மற்றும் தேவைச் செயல்பாடுகள் உள்ளன. Uber இதுவரை அந்த சூழலில் machine learning-ஐ பயன்படுத்தி வந்தாலும், இப்போது frontier language models பரந்த செயல்பாட்டு சிக்னல்களை மக்கள் நேரடியாகப் பயன்படுத்தக்கூடிய உரையாடல் வழிகாட்டுதலாக மாற்ற முடியும் என்பதே அதன் தற்போதைய வாதம்.

இது நுட்பமான ஆனால் முக்கியமான மாற்றம். பாரம்பரிய machine learning பின்னணியில் பொருத்தம் மற்றும் முன்னறிவிப்பை மேம்படுத்த முடியும். Generative AI அந்தப் புரிதல்களை மனிதர்களுக்கு நேரடியாக, எளிய மொழி மற்றும் குரலில் வெளிப்படுத்த முயல்கிறது; இதன் மூலம் ஒரு சிக்கலான செயல்பாட்டு அமைப்பு நேரடியாகப் புரியக்கூடியதாகிறது.

ஓட்டுநர் பக்கம் தெளிவான பயன்பாட்டு வழக்கு

Uber-இன் மிக விரிவான உதாரணம் Uber Assistant; இது onboarding, முதல் பயணங்கள், மற்றும் தினசரி வருமான முடிவுகளில் ஓட்டுநர்களுக்கு ஆதரவாக வடிவமைக்கப்பட்ட AI-இயக்கப்பட்ட கருவி. ஓட்டுநர்கள் அடிக்கடி raw dashboards-களால் மட்டும் பதிலளிக்க கடினமான நடைமுறை கேள்விகளை சந்திக்கிறார்கள் என்று நிறுவனம் கூறுகிறது: எங்கு நிற்க வேண்டும், விமான நிலையத்திற்குச் செல்வது பயனுள்ளதாக இருக்குமா, மதிய உணவு நேரத்தில் rides-இலிருந்து deliveries-க்கு மாறுவது பொருத்தமா, அல்லது ஒரு குறிப்பிட்ட நாளின் வருமானம் ஏன் வேறுபட்டதாக இருந்தது போன்றவை.

இவை சிறிய கேள்விகள் அல்ல. Uber-இன் தளம், வேறு வேறு நேரங்களில், வேறு வேறு இலக்குகள் மற்றும் அனுபவ நிலைகளுடன் உள்ளவர்கள் வரவும் செல்லவும் செய்யும் நெகிழ்வான பணியாளர்களைப் பொறுத்தது. சில ஓட்டுநர்கள் முழுநேரம் வேலை செய்கிறார்கள், மற்றவர்கள் பகுதி நேரம், இன்னும் சிலர் தங்களின் அட்டவணை அனுமதிக்கும் போது மட்டும் செயல்படுகிறார்கள். அந்த நெகிழ்வு ஒரு விற்பனை அம்சம்; ஆனால் அதே நேரத்தில் அது தொடர்ச்சியான உறுதியின்மையையும் உருவாக்குகிறது. சிறந்த வழிகாட்டுதல், மணி நேரந்தோறும் மாறிக்கொண்டிருக்கும் நேரடி சந்தையை வழிநடத்துவதின் மனச் சுமையை குறைக்க முடியும்.

வருமானப் போக்குகள் மற்றும் heatmaps போன்ற சிக்கலான தரவை எளிய, செயல்படுத்தக்கூடிய நிலைப்பாட்டு நுண்ணறிவுகளாக உதவியாளர் சுருக்குகிறது என்று Uber கூறுகிறது. பின்னர் ஓட்டுநர்கள் இயல்பான மொழியில் தொடர்ச்சிக் கேள்விகள் கேட்டு, செயலியில் மேலும் எளிதாகச் செல்லும் போது தனிப்பயன் பதில்களைப் பெற முடியும். “cognitive overhead”ஐ குறைப்பதே நிறுவனத்தின் இலக்கு; இது ஒரு உண்மையான தயாரிப்பு சவாலைக் குறிக்கிறது: ஓட்டுநர்களுக்கு மேலும் தரவு அல்ல, பயன்படுத்தக்கூடிய ஆலோசனை தேவை.

இந்த பிரச்சினைக்கு language models ஏன் பொருத்தமானவை

Uber சூழலில் பெரிய language models-ன் வாக்குறுதி, அவை முற்றிலும் புதிதாக சந்தை நுண்ணறிவை உருவாக்குகின்றன என்பதல்ல. ஏற்கனவே உள்ள சிக்னல்களைத் தாண்டி reasoning செய்து, அவற்றை வேகமான, அதிக உரையாடல் மயமான ஆதரவாக மாற்ற முடியும் என்பதே. ஒரு ஓட்டுநர் விமான நிலையத்திற்குச் செல்ல வேண்டுமா என்று கேட்டால், பயனுள்ள பதில் பல நகரும் உள்ளீடுகளின் மீது அமைகிறது. ஒரு பாரம்பரிய இடைமுகம் அதை வரைபடங்கள் மற்றும் charts மூலம் பகுதியளவில் காட்டலாம். ஒரு language-driven assistant அதை நேரடி பரிந்துரை அல்லது விளக்கமாக மாற்றலாம்.

