Yuri Misnik, inDrive:n teknologiajohtaja – Haastattelusarja

Yuri Misnik on inDrive:n teknologiajohtaja, jossa hän johtaa yrityksen globaalia teknologiaviritystä. Yli kahden vuosikymmenen kansainvälisen kokemuksen kanssa Misnik on rakentanut ja johtanut suurvaikutteisia teknologiaohjelmia pilvi-, rahoitus- ja suurten digitaalisten muutosten aloilla.

Ennen inDrive:hin liittymistä hän toimi johtavissa rooleissa Microsoftissa ja AWS:ssä. Myöhemmin hän toimi digitaalisen CIO:n HSBC:ssä, CIO:n National Australia Bankissa ja konsernin CTO:na First Abu Dhabi Bankissa, jossa hän modernisoi monimutkaisia, voimakkaasti säännellyitä ympäristöjä pilvi-, Agile-, DevOps- ja tuotepohjaisilla insinööritöillä.

Misnik aloitti uransa ilmailu- ja avaruustekniikassa, osallistuen Boeing 787:n suunnitteluun ennen siirtymistä ohjelmistosuunnitteluun ja verkkokauppaan. Yhtä lailla taitava perinteisissä alustoissa ja modernissa hajautetuissa arkkitehtuureissa, hänet tunnetaan perussysteemien ja viimeisimmän innovaation yhdistämisestä.

inDrive:ssä hän keskittyy järjestelmien, tiimien ja alustojen rakentamiseen, jotka tukevat yrityksen seuraavaa kasvuvaihetta.

inDrive on globaali liikenne- ja kaupunkipalvelualusta, joka yhdistää käyttäjät kuljettajien ja palveluntarjoajien kanssa kyytien, toimitusten ja muiden tilauspalvelujen kautta. Perustettu vuonna 2013, yritys toimii yli 48 maassa ja yli 1 000 kaupungissa, ja sovelluksia on ladattu satoja miljoonia kertaa maailmanlaajuisesti. Sen ydineroonhakija on vertaisvälinen hinnoittelumalli, joka mahdollistaa matkustajien ja kuljettajien neuvotella hinnasta suoraan, sen sijaan, että luotaisiin algoritmiin perustuva hinnoittelu, tavoitteena luoda läpinäkyvempiä ja reilumpia transaktioita. Kyytien ulkopuolella inDrive on laajentanut toimintaansa alueille, kuten pitkänmatkan liikenne, lähetti- ja rahoituspalvelut sekä ruoka-toimitukset, asemoiden itsensä laajemmaksi “super sovellukseksi”, joka keskittyy saatavilla oleviin ja oikeudenmukaisiin kaupunkipalveluihin.

Kerro, miten olet siirtynyt matemaattisesta mallinnuksesta ja äärianalyysistä Microsoftin, AWS:n, HSBC:n ja National Australia Bankin kautta inDrive:hen, johtaen siellä AI-muutosta. Miten tämä matka on muokannut ajattelutapaasi teknisesti urheilullisten, mutta maanpäällisten, kestävien ja todellisten rajoitusten AI-järjestelmien rakentamisessa?

Aloittaminen soveltavassa matematiikassa ja äärianalyysissä, joka on perustavasti ymmärtämistä siitä, missä malli menee rikki, ei sen sijaan, miten se toimii, on ajattelutapani, jota sovellan nykyään AI-järjestelmiin.

Microsoftissa ja AWS:ssä, jossa vietin yli vuosikymmenen, opin, mitä tapahtuu, kun rakennetaan alustoja globaalilla tasolla. Oletetaan, että järjestelmät heikkenevät, verkkotiedot epäonnistuvat, komponentit käyttäytyvät odottamattomasti. inDrive:ssä, joka toimii yli 1 000 kaupungissa 48 maassa, tämä ajattelu on osoittautunut äärimmäisen tärkeäksi.

HSBC ja National Australia Bank (NAB) toivat erilaisen näkökulman. HSBC:ssä rakennetin vähittäiskaupan digitaalisia kykyjä kymmenissä sääntelyalueissa. NAB:ssa johtaminen pilvipalveluihin siirtäminen kriittisiä pankkipalveluita AWS:ään. Näissä ympäristöissä jokainen teknologiaan liittyvä päätös kantaa sääntely-, maine- ja taloudellisia seuraamuksia. AI- tai ML-malli, joka ei voi selittää päätöksiään tavalla, jota sääntelijä tai asiakas voi ymmärtää, ei ole etu, vaan vastuu.

