Γιούρι Μίσνικ, Αρχισυντάκτης Τεχνολογίας, inDrive – Σειρά Συνεντεύξεων

Γιούρι Μίσνικ είναι ο Αρχισυντάκτης Τεχνολογίας στην inDrive, όπου ηγείται της παγκόσμιας στρατηγικής τεχνολογίας της εταιρείας. Με περισσότερες από δύο δεκαετίες διεθνούς εμπειρίας, ο Μίσνικ έχει δημιουργήσει και ηγηθεί προγραμμάτων υψηλής επίδρασης στην τεχνολογία σε τομείς όπως η cloud, οι χρηματοοικονομικές υπηρεσίες και η ψηφιακή μεταμόρφωση σε μεγάλη κλίμακα.

Πριν ενταχθεί στην inDrive, κατέλαβε υψηλές θέσεις στη Microsoft (MSFT ) και την AWS. Αργότερα, υπηρέτησε ως Ψηφιακός Διευθυντής tại την HSBC, Διευθυντής Τεχνολογίας στην National Australia Bank και Διευθυντής Ομάδας Τεχνολογίας στην First Abu Dhabi Bank, όπου μετέτρεψε复잡ές, υψηλά ρυθμιζόμενες περιβάλλοντα μέσω cloud, Agile, DevOps και μοντέλων μηχανικής προϊόντων.

Ο Μίσνικ ξεκίνησε την καριέρα του στην αεροδιαστημική μηχανική, συμβάλλοντας στο σχεδιασμό του Boeing 787, πριν μεταπηδήσει στη μηχανική λογισμικού και τα συστήματα ηλεκτρονικής αγοράς. Ισότιμος στη γλωσσική ικανότητα τόσο στις κλασικές πλατφόρμες όσο και στις σύγχρονες κατανεμημένες αρχιτεκτονικές, είναι γνωστός για τη γέφυρα που δημιουργεί μεταξύ των θεμελιωδών συστημάτων και της καινοτομίας.

Στην inDrive, επικεντρώνεται στην κατασκευή των συστημάτων, των ομάδων και των πλατφόρμων που θα ενισχύσουν την επόμενη φάση της παγκόσμιας ανάπτυξης της εταιρείας.

inDrive είναι μια παγκόσμια πλατφόρμα κινητικότητας και αστικών υπηρεσιών που συνδέει τους χρήστες με οδηγούς και παρόχους υπηρεσιών σε υπηρεσίες όπως η μεταφορά, η παράδοση και άλλες υπηρεσίες upon demand. Ιδρυθείσα το 2013, η εταιρεία λειτουργεί σε περισσότερες από 48 χώρες και πάνω από 1.000 πόλεις, με εκατοντάδες εκατομμύρια λήψεις εφαρμογών παγκοσμίως. Το βασικό διαφοροποιητικό της είναι το μοντέλο τιμολόγησης peer-to-peer, το οποίο επιτρέπει στους επιβάτες και τους οδηγούς να διαπραγματεύονται τις τιμές trực tiếp, αντί να βασίζονται σε αλγοριθμικά μοντέλα τιμολόγησης, με στόχο τη δημιουργία πιο διαφανών και δίκαιων συναλλαγών. Πέρα από τις μεταφορές, η inDrive έχει επεκταθεί σε τομείς όπως τα ταξίδια μεταξύ πόλεων, οι υπηρεσίες courier, οι χρηματοοικονομικές υπηρεσίες και ακόμη και η παράδοση τροφίμων, θέτοντας τον εαυτό της ως μια ευρύτερη “super app” που επικεντρώνεται στις προσιτές και ισότιμες αστικές υπηρεσίες.

Ξεκινήσατε με μαθηματικά μοντέλα και ανάλυση πεπερασμένων στοιχείων πριν μεταπηδήσετε στη Microsoft, την AWS, την HSBC και την National Australia Bank, και τώρα ηγείστε της μεταμόρφωσης του AI στην inDrive. Πώς έχει διαμορφώσει αυτό το ταξίδι τον τρόπο με τον οποίο σκέφτεστε την κατασκευή συστημάτων AI που είναι τεχνικά φιλόδοξα αλλά ταυτόχρονα εδραιωμένα στη δίκαιη, την ανθεκτικότητα και τις πραγματικές περιορισμοί;

Ξεκίνησα την καριέρα μου στα εφαρμοσμένα μαθηματικά και την ανάλυση πεπερασμένων στοιχείων, τα οποία είναι θεμελιωδώς σχετικά με την κατανόηση του πού το μοντέλο σας αποτυγχάνει, αντί να γιορτάσετε το πού λειτουργεί. Αυτή η στάση είναι ακριβώς το πώς προσεγγίζω τα συστήματα AI σήμερα.

Στη Microsoft και στη συνέχεια στην AWS, όπου πέρασα πάνω από μια δεκαετία, έμαθα τι συμβαίνει όταν κατασκευάζετε πλατφόρμες σε παγκόσμιο επίπεδο. Υποθέτετε ότι τα συστήματα θα υποβαθμιστούν, τα δίκτυα θα αποτύχουν, τα συστατικά θα συμπεριφερθούν αναπάντεχα. Στην inDrive, λειτουργώντας σε πάνω από 1.000 πόλεις σε 48 χώρες, αυτή η σκέψη έχει αποδειχθεί απολύτως ζωτική.