அது நேரமே பணமாக இருக்கும் சந்தையில் முக்கியம் பெறுகிறது. அடுத்த இடத்தை முடிவு செய்வதற்கு முன் ஓட்டுநர் பல திரைகளைப் புரிந்துகொள்ள வேண்டுமானால், தளம் ஏற்கனவே தடையை உருவாக்கிவிட்டது. ஒரு rider-க்கு booking முடிக்க அதிக taps அல்லது குழப்பமான படிகள் தேவைப்பட்டால், அதே பிரச்சினை demand பக்கத்திலும் தோன்றுகிறது. அடுத்த போட்டி முன்னிலை இந்த முடிவுகளை எளிய பரிமாற்றங்களாக சுருக்குவதிலிருந்து வரும் என்று Uber கருதுகிறது என்பதே அதன் framing.

OpenAI-யின் மாதிரிகளைப் பயன்படுத்துவதன் மூலம் Uber முன்பு இருந்ததைவிட வேகமாக streamlined products மற்றும் experiences-ஐ வெளியிட முடியும் என்று நிறுவனமும் வலியுறுத்துகிறது. இது foundation models-ன் பொதுவான ஈர்ப்பு: குறிப்பாக மொழி, விளக்கம், அல்லது குரல் தொடர்பு முக்கிய சவாலாக இருக்கும் போது, யோசனையிலிருந்து deploy செய்யக்கூடிய user-facing feature வரை உள்ள பாதையை குறைக்க முடியும்.

உரை வழிகாட்டுதலிலிருந்து குரல் அனுபவங்களுக்கு

பயணிகள் பக்கம் குறித்த விவரம் குறைவாக இருந்தாலும், Uber இந்த கூட்டாண்மை மக்களுக்கு வேகமாக booking செய்ய உதவும் voice experiences-ஐயும் இயக்குகிறது என்று கூறுகிறது. இது செயலி இடைமுகத்தின் ஒரு பரந்த மறுசீரமைப்பைச் சுட்டிக்காட்டுகிறது; அங்கு பேசுதல் என்பது போக்குவரத்து, delivery, மற்றும் logistics பணிகளை வழிநடத்தும் இன்னொரு இடைமுகமாக மாறுகிறது, அவை பல நேரங்களில் நகரும் நிலையிலேயே செய்யப்படுகின்றன.

Uber போன்ற சேவையில் voice குறிப்பாகப் பொருத்தமானது, ஏனெனில் பயனர்கள் அடிக்கடி பல வேலைகளை ஒரே நேரத்தில் செய்து கொண்டிருக்கிறார்கள். ஒரு பயணி விமான நிலையத்திலிருந்து வெளியேறிக்கொண்டிருக்கலாம், பைகளை எடுத்துக் கொண்டிருக்கலாம், அல்லது ஒரு நகரத்தின் வழியாக நடக்கும்போது பயணத்தை ஒருங்கிணைக்க முயற்சித்துக் கொண்டிருக்கலாம். அந்த சூழலில், உரையாடல் அடிப்படையிலான booking ஒரு நிலையான app menu-விலிருந்து கணிசமாக வேறுபடும் வகையில் தடையை குறைக்க முடியும்.

அதே தர்க்கம் ஓட்டுநர்களுக்கும் கூரியர்களுக்கும் பொருந்துகிறது. hands-free தொடர்பு முக்கியமானபோது மற்றும் வேகமான பதில் விரிவான காட்சி விளக்கத்தைவிட மதிப்புடையதாக இருக்கும்போது, voice-based support பயனுள்ளதாக இருக்கும். Uber வெற்றி பெற்றால், நடைமுறை நன்மை app எதிர்காலத் தன்மை கொண்டதாக உணரப்படுவது அல்ல; மக்கள் தளத்தைப் பயன்படுத்தும் போது அதை புரிந்துகொள்ள குறைவான முயற்சி செலவிடுவார்கள் என்பதே.

இது enterprise AI adoption பற்றி என்ன சொல்கிறது

Uber-இன் அறிவிப்பு enterprise AI adoption எப்படி வளர்ந்து வருகிறது என்பதையும் காட்டுகிறது. ஆரம்பகட்ட பல generative AI deployments support bots அல்லது internal productivity tools-களில் கவனம் செலுத்தின. Uber இந்தத் தொழில்நுட்பத்தை நேரடியாக ஒரு high-frequency, real-time சந்தையில் பயன்படுத்துகிறது; அங்கு timing, local context, மற்றும் user trust அனைத்தும் முக்கியம். இது stakes-ஐ உயர்த்துகிறது. இப்படியான சூழலில் மோசமான வழிகாட்டுதல் எரிச்சலாக மட்டுமல்ல; அது வருமானம், காத்திருப்பு நேரம், மற்றும் conversion-ஐ பாதிக்கலாம்.