Tuote tulisi heijastaa ihmisten tarpeita, ei osoittaa teknisen tason monimutkaisuutta. Tämä periaate pitää teknisen urheilullisuuden maanpäällisenä ja todellisissa rajoituksissa.

Se tarkoittaa rakentamista AI-järjestelmiä, jotka antavat tietoa ja tukevat, esimerkiksi suosittelemalla reilua hintaa ilman, että otetaan pois valta markkinoiden ihmisiltä.

Useimmat alustat käyttävät AI:ta hinnoittelun määritykseen. inDrive käyttää neuvotteluja. Kuinka koneoppiminen soveltuu malliisi ja missä alustoissa se tarjoaa eniten arvoa ilman, että seurauksena on kompromissi läpinäkyvyyden kanssa, joka tekee inDrive:stä erityisen?

AI inDrive:ssä ei ole vain hinnoittelun suhteen, vaan se on upotettu koko liiketoimintaan, kattaa markkinointi- ja kasvustrategiat, super sovelluksen henkilökohtaisuuden, asiakastuen, geospatiaalisen älymystön, sisäisen työkalun, petosten eston ja paljon muuta. Yli 80 % työntekijöistämme käyttää erilaisia AI-työkaluja asiakastuesta markkinointiin, koodaamisesta analytiikkaan.

AI tekee merkittävää työtä ympäröivässä infrastruktuurissa – saavutimme 14 %:n parannuksen ETA-tarkkuudessa vuonna 2025 verrattuna vuoteen 2024 syvien oppimismallien avulla. Kun ihmiset kysyvät AI:sta ja hinnoittelusta, on tärkeää ymmärtää, että se on vain yksi ulottuvuus paljon laajemmasta kyvystä.

inDrive perustettiin Jakutskissa taistellakseen epäoikeudenmukaisia, salaliittomaisia taksihintoja vastaan. Meidän kilpailuetumme on tämä vertaisvälinen hinnoittelumalli – matkustajat ehdottavat, kuljettajat hyväksyvät, vastaavat tai hylkäävät. Tämä avoin tarjousvirta on perustavanlaatuinen. Mitä AI tekee, on toimia päätöksenteon tukena tämän ihmisen neuvotteleman hinnan ympärillä.

Mikä on “AI-ensin super sovellus” käytännössä inDrive:ssä ja mitkä osat alustasta ovat luonnollisesti sovellettavissa AI:lle tänään: markkinoiden vertailu, turvallisuus, asiakastuki, rahoituspalvelut tai jotain muuta?

Useimmat yritykset, jotka sanovat “AI-ensin”, tarkoittavat, että he ovat lisänneet chatbotin. Se ei ole sitä, mitä teemme.

AI-ensin tarkoittaa, että AI sijaitsee alustan toimintakerroksessa, ei ominaisuuskerroksessa. Jokainen tuotepäätös – markkinoiden vertailusta asiakastukeen ja luottoluokituksiin – alkaa kysymyksellä: mitä dataa meillä on, ja miten älykkyyden pitäisi muokata tätä kokemusta? Toisin kuin perinteiset super sovellukset, jotka kasvoivat ennen AI-aikakautta, upotamme nämä kyvyt alusta alkaen, kun laajennamme kahdeksaan pystyyn: kyytien, pitkänmatkan matkojen, lähettien, rahtiliikenteen, ruoka-toimitusten, kaupunkipalvelujen ja rahoituspalvelujen.

Markkinoiden vertailu ja hinnoittelun älykkyys on ydinmoottori – parempi vertailu tarkoittaa korkeampaa käyttöastetta, mikä tarkoittaa parempia taloudellisia olosuhteita sekä kuljettajille että matkustajille. Luottamus ja turvallisuus ovat myös kriittisiä – reaaliaikainen poikkeamien havaitseminen, kuljettajien todennus ja petosten esto.

Toimimme 48 maassa ja kymmenissä kielissä. AI-pohjainen tuki – ei vain chatboteja, vaan älykäs priorisointi, automaattinen ratkaisu yleisille ongelmille ja monikielinen kyky – on sekä kustannus- että laadun monikertaistaja.