Η HSBC και η National Australia Bank (NAB) έφεραν ένα διαφορετικό πρίσμα. Στην HSBC, χτίζαμε ψηφιακές ικανότητες λιανικής σε δεκάδες ρυθμιστικές δικαιοδοσίες. Στην NAB, οδηγούσα την μεταμόρφωση cloud, μεταφέροντας κρίσιμες τραπεζικές εφαρμογές στην AWS. Σε αυτά τα περιβάλλοντα, κάθε τεχνολογική απόφαση έχει ρυθμιστικές, φήμης και οικονομικές συνέπειες. Ένα μοντέλο AI ή ML που δεν μπορεί να εξηγήσει τις αποφάσεις του με τρόπο που ένας ρυθμιστής ή πελάτης μπορεί να κατανοήσει δεν είναι ένα περιουσιακό στοιχείο, αλλά ένα έλλειμμα.

Ένα προϊόν πρέπει να αντικατοπτρίζει τις ανάγκες των ανθρώπων, όχι να δείχνει τη複잡ότητα του στάκ σας. Αυτό το αρχή είναι αυτό που διατηρεί την τεχνική φιλοδοξία εδραιωμένη στη δίκαιη και τις πραγματικές περιορισμοί.

Αυτό σημαίνει την κατασκευή συστημάτων AI που ενημερώνουν και βοηθούν, για παράδειγμα, προτείνοντας μια δίκαιη τιμή χωρίς να αφαιρέσουν τον έλεγχο από τους ανθρώπους στην αγορά.Η συνέχεια σε όλα αυτά είναι απλή: τεχνική φιλοδοξία χωρίς λειτουργική πειθαρχία είναι απλά μια επίδειξη. Η καριέρα μου ήταν μια εξέλιξη από “μπορούμε να σχεδιάσουμε ή να κατασκευάσουμε αυτό;” σε “πρέπει να αναπτύξουμε αυτό και τι συμβαίνει όταν αποτυγχάνει στις 3 π.μ. σε μια αγορά όπου οι στοίχοι είναι πραγματικοί;” Αυτό το πρίσμα είναι αυτό που φέρνω στην inDrive.

Οι περισσότερες πλατφόρμες χρησιμοποιούν το AI για να ορίσουν τις τιμές. Η inDrive χρησιμοποιεί διαπραγμάτευση. Πώς το machine learning ταιριάζει πραγματικά στο μοντέλο σας και σε ποιο σημείο της πλατφόρμας προσφέρει την μεγαλύτερη αξία χωρίς να compromize τη διαφάνεια που κάνει την inDrive διαφορετική;

Το AI στην inDrive δεν αφορά μόνο την τιμολόγηση, είναι ενσωματωμένο σε ολόκληρη την επιχείρηση, καλύπτοντας την αγορά και την ανάπτυξη, την προσωποποίηση της super app, την υποστήριξη πελατών, τη γεωχωρική ευφυΐα, τα εσωτερικά εργαλεία, την πρόληψη απάτης και άλλα. Περισσότερο από το 80% του προσωπικού μας χρησιμοποιεί eine ποικιλία εργαλείων AI, από την υποστήριξη πελατών και την αγορά μέχρι την κωδικοποίηση και την ανάλυση. Το AI πραγματοποιεί σημαντική δουλειά στην περιβάλλουσα υποδομή – το 2025, έχουμε επιτύχει μια βελτίωση της ακρίβειας ETA 14% σε σύγκριση με το 2024, χάρη στα μοντέλα μας βαθιάς μάθησης. Όταν οι άνθρωποι ρωτούν για το AI και την τιμολόγηση, είναι σημαντικό να κατανοήσουν ότι είναι μόνο μια διάσταση μιας πολύ ευρύτερης ικανότητας.

Η inDrive ιδρύθηκε στο Γιακούτσκ για να καταπολεμήσει τις άδικες, συνωμοτικές ταξί τιμές. Η βασική ανταγωνιστική ταυτότητά μας είναι αυτό το μοντέλο διαπραγμάτευσης peer-to-peer — οι επιβάτες προτείνουν, οι οδηγοί αποδέχονται, αντιτείνουν ή απορρίπτουν. Αυτή η ανοιχτή ροή διαπραγμάτευσης είναι θεμελιώδης. Τι κάνει το AI είναι να ενεργεί ως υποστήριξη αποφάσεων γύρω από αυτή τη διαπραγματευμένη τιμή.Αν κοιτάξετε τα παραδοσιακά μοντέλα τιμολόγησης – είναι ένα μαύρο κουτί. Ο χρήστης βλέπει einen πολλαπλασιαστή και δεν έχει καμία δυνατότητα. Στο μοντέλο μας, ο επιβάτης βλέπει μια προτεινόμενη τιμή, ο οδηγός μπορεί να την αποδεχθεί ή να την αντιτείνει, και ο επιβάτης αποφασίζει αν θα την αποδεχθεί ή θα περιμένει για μια άλλη προσφορά. Το ML κάνει αυτές τις προτάσεις πιο έξυπνες και πιο контекστοποιημένες με βάση την προσφορά, τη ζήτηση, την απόσταση, την κυκλοφορία και τον χρόνο, αλλά η διαδικασία διαπραγμάτευσης διατηρεί την ελευθερία του χρήστη. Χρησιμοποιούμε επίσης το ML για να βοηθήσουμε τους οδηγούς να κατανοήσουν πότε και πού τα κέρδη είναι ισχυρότερα.Χρησιμοποιούμε το AI για να μειώσουμε την ασύμμετρη πληροφόρηση μεταξύ και των δύο πλευρών, όχι για να την εκμεταλλευτούμε.