அதே நேரத்தில், Uber ஏற்கனவே பெரும் அளவிலான operational data-வை வைத்திருப்பதால் இந்த use case மிக வலுவானது. context-ஐ உருவாக்க AI தேவையில்லை. context-ஐ மேலும் திறமையாகச் சுருக்கவும், தொடர்புபடுத்தவும் AI-யை அது தேவைப்படுகிறது. இது ஒரு mature digital platform-க்குள் language models மதிப்பை சேர்க்கக்கூடிய தெளிவான பிரிவுகளில் ஒன்றாகும்.

இந்த அறிவிப்பு performance metrics-ஐ வழங்கவில்லை; எனவே புதிய assistants ஓட்டுநர் முடிவுகள் அல்லது பயணிகளின் முடித்தல் விகிதங்களை நடைமுறையில் எவ்வளவு மேம்படுத்துகின்றன என்பது இன்னும் தெளிவில்லை. ஆனால் மூலோபாய ரீதியாக, திசை குறிப்பிடத்தக்கது. Uber generative AI-யை app-க்குள் ஒரு தனி destination ஆக அல்லாமல், ஒரு சிக்கலான சந்தை இயந்திரத்தின் மேலே உள்ள interface layer ஆகக் கருதுகிறது.

பெரிய பந்தயம்: சிக்கலையை எளிதாக உணரச் செய்வது

Uber-இன் சந்தை இரு தரப்பினரையும் - workers மற்றும் customers - மூழ்கடிக்கக்கூடிய மாறிலிகளால் நிரம்பியுள்ளது. போக்குவரத்து, வானிலை, supply, demand, விதிமுறைகள், மற்றும் உள்ளூர் நிகழ்வுகள் தொடர்ந்து மாறிக்கொண்டே இருக்கின்றன. இந்த சிக்கலின் ஒரு பகுதியை frontier models உறிஞ்சி, நேரத்திற்கேற்ற, இயல்பாக உணரும் ஆலோசனையாக மாற்ற முடியும் என்பதே நிறுவனத்தின் AI பந்தயம்.

அது வேலை செய்தால், பலன் ஒரு feature launch-ஐ விட பெரியதாக இருக்கும். ஓட்டுநர்கள் மற்றும் கூரியர்களுக்கு, அதனால் குறைந்த ஊகமும், platform-ஐப் பயன்படுத்தும் போது அதிக நம்பிக்கையும் கிடைக்கலாம். பயணிகளுக்கு, அதனால் வேகமான booking-களும், அன்றாட முடிவுகளில் குறைந்த தடையும் கிடைக்கலாம். Uber-க்கு, பயனர்கள் புதிய system-ஐ கற்றுக்கொள்ள வேண்டாமலே அதிக புத்திசாலியாகத் தோன்றும் ஒரு சேவையாக இது மாறலாம்.

• Uber 15,000 நகரங்களில் நாளொன்றுக்கு 40 மில்லியன் பயணங்களை கையாளுவதாக கூறுகிறது.
• OpenAI மாதிரிகள் AI உதவியாளர்கள் மற்றும் குரல் அம்சங்களை இயக்க பயன்படுத்தப்படுகின்றன.
• Uber Assistant வருமானப் போக்குகள் மற்றும் நிலைப்பாட்டு தேர்வுகளை செயல்படுத்தக்கூடிய ஆலோசனையாக சுருக்குவதற்காக வடிவமைக்கப்பட்டுள்ளது.
• நிறுவனத்தின் கூறப்பட்ட நோக்கம் அதன் சந்தை முழுவதிலும் cognitive overhead-ஐ குறைப்பதாகும்.

இந்தத் தந்திரத்தின் வலுவான பதிப்பு கவர்ச்சியானது அல்ல. அது அடிப்படையானது. Uber ஒரு பரந்த, மாறிக்கொண்டிருக்கும் சந்தையை அந்த நொடியிலேயே எளிதாகப் புரியக்கூடியதாக மாற்ற முயல்கிறது. Generative AI மிகவும் நீடித்ததாக நிரூபிக்கக் கூடிய இடமும் இதுதான்: காட்சிப்படுத்தலாக அல்ல, மாறாக சிக்கலான அமைப்புகளுக்கும் அவற்றைச் சார்ந்த மக்களுக்கும் இடையேயான மொழிபெயர்ப்பாக.

இந்தக் கட்டுரை OpenAI-யின் செய்திப்பதிவை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.