Rahoituspalvelut inDrive.Money:n kautta ovat alue, jossa AI on auttanut meitä luomaan uuden arvolupauksen asiakkaillemme – kuljettajillemme. Käytämme ajo-dataa, tulojen malleja ja alustan käyttäytymistä luomaan vaihtoehtoisia luottoluokitusmalleja kuljettajille, joita perinteiset pankit eivät voi toistaa pelkästään perinteisen luottoluokitusdatan avulla.

Käytämme myös AI:ta saavutettavuuden ja osallistumisen parantamiseen – yksinkertaistamalla käyttöliittymää käyttäjille, joilla on alempaa lukutaitoa tai vammaisia. Monissa markkinoistamme se on vaatimus kohdistettavalle väestölle.

Super sovelluksen monikertaistaja on, että jokainen lisäys pystyy rikastuttaa data-grafiikkaa. Matkustaja, joka käyttää myös ruoka-toimituksia ja kuljettajien lainoja, antaa meille 360-asteen käyttäytymiskuvan. Se tekee jokaisen yksittäisen palvelun älykkäämmäksi – mutta vain, jos data-perusta ja hallinto ovat oikein, mikä on vaikea osa.

inDrive on erityisen vahva nousevissa ja eturintamien markkinoissa, joissa toimintaympäristöt voivat vaihdella dramaattisesti. Kuinka suunnittelet AI-järjestelmiä, jotka toimivat hyvin alueilla, joilla on erilaiset infrastruktuurit, maksutottumukset, sääntely-ympäristöt ja käyttäjän odotukset?

Haaste on luoda yhtenäinen malli, joka toimii luotettavasti 48 maassa ja yli 1 000 kaupungissa 8 eri alueella. Ratkaamme tämän yhdellä erittäin konfiguroitavalla alustalla, jossa suurin osa uusien maiden käynnistämisestä on ollut konfiguraatiomuutoksia, ei uutta koodia. Tämä kohdistaa insinööritöidemme pääasiassa paikallisiin vaatimuksiin: kuljettajien todennus, asiakirjojen validointi ja hallituksen tietokantojen integrointi.

Arkkitehtuurimme käyttää useita AWS-alueita ja monen saatavuusvyöhykkeen ympäristöä, joka poistaa yksittäiset epäonnistumispisteet. DevOps-alustamme on erittäin automaattinen, mikä auttaa kasvavia insinööritiimejämme Pakistanissa, Egyptissä ja Aasiassa toimimaan samojen standardien mukaan kuin Euroopan tiimimme. Rakennamme myös insinöörikapasiteettia Latinalaisessa Amerikassa, jossa meillä on merkittäviä liiketoimintaa, palvelemaan tätä markkinaa lähempänä insinöörien läsnäoloa.

Olet johtanut suuria pilvi- ja digitaalisen muutoksen pyrkimyksiä instituutioissa, kuten HSBC ja NAB. Mitkä oppitunnit korkeasti säännellyistä rahoitusympäristöistä ovat osoittautuneet arvokkaimmiksi, kun inDrive laajentaa palveluita, kuten rahoituspalveluja, ja rakentaa enemmän AI-vetämiä päätöksentekojärjestelmiä?

Kolme oppituntia HSBC:stä ja NAB:stä siirtävät lähes suoraan.

Ensinnäkin, tarkasteltavuus ja hallintotoimet datan ympärillä eivät ole vapaaehtoisia. Pankkitoiminnassa jokainen kriittinen data-elementti, jokainen asiakasta koskeva päätös on ympäröity asianmukaisilla hallintotoimilla, jotka suojaavat eheys ja johdonmukaisuus. Kaikki on oltava jäljitettävissä ja selitettävissä. Digitaalisessa maailmassa on yhdistettävä nopeus hallintotoimiin, mikä tarkoittaa, että kaikki sääntelyvaatimukset on automatisoitava alusta alkaen.

Toiseksi, datahallinta edeltää data-aihetta. NAB:ssa ja HSBC:ssä opin, että suurin pullonkaula AI:ssa ei ole malli – se on data. Kuka omistaa sen? Onko se puhdas? Onko se suostunut? Onko se oikein linjattu? inDrive:ssä laajentuessaan kyytien ulkopuolelle rahoituspalveluihin tietohallintamme on kehittynyt nopeasti. Jos rakennat AI:n ennen hallintaa, kertyy teknistä ja sääntelyvelkaa, josta on vaikea päästä eroon.