Τι σημαίνει στην πράξη ένα “AI-first super app” στην inDrive και ποια μέρη της πλατφόρμας είναι τα πιο φυσικά ταιριαστά για το AI σήμερα: marketplace matching, ασφάλεια, υποστήριξη πελατών, χρηματοοικονομικές υπηρεσίες, ή κάτι άλλο;

Οι περισσότερες εταιρείες που λένε “AI-first” εννοούν ότι έχουν προσθέσει ένα chatbot. Αυτό δεν είναι αυτό που κάνουμε.

AI-first σημαίνει ότι το AI βρίσκεται στο λειτουργικό επίπεδο της πλατφόρμας, όχι στο επίπεδο χαρακτηριστικών. Κάθε απόφαση προϊόντος – από την αντιστοίχηση της αγοράς μέχρι την υποστήριξη πελατών μέχρι την πιστωτική αξιολόγηση – ξεκινά με το ερώτημα: ποια δεδομένα έχουμε, και πώς πρέπει η ευφυΐα να διαμορφώσει αυτή την εμπειρία; Σε αντίθεση με τις παλαιές super app που μεγάλωσαν πριν από την εποχή του AI, ενσωματώνουμε αυτές τις ικανότητες από την αρχή καθώς επεκτείνουμε σε οκτώ κατακόρυφες: μεταφορά, ταξίδια μεταξύ πόλεων, courier, εμπορευματική μεταφορά, παράδοση τροφίμων, αστικές υπηρεσίες και χρηματοοικονομικά προϊόντα.

Σε ότι αφορά τη φυσική ταίριασμα, η αντιστοίχηση της αγοράς και η ευφυΐα τιμολόγησης είναι ο πυρήνας – καλύτερη αντιστοίχηση σημαίνει υψηλότερη αξιοποίηση, η οποία σημαίνει καλύτερη οικονομικά για cả τους οδηγούς και τους επιβάτες. Η ασφάλεια και η εμπιστοσύνη είναι επίσης κρίσιες περιοχές: ανίχνευση ανωμαλιών σε πραγματικό χρόνο, επαλήθευση οδηγών και πρόληψη απάτης.

Λειτουργούμε σε 48 χώρες και δεκάδες γλώσσες. Η υποστήριξη πελατών με το AI – όχι μόνο chatbots, αλλά έξυπνη διαλογή, αυτόματη επίλυση κοινών ζητημάτων και πολυγλωσσική ικανότητα – είναι και ένα κόστος και ένας πολλαπλασιαστής ποιότητας.

Οι χρηματοοικονομικές υπηρεσίες μέσω της inDrive.Money είναι όπου το AI μας βοήθησε να δημιουργήσουμε μια νέα αξία για τους πελάτες – σε αυτή την περίπτωση, τους οδηγούς μας. Χρησιμοποιούμε δεδομένα ταξιδίων, μοτίβα κερδών και συμπεριφορά πλατφόρμας για να χτίσουμε εναλλακτικά μοντέλα πίστωσης για οδηγούς που οι παραδοσιακές τράπεζες δεν μπορούν να αναπαράγουν με τα τυπικά δεδομένα πίστωσης μόνο. Είναι ήδη ενεργό στο Μεξικό, την Κολομβία, τη Βραζιλία, την Ινδονησία και το Περού.

Χρησιμοποιούμε επίσης το AI για την προσβασιμότητα και την ένταξη – απλοποιώντας διεπαφές για χρήστες με χαμηλότερη γραμματική ή αναπηρίες. Σε πολλές από τις αγορές μας, είναι μια απαιτούμενη προϋπόθεση για την πρόσβαση στο προσιτό πληθυσμό.

Ο πολλαπλασιαστής της super app είναι ότι κάθε πρόσθετη κατακόρυφη εμπλουτίζει το γράφο δεδομένων. Ένας επιβάτης που χρησιμοποιεί επίσης παράδοση τροφίμων και δανειοδότηση οδηγών μας δίνει μια πλήρη εικόνα συμπεριφοράς. Αυτό κάνει κάθε ατομική υπηρεσία πιο έξυπνη – αλλά μόνο αν η βάση δεδομένων και η διακυβέρνηση είναι σωστές, που είναι το δύσκολο μέρος.

Η inDrive είναι ιδιαίτερα ισχυρή σε αναδυόμενες και μετωπικές αγορές, όπου οι συνθήκες λειτουργίας possono να διαφέρουν δραματικά. Πώς σχεδιάζετε συστήματα AI που λειτουργούν καλά σε περιοχές με πολύ διαφορετική υποδομή, συνήθειες πληρωμών, ρυθμιστικά περιβάλλοντα και προσδοκίες χρηστών;

Η δυσκολία έγκειται στην δημιουργία ενός ενιαίου μοντέλου που λειτουργεί αξιόπιστα σε 48 χώρες και πάνω από 1.000 πόλεις σε 8 διαφορετικές περιοχές. Αντιμετωπίζουμε αυτό με μια ενιαία, υψηλά ρυθμιζόμενη πλατφόρμα όπου η większość του έργου που κάνουμε για νέες εκκινήσεις χωρών έχει sido αλλαγές ρυθμίσεων, όχι νέος κώδικας. Αυτό εστιάζει την προσπάθεια μας στην τοπική ρύθμιση: επαλήθευση οδηγών, επαλήθευση εγγράφων και ολοκλήρωση κυβερνητικών βάσεων δεδομένων.

Η αρχιτεκτονική μας χρησιμοποιεί πολλαπλά περιβάλλοντα AWS και ένα περιβάλλον πολλαπλών ζωνών διαθεσιμότητας που εξαλείφει τα μοναδικά σημεία αποτυχίας. Η πλατφόρμα DevOps μας είναι υψηλά αυτοματοποιημένη, η οποία βοηθά τις αυξανόμενες ομάδες μηχανικών μας στο Πακιστάν, την Αίγυπτο και την Ασία να λειτουργούν με τα ίδια πρότυπα όπως οι ευρωπαϊκές ομάδες μας. Επίσης, χτίζουμε την ικανότητα μηχανικής στην Λατινική Αμερική, όπου έχουμε σημαντικές επιχειρηματικές επιχειρήσεις για να εξυπηρετήσουμε αυτή την αγορά καλύτερα με την passage του χρόνου με μια κοντινή παρουσία μηχανικής.

Έχετε ηγηθεί μεγάλων προσπαθειών μεταμόρφωσης cloud και ψηφιακής μεταμόρφωσης σε ιδρύματα όπως η HSBC και η NAB. Ποια μαθήματα από υψηλά ρυθμισμένα περιβάλλοντα χρηματοοικονομικών είναι πιο χρήσιμα καθώς η inDrive επεκτείνεται σε υπηρεσίες όπως οι χρηματοοικονομικές και χτίζει περισσότερα συστήματα αποφάσεων που οδηγούνται από το AI;

Τρία μαθήματα από την HSBC και την NAB μεταφέρονται σχεδόν απευθείας.

Πρώτον, η ελεγκτική και οι έλεγχοι γύρω από τα δεδομένα δεν είναι προαιρετικοί. Στην τράπεζα, κάθε κρίσιμο στοιχείο δεδομένων, κάθε απόφαση που επηρεάζει έναν πελάτη πρέπει να είναι περιτριγυρισμένο από κατάλληλους ελέγχους που προστατεύουν την ακεραιότητα και τη συνέπεια. Όλα πρέπει να είναι ιχνηλατούμενα και εξηγήσιμα. Και στον ψηφιακό κόσμο πρέπει να συνδυάσετε την ταχύτητα με τους ελέγχους, που σημαίνει ότι όλες οι ρυθμιστικές απαιτήσεις πρέπει να αυτοματοποιηθούν από την αρχή. Έτσι, αρχίζετε να σκέφτεστε τους ρυθμιστικούς ελέγχους ως ένα προϊόν λογισμικού, αφαιρώντας το χειροκίνητο έργο και βασίζοντας την αυτοματοποίηση παντού.

Δεύτερον, η διακυβέρνηση δεδομένων προηγείται της επιστήμης δεδομένων. Στην NAB και την HSBC, έμαθα ότι το μεγαλύτερο εμπόδιο για το AI δεν είναι ποτέ το μοντέλο – είναι τα δεδομένα. Ποιος τα κατέχει; Είναι καθαρά; Είναι συναίνεση; Είναι σωστά διατεταγμένα; Στην inDrive, η επέκταση από την μεταφορά σε χρηματοοικονομικές υπηρεσίες σημαίνει ότι η διακυβέρνηση δεδομένων μας πρέπει να ωριμάσει γρήγορα. Αν χτίσετε το AI πριν από τη διακυβέρνηση, συσσωρεύετε τεχνικό και ρυθμιστικό χρέος που γίνεται εκθετικά πιο δύσκολο να καταβληθεί.

Τρίτον, η λειτουργική ανθεκτικότητα μετράει περισσότερο από την απόδοση του μοντέλου. Η τράπεζα με δίδαξε ότι ένα μοντέλο 99,9% ακριβές που αποτυγχάνει καταστροφικά στην 0,1% περίπτωση είναι χειρότερο από ένα μοντέλο 95% ακριβές με εύκολη υποβάθμιση. Στην περίπτωσή μας, ένα ψευδές θετικό στην ανίχνευση απάτης που κλείνει έναν οδηγό έξω από τα κέρδη του μπορεί να καταστρέψει την εμπιστοσύνη. Σχεδιάζετε για την περίπτωση αποτυχίας, όχι τον ευτυχή μονοπάτι.