Kolmanneksi, toiminnallinen kestävyys on tärkeämpää kuin mallin suorituskyky. Pankkitoiminta opetti minulle, että 99,9 %:n tarkin malli, joka epäonnistuu katastrofaalisesti 0,1 %:ssa tapauksissa, on huonompi kuin 95 %:n tarkin malli, jolla on armoollinen heikkeneminen. Tapauksessamme väärä positiivinen petosten havaitsemisessa, joka lukitsee kuljettajan pois ansioistaan, voi tuhota luottamuksen. Suunnittelet epäonnistumisen tapaukseen, ei onnelliseen polkuun.

inDrive:n etu perinteisiin rahoituspalveluihin nähden on, että meillä on jatkuva käyttäytymisdata kuljettajista. Tiedämme, kuinka usein he ajoittavat, heidän hyväksymisprosenttinsa, heidän ansioitensa mallit, heidän luotettavuusmerkkinsä. Se tarjoaa vahvemman signaalin luottokelpoisuudesta kuin perinteinen FICO-luokitus tai pankkilauselma. Tämä etu materialisoituu vain, jos rakennamme hallinnon ja reiluuden kehykset käyttää sitä vastuullisesti, mikä on siirtynyt pankkitoiminnasta.

Monet yritykset puhuvat “ihmisten pysymisestä silmukassa”, mutta usein se jää epämääräiseksi. Missä inDrive:ssä uskot, että ihmisten harkinta tulisi pysyä ehdottomasti kiistanalaisena, vaikka agenteille ja automaatioon perustuvat työnkulut tulevat yhä kykenevämmiksi?

Minulla on yksinkertainen periaate: automatisoi toistuvat; pidä ihmiset epäkäännöllisissä. Jos väärä päätös on helposti peruuttavissa, automatisoi. Jos se voi tuhota luottamuksen, elinkeinon tai turvallisuuden, ihmisten harkinta pysyy.

Hinnoitteluvallan on selvä esimerkki, ja se määrittää inDrive:n. Ihminen – sekä matkustaja että kuljettaja – on aina lopullinen sana hinnasta. Tämä on ehdoton, riippumatta siitä, kuinka kehittyneitä AI-suosituksemme tulevat olemaan. Hetken, kun otamme sen pois, meistä tulee vain toinen algoritmiin perustuva alusta, menettäen erottuvuutemme.

Turvallisuuden eskaloituminen on toinen selvä tapaus. Automatisoidaan ensimmäisen tason sisällön valvonta ja tuki laajassa mittakaavassa. Koulutettuina miljoonilla teksteillä, AI-järjestelmämme prosessoi yli kaksi kolmasosaa kyytien chat-viesteistä nopeasti havaitsemaan, merkitsemään ja suojella asiakkaita sopimattomasta kielenkäytöstä. Mutta kun tilanne on todella epäselvä tai vaikuttaa jonkun elinkeinoon, ihminen tekee päätöksen. Automaatio tulisi älykkäästi suodattaa tapauksia, varmistaen, että ihmisten harkinta sovelletaan vain, kun se on todella arvokasta.

Laajempi periaatteemme on, että AI tulisi tukea ihmisten harkintaa, toimia tiimikumppanina, ei korvikkeena.

Markkinoiden sisääntulon ja sääntelysopeutumisen vaatii ihmisten harkintaa, koska ne ovat luonteeltaan kontekstuaalisia. Mikään AI-järjestelmä ei tulisi autonomisesti päättää, miten toimimme uudessa sääntely-ympäristössä. Tilien tasolla olevat päätökset – pysyvät estot, riitojen ratkaisu, valitukset – vaativat ihmisten harkintaa, koska konteksti on aina rikkaampi kuin mitä data havaitsee.

Virhe, jonka monet yritykset tekevät, on käsittää “ihmisen olemisen silmukassa” vaiheena, jonka he lopulta automatisoivat. Nämä tapaukset ovat kuitenkin tilanteita, joissa ihmisten harkinta on rakenteellisesti sovellettavissa, ja ne tulevat pysymään.

Yksi vaikeimmista osista AI:n skaalauttamisessa ei ole mallin suorituskyky vaan toiminnallinen kuri: datan laatu, hallinta, seuranta ja kustannushallinta. Mikä on ollut suurin este AI:n muuttamisessa eristetyistä sovelluksista toimintakerroksi koko liiketoiminnassa?