Ένα πλεονέκτημα που έχει η inDrive έναντι των παραδοσιακών χρηματοοικονομικών εταιρειών είναι ότι έχουμε συνεχείς συμπεριφορικές δεδομένα για τους δανειολήπτες. Ξέρουμε πόσο συχνά οδηγούν, τους ρυθμούς αποδοχής, τα μοτίβα κερδών, τα σήματα αξιοπιστίας. Αυτό προσφέρει πιο ισχυρά σήματα για την αξιοπιστία πίστωσης από ένα σημείο-στο-χρόνο FICO σκορ ή τραπεζική δήλωση. Αλλά αυτό το πλεονέκτημα υλοποιείται μόνο αν χτίσουμε τα πλαίσια διακυβέρνησης και δίκαιης χρήσης για να το χρησιμοποιήσουμε υπεύθυνα, που είναι όπου η μνήμη της τράπεζας είναι απτή.

Πολυάριθμες εταιρείες μιλάνε για τη διατήρηση “ανθρώπων στο βρόχο”, αλλά αυτή η φράση συχνά παραμένει αόριστη. Στην inDrive, όπου πιστεύετε ότι η κρίση ανθρώπων πρέπει να παραμείνει αμετάβλητη ακόμη και καθώς οι αυτοματοποιημένες ροές εργασίας και η αυτοματοποίηση γίνονται πιο ικανές;

Έχω ένα απλό αρχή: αυτοματοποιήστε το επαναλαμβανόμενο; διατηρήστε τους ανθρώπους στα μη αναστρέψιμα. Αν μια λανθασμένη απόφαση είναι φθηνά αναστρέψιμη, αυτοματοποιήστε. Αν μπορεί να καταστρέψει την εμπιστοσύνη, την επιβίωση ή την ασφάλεια, η κρίση ανθρώπων παραμένει.

Η εξουσία τιμολόγησης είναι το πιο προφανές παράδειγμα και αυτό που ορίζει την inDrive. Ο άνθρωπος – και ο επιβάτης και ο οδηγός – έχει πάντα το τελικό λόγο στην τιμή. Αυτό είναι αμετάβλητο ανεξάρτητα από το πόσο εξελιγμένα γίνονται οι προτάσεις AI μας. Η στιγμή που θα πάρουμε αυτό, θα γίνουμε απλά μια άλλη αλγοριθμική πλατφόρμα, χάνοντας αυτό που μας διαφοροποιεί.Αυτό είναι αρχιτεκτονικό.

Οι εσκαλασιόν ασφαλείας είναι μια άλλη σαφής περίπτωση. Αυτοματοποιούμε την πρώτη επίπεδο διαμόρφωση περιεχομένου και υποστήριξη σε κλίμακα. Εκπαιδευμένο σε εκατομμύρια κειμένων, το σύστημα AI μας επεξεργάζεται πάνω από τα δύο τρίτα των συνομιλιών ταξί για να ανιχνεύσει, να σηματοδοτήσει και να προστατεύσει τους πελάτες από ακατάλληλη γλώσσα. Αλλά όταν μια κατάσταση είναι πραγματικά αμφίβολη ή έχει σημαντικές συνέπειες για κάποιον’s επιβίωση, ένας άνθρωπος παίρνει την απόφαση. Η αυτοματοποίηση πρέπει να φιλτράρει έξυπνα τις περιπτώσεις, διασφαλίζοντας ότι η κρίση ανθρώπων εφαρμόζεται μόνο όταν είναι πραγματικά πολύτιμη.Το κόστος ενός ψευδούς αρνητικού είναι η ασφάλεια κάποιου. Δεν μπορείτε να αυτοματοποιήσετε αυτό και να διατηρήσετε την ευθύνη.

Το ευρύτερο αρχή μας είναι ότι το AI πρέπει να υποστηρίζει την κρίση ανθρώπων, να ενεργεί ως συνεργάτης, όχι ως αντικαταστάτης.

Η είσοδος στην αγορά και η προσαρμογή των ρυθμιστικών απαιτήσεων απαιτούν κρίση ανθρώπων επειδή είναι εγγενώς контекστοποιημένες. Καμία αυτοματοποιημένη απόφαση δεν πρέπει να决定ίσει πώς λειτουργούμε σε ένα νέο ρυθμιστικό περιβάλλον. Και οι αποφάσεις σε επίπεδο λογαριασμού – μόνιμες απαγορεύσεις, επίλυση διαφορών, εφέ – απαιτούν κρίση ανθρώπων επειδή ο контекστ είναι πάντα πλουσιότερος από ότι τα δεδομένα καταγράφουν.

Το λάθος που κάνουν πολλές εταιρείες είναι να αντιμετωπίζουν την “κρίση ανθρώπων στο βρόχο” ως μια φάση που θα αυτοματοποιηθεί. Για τις κατηγορίες που περιέγραψα, αυτό είναι η λάθος στάση. Είναι περιπτώσεις όπου η κρίση ανθρώπων είναι δομικά κατάλληλη και θα παραμείνει così.

Ένα από τα πιο δύσκολα μέρη της κλίμακας του AI δεν είναι η απόδοση του μοντέλου, αλλά η λειτουργική πειθαρχία: ποιότητα δεδομένων, διακυβέρνηση, παρακολούθηση και έλεγχος κόστους. Ποιο ήταν το μεγαλύτερο εμπόδιο στην μετατροπή του AI από μεμονωμένες περιπτώσεις σε ένα λειτουργικό επίπεδο σε όλη την επιχείρηση;

Όλοι δίνουν την πολιτική απάντηση: ποιότητα δεδομένων. Αυτό είναι αλήθεια αλλά ανεπαρκές. Το πραγματικό εμπόδιο είναι οργανωτικό.Το πιο δύσκολο πράγμα δεν είναι κανένα τεχνικό πρόβλημα, αλλά η μετάβαση από μια κουλτούρα μεμονωμένων πειραμάτων AI σε μια κουλτούρα συστηματικών λειτουργιών AI. Αυτή η μετάβαση απαιτεί αλλαγή στο πώς οι ομάδες σκέφτονται την ιδιοκτησία, την ευθύνη και τη μέτρηση.

Όταν αντιμετωπίζετε το AI ως μια σειρά μεμονωμένων πρωτοβουλιών, κάθε ομάδα χτίζει τη δική της πipeline, τα δικά της μοτίβα πρόσβασης δεδομένων, τη δική της κατανόηση του τι “ποιότητα” σημαίνει για το μοντέλο τους. Αλλά όταν θέλετε το AI να είναι ένα οριζόντιο λειτουργικό επίπεδο που αγγίζει την τιμολόγηση, την ασφάλεια, την υποστήριξη, τη γεωγραφία, την προσωποποίηση ταυτόχρονα, χρειάζεστε κοινές βάσεις.

Αυτό περιλαμβάνει ένα ενιαίο σεμαντικό επίπεδο με συνεπείς ορισμοί μετρήσεων, κοινή πλαισιοθήκη ποιότητας δεδομένων, υποδομή διαχείρισης μοντέλων με ενσωματωμένες πρακτικές MLOps και κοινές πολιτικές ασφαλείας.

Η συχνά υποτιμώμενη διάσταση κόστους είναι επίσης ζωτική. Παρέχουμε στις ομάδες ορατότητα στα πραγματικά κόστη (ανά ταξί, ανά συναλλαγή, αποθήκευση) για να βοηθήσουμε την ευθύνη, η οποία οδηγεί σε καλύτερες αποφάσεις μηχανικής.Για παράδειγμα, η βελτίωση της αποθήκευσης μας επέτρεψε να μειώσουμε το κόστος των γεω-δεδομένων, μειώνοντας σημαντικά το κόστος ανά συναλλαγή.

Ένα άλλο σημαντικό πρόκληση είναι η χρήση του AI για τις εσωτερικές λειτουργίες. Η αυτοματοποίηση του χάους αποφέρει μόνο χάος. Για αυτό, εργαζόμαστε ενεργά με τις εσωτερικές ομάδες για να формαλίσουμε το έργο τους, περιγράφοντας τις διαδικασίες τους σαφώς και καθαρίζοντας παλιές εγγράφσεις. Αν και δεν είναι καινούργιο, αυτά τα θεμελιώδη βήματα είναι κρίσιμα για την επιτυχημένη υιοθέτηση και ωφέλεια από το AI μέσα στην οργάνωση.

Οι πλατφόρμες μεταφοράς επεξεργάζονται τεράστιες ποσότητες πραγματικών δεδομένων συμπεριφοράς. Πώς ισορροπείτε την ευκαιρία να χρησιμοποιήσετε αυτά τα δεδομένα για καλύτερη προσωποποίηση και πρόβλεψη με την ανάγκη να διατηρήσετε την εμπιστοσύνη, την ιδιωτικότητα και την ισότητα για cả τους οδηγούς και τους επιβάτες;

Το πλεονέκτημα δεδομένων στη μεταφορά είναι πραγματικό. Σε συνδυασμό με δεδομένα παράδοσης και χρηματοοικονομικών, γίνεται ένα εξαιρετικά πλούσιο σύνολο δεδομένων συμπεριφοράς. Η诱惑 να το εκμεταλλευτείτε είναι ακριβώς αυτό που αρνούμαστε να κάνουμε.

Εφαρμόζουμε την αυστηρή περιορισμένη χρήση. Χρησιμοποιούμε δεδομένα που συλλέγονται για να βελτιώσουμε τις μεταφορές. Δεν το ξαναχρησιμοποιούμε για στόχους διαφήμισης ή το πουλάμε σε τρίτους. Οι πελάτες μας επέλεξαν την inDrive εν μέρει επειδή μας εμπιστεύονται περισσότερο από τους incumbents. Αυτή η εμπιστοσύνη, μια φορά που σπάει, δεν ξαναχτίζεται.