Jokainen antaa kohteliaan vastauksen: datan laatu. Se on totta, mutta riittämätön. Todellinen este on organisaation sisäinen. Haaste on siirtymisessä kulttuurista, jossa on yksittäisiä AI-kokeiluja, kulttuuriin, jossa on järjestelmällinen AI-toiminta. Tämä siirtymä edellyttää muutosta siinä, miten tiimit ajattelevat omistajuudesta, vastuusta ja mittauksesta.

Kun käsittely AI:ta eristetyinä aloitteina, jokainen tiimi rakentaa oman putkensa, oman datakäyttönsä, oman ymmärryksensä siitä, mitä “laatu” tarkoittaa heidän mallissaan. Mutta kun haluat AI:n olevan vaakasuora toimintakerros, joka koskee hinnoittelua, turvallisuutta, tukea, geotiedot ja henkilökohtaisuutta samanaikaisesti, tarvitset jaettuja perusteita.

Se sisältää yhdenmukaisen semanttisen kerroksen, jossa on yhdenmukaiset mittausten määritykset, jaettu data-laatu kehys, mallinhallintainfrastruktuuri, jossa on upotettu MLOps-käytännöt, ja yhteiset turvallisuuspolitiikat.

Usein aliarvioitu kustannusulottuvuus on myös olennainen. Tarjoamme tiimille näkyvyyden todellisiin kustannuksiin (per kyyti, per transaktio, tallennus) parantamaan vastuuta, mikä ajaa parempia insinöörien päätöksiä. Esimerkiksi tallennuksen optimointi mahdollisti geo-data kustannusten laskun, mikä laski merkittävästi kustannuksia per kauppa, johtuen infrastruktuurin kustannusten laskusta. Taso, jolla olemme nähneet parantumista, on mahdollista vain, kun kustannusomistajuus on hajautettu ja upotettu tiimiin, ei hallittu keskusjohtoisesti jälkikäteen.

Toinen merkittävä haaste on AI:n käyttäminen sisäisissä toimissa. Automaattinen kaaos tuottaa vain kaaosta. Siksi työskentelemme aktiivisesti sisäisten tiimien kanssa formalisoimaan heidän työtään, kuvaamalla prosesseja selkeästi ja puhdistamalla vanhentuneita asiakirjoja. Vaikka se ei ole uutta, nämä perusrakenteet ovat olennaisia AI:n onnistuneelle omaksumiselle ja hyödyntämiselle organisaatiossa.

Kyytien tarjoajat käsittelevät valtavia määriä todellista käyttäytymisdataa. Kuinka tasapainotat mahdollisuuden käyttää tätä dataa paremman henkilökohtaisen suosittelun ja ennustamisen kanssa tarpeen säilyttää luottamus, yksityisyys ja reiluus sekä kuljettajille että matkustajille?

Datatieto kyytien tarjoajilla on todellinen. Yhdistettynä toimitus- ja rahoitusdatan kanssa se muodostaa erittäin rikkaan käyttäytymisdatan. Vaaran ylittämistä on vastustettava.

Sovellamme tarkoitussidonnaisuuden tiukasti. Käytämme dataa parantamaan kyytejä. Se ei uudelleenohjata mainontaan tai myydä kolmansille osapuolille. Käyttäjämme valitsivat inDrive:n osittain, koska he luottavat meihin enemmän kuin perinteisiin toimijoihin. Se luottamus, kun se on kerran murtunut, ei palaa.

Kuljettajien puolella käsittelemme data-oikeudet taloudellisena kumppanuutena. Kuljettajat eivät ole data-lähteitä. Heidän tulisi ymmärtää, mitä keräämme, miten käytämme sitä ja – kriittisesti – hyötyä siitä. inDrive.Money on suora esimerkki: sama käyttäytymisdata, joka auttaa meitä pyörittämään markkinaa, mahdollistaa myös rahoituspalvelut, joita kuljettajat tarvitsevat ja joita perinteiset pankit eivät voi toistaa pelkästään perinteisen luottoluokitusdatan avulla. Tämä arvonvaihto on oltava kaksisuuntainen, läpinäkyvä ja reilu.

Ennustamiseen ja kysynnän ennustamiseen suhteen suosittelemme yleisiä malleja yksilöiden seuraamisen sijaan, missä tahansa mahdollisessa. Et tarvitse tietää, mihin tietty henkilö matkustaa joka päivä; sinun tarvitsee tietää, että kysyntä tietyssä vyöhykkeessä lisääntyy 30 % perjantai-illoissa.