Στην πλευρά του οδηγού, αντιμετωπίζουμε τα δεδομένα ως ζήτημα οικονομικής εταιρικής σχέσης. Οι οδηγοί δεν είναι πηγές δεδομένων. Πρέπει να κατανοήσουν τι συλλέγουμε, πώς το χρησιμοποιούμε και – κρίσιμο – να ωφεληθούν από αυτό. Η inDrive.Money είναι ένα άμεσο παράδειγμα: τα ίδια δεδομένα συμπεριφοράς που μας βοηθούν να τρέξουμε την αγορά επίσης μας επιτρέπουν να προσφέρουμε χρηματοοικονομικές υπηρεσίες που οι οδηγοί χρειάζονται και δεν μπορούν να αποκτήσουν από τις παραδοσιακές τράπεζες. Αυτή η ανταλλαγή αξίας πρέπει να είναι αμφίδρομη, διαφανής και δίκαιη.

Για πρόβλεψη και πρόβλεψη ζήτησης, προτιμούμε τα συσσωρευμένα μοτίβα από την ατομική παρακολούθηση όπου είναι δυνατό. Δεν χρειάζεται να ξέρετε πού ταξιδεύει ένας συγκεκριμένος άνθρωπος κάθε μέρα; χρειάζεται να ξέρετε ότι η ζήτηση σε μια δεδομένη ζώνη αυξάνεται 30% τις Παρασκευές το βράδυ.

Λειτουργούμε σε χώρες με πολύ διαφορετικά πλαίσια προστασίας δεδομένων – από το LGPD της Βραζιλίας σε αγορές με ελάχιστες νομικές προστασίες δεδομένων. Η προσέγγισή μας είναι να ourselves σε υψηλότερο πρότυπο ανεξάρτητα από το τι επιτρέπει το τοπικό δίκαιο.

Η super app μοντέλο έχει sido πολύ επιτυχημένο σε μέρη της Ασίας, αλλά είναι πιο δύσκολο να αναπαραχθεί σε παγκοσμίως αποσπασμένα marché. Τι πρέπει να είναι αλήθεια, από τεχνολογικής και AI πλευράς, για μια super app να λειτουργήσει σε δεκάδες χώρες αντί για μια紧密 ενιαία οικοσύστημα;

Το μοντέλο super app, το οποίο έγινε δημοφιλές στην Ασία, λειτουργούσε σε σχετικά ομοιογενή ρυθμιστικά και υποδομικά περιβάλλοντα, με βαθιά ολοκλήρωση σε πληρωμές, κοινωνικά δίκτυα και εμπόριο που είχαν λίγα ισχυρά ανεξάρτητα εναλλακτικά. Η αναπαραγωγή του σε παγκόσμιο επίπεδο απαιτεί μια θεμελιωδώς διαφορετική προσέγγιση, και πιστεύουμε ότι το μοντέλο μας είναι καλύτερο για αποσπασμένα marché.

Η βάση πρέπει να είναι παγκόσμια-από-προεπιλογή, τοπική-από-σχεδιασμό. Εksθέτουμε κοινές πλατφόρμας υπηρεσιών — ταυτότητα, πορτοφόλι, ειδοποιήσεις, ανάλυση, χάρτες, υποστήριξη — ως σταθερά ρails που οι συνεργάτες μπορούν να συνδεθούν γρήγορα. Κάθε υπηρεσία είναι ανεξάρτητα αναployable και τοπικά ρυθμιζόμενη, ώστε новые αγορές να μπορούν να εκκινήσουν μέσω ρυθμίσεων, όχι νέου κώδικα. Δεν μπορείτε να αποστείλετε ένα μονολιθικό προϊόν και να περιμένετε να αντηχήσει παντού.

Αυτή η modulaire προσέγγιση επιτρέπει σε κάθε προϊόν – μεταφορά, παράδοση, τροφίμων, χρηματοοικονομικά – να προσαρμοστεί στις συγκεκριμένες ανάγκες κάθε αγοράς ενώ λειτουργεί σε μια κοινή πλατφόρμα. Επίσης, ένα ενιαίο επίπεδο ταυτότητας και δεδομένων είναι απαραίτητο. Η συνολική αξία πρότασης μιας super app είναι ότι η χρήση μιας υπηρεσίας βελτιώνει τις άλλες. Αυτό απαιτεί ένα ενιαίο γράφο δεδομένων χρηστών σε όλες τις κατακόρυφες. Χτίζοντας αυτό χωρίς να δημιουργήσετε ένα πρόβλημα προστασίας δεδομένων είναι η πιο δύσκολη τεχνική πρόκληση σε όλη την προσπάθεια.

Δεύτερον, ο μηχανισμός σχεδίασης πρέπει να λειτουργεί στο επίπεδο του ατόμου, όχι της αγοράς. Αυτό που ονομάζουμε “τμήμα ενός” – χρησιμοποιώντας δεδομένα, ανάλυση και ML για να κατανοήσουμε τι είναι σημαντικό για έναν συγκεκριμένο πελάτη σε ένα συγκεκριμένο контекστ – είναι αυτό που κάνει μια super app να φαίνεται χρήσιμη και όχι ακατάστατη.

Τρίτον, χρειάζεστε τοπικές συνεργασίες αντί για μια προσέγγιση “χτίσιμο-όλα”. Επενδύσαμε στην Krave Mart στο Πακιστάν για την παράδοση τροφίμων, συνεργαστήκαμε με την Fingular και την Ammana στην Ινδονησία για χρηματοοικονομικές υπηρεσίες. Η τεχνολογική πλατφόρμα είναι παγκόσμια; η παροχή υπηρεσιών είναι τοπική. Το AI βοηθά με την ομαλή ολοκλήρωση αυτών των συνεργασιών για τον τελικό χρήστη.

Τέταρτον, χρειάζεστε einen άγκιστρο συχνότητας. Αυτός είναι ο λόγος για τον οποίο η παράδοση τροφίμων είναι τόσο σημαντική για την στρατηγική μας. Η μεταφορά μπορεί να είναι εβδομαδιαία. Η παράδοση τροφίμων είναι ημερήσια ή σχεδόν ημερήσια.

Τέλος, το λειτουργικό μοντέλο πρέπει να είναι σε θέση να απορροφήσει την μεταβλητότητα της αγοράς χωρίς να χάσει συνοχή. Η πλατφόρμα Zero-Code μας που τροφοδοτεί πάνω από 400 οθόνες παραγωγής που επισκέπτονται πάνω από 300 εκατομμύρια φορές μας επιτρέπει να εκκινήσουμε νέες οθόνες, να τρέξουμε πειράματα και να προσαρμοστούμε στις τοπικές απαιτήσεις χωρίς πλήρη αναπτύξεις εφαρμογών. Αυτή η ευελιξία, σε συνδυασμό με μια αποκεντρωμένη υποδομή πολλαπλών περιοχών, είναι αυτό που επιτρέπει σε μια πλατφόρμα να λειτουργήσει συνεκτικά σε διαφορετικές αγορές, χωρίς να επιβάλλει ομοιομορφία ή να αποδέχεται αποσπάσματα.

Κοιτάζοντας μπροστά τρία έως πέντε χρόνια, πού πιστεύετε ότι το AI θα δημιουργήσει την μεγαλύτερη ανταγωνιστική απόσταση στις πλατφόρμες κινητικότητας: πρόβλεψη ζήτησης, ασφάλεια και εμπιστοσύνη, αυτόνομη λειτουργία, αυτοματοποίηση υποστήριξης, οικονομικά οδηγών ή εντελώς νέες υπηρεσίες που δεν υπάρχουν ακόμη;

Το AI θα αγγίξει όλα αυτά, αλλά το βαθμό της απόστασης θα ποικίλλει.

Σε τρία χρόνια, κάθε σοβαρή πλατφόρμα κινητικότητας θα έχει πιθανότατα μια ικανή πρόβλεψη ζήτησης. Οι λειτουργίες ασφαλείας και εμπιστοσύνης θα είναι οι βασικοί πόντοι. Η υποστήριξη θα γίνει αυτοματοποιημένη καθώς τα LLMs ωριμάζουν.Η αυτόνομη λειτουργία θα έχει σημασία τελικά, αλλά η πλήρης αυτονομία σε παγκόσμιο επίπεδο (εκτός από τις ανεπτυγμένες αγορές όπως οι ΗΠΑ) είναι απίθανο να επηρεάσει σημαντικά τις μετωπικές αγορές για τουλάχιστον μια άλλη δεκαετία.

Ένα σημαντικό πεδίο διαφοροποίησης σε όλη την βιομηχανία, ωστόσο, είναι πιθανότατα σημαδεμένο από εντελώς νέες υπηρεσίες που δεν υπάρχουν ακόμη. Η συνδυασμένη πραγματικού χρόνου τοποθεσίας δεδομένων, συμπεριφορικών δεδομένων, πληρωμών δεδομένων και τοπικών αγορών ευφυΐας δημιουργεί τη βάση για υπηρεσίες που δεν έχουμε συλλάβει ακόμη σε τομείς όπως η υπερτοπική εμπόριο, η υγεία ή η προβλεπτική λογιστική. Η πλατφόρμα με το πλουσιότερο θεμελιώδες δεδομένων και την οργανωτική ευελιξία για να δοκιμάσει και να κλιμακώσει νέες κατακόρυφες γρήγορα θα έχει einen συνδυαστικό πλεονέκτημα.

Η agentic AI είναι όπου η μακροπρόθεσμη απόσταση θα ανοίξει. Όσο τα agentic ροές εργασίας ωριμάζουν, χειρίζονται την εγγραφή, την παρακολούθηση απάτης, τις χρηματοοικονομικές λειτουργίες και την προσωποποιημένη προπόνηση, οι πλατφόρμες με τα σωστά δεδομένα θεμέλια μπορεί να επιτρέψουν ταχύτερη πειραματισμός και κλιμάκωση.

Το AI δεν δημιουργεί ανταγωνιστικό πλεονέκτημα από μόνο του. Δημιουργεί πλεονέκτημα όταν συνδυάζεται με μοναδικά δεδομένα, μοναδική αγορά θέση και τη λειτουργική πειθαρχία για να εκτελέσει. Η θέση της inDrive – η δεύτερη πιο κατεβασμένη εφαρμογή μεταφοράς, με κυρίαρχες θέσεις σε μετωπικές αγορές, πάνω από 400 εκατομμύρια λήψεις και ένα brand χτισμένο στη δίκαιη – είναι η βάση. Το AI είναι ο ενισχυτής. Χωρίς τη βάση, ο ενισχυτής δεν έχει τίποτα να ενισχύσει. 

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν inDrive.