Toimimme maissa, joissa on erilaiset yksityisyyskehykset – Brasilian LGPD:stä markkinoihin, joissa on vähän tai ei ollenkaan data-suojaa. Lähestymistapamme on sitoutua korkeampiin standardeihin riippumatta siitä, mitä paikallinen laki sallii.

Super sovellusmalli on ollut erittäin menestyksekäs osissa Aasiaa, mutta se on haasteellista toistaa globaaleilla, hajanaisilla markkinoilla. Mitä on oltava totta teknologisen ja AI:n kannalta, jotta super sovellus toimisi kymmenissä maissa eikä ainoastaan yhdessä tiiviissä ekosysteemissä?

Super sovellusmalli, josta tuli suosittu Aasiassa, toimi suhteellisen homogeenisissa sääntely- ja infrastruktuuriympäristöissä, syvällisellä integraatiolla maksamisen, sosiaalisen ja kaupan kanssa, joissa oli vähän vahvoja itsenäisiä vaihtoehtoja. Toistaminen maailmanlaajuisesti vaatii perustavanlaatuista erilaisen lähestymistavan, ja uskomme, että mallimme soveltuu paremmin hajanaisiin markkinoihin.

Perusta on oltava globaali oletuksena, paikallinen suunnitteluna. Tarjoamme jaettuja alustapalveluita – tunnistautumista, lompakkoa, ilmoituksia, analytiikkaa, karttoja, tukea – vakaana rautatienä, johon kumppanit voivat nopeasti liittyä. Jokainen palvelu on itsenäisesti käyttöönotettavissa ja paikallisesti konfiguroitavissa, joten uudet markkinat voidaan käynnistää konfiguraation kautta, ei uuden koodin avulla.

Tämä modulaarinen lähestymistapa mahdollistaa jokaisen palvelun – kyytien, toimitusten, ruoka-toimitusten, rahoituspalvelujen – sopeutumisen kunkin markkinan tarpeisiin toimien jaettujen alustojen kanssa. Yhdenmukainen identiteetti- ja datakerros on myös olennainen. Koko super sovelluksen arvolupaus on, että yhden palvelun käyttäminen parantaa muita. Se edellyttää yhtenäistä käyttäjän data-grafiikkaa palvelujen yli. Rakentaminen ilman yksityisyyden ongelman luomista on haasteellisin tekninen haaste koko yrityksessä.

Toiseksi, soveltamismenetelmä on toimia yksilöllisellä tasolla, ei markkinatasolla. Mitä me kutsumme “yksilölliseksi segmentiksi” – käyttäen dataa, analytiikkaa ja koneoppimista ymmärtääkseen, mitä tietty asiakas arvostaa tietyssä kontekstissa – on se, mikä tekee super sovelluksesta hyödyllisen, ei sekavan.

Jos sinulla on kymmenen palvelua ja sovellus näyttää ne kaikki yhtä merkittävinä, olet luonut sovelluksen, jolla on huono käyttöliittymä, ei super sovelluksen.

Kolmanneksi, tarvitset paikallisia kumppanuuksia yksinomaan rakentamisen sijaan. Investoimme Krave Martiin Pakistanissa ruoka-toimituksiin, kumppanuksiin Fingularin ja Amnanan kanssa Indonesiassa rahoituspalveluihin. Teknologiaplatformi on globaali; palvelujen toimitus on paikallista. AI auttaa tekemään nämä integraatiot käyttäjälle vaivattomiksi.

Neljänneksi, tarvitset toistuvan ankkurin. Tämä on miksi ruoka-toimitukset ovat niin tärkeitä strategiamme kannalta. Kyytien tarjoaminen voi olla viikoittainen. Ruoka-toimitukset ovat päivittäisiä tai lähes päivittäisiä.

Viimeksi, toimintamalli on oltava sellainen, joka pystyy omaksumaan markkinakohtaisen vaihtelun ilman, että menettää yhtenäisyyttä. Zero-Code-alustamme, joka mahdollistaa yli 400 tuotantoonäkymää, joita käytetään yli 300 miljoonaa kertaa, mahdollistaa uusien näkymien käynnistämisen, kokeilujen suorittamisen ja paikallisten vaatimusten mukauttamisen ilman täydellistä sovelluksen uudelleenkäynnistystä. Tämä joustavuus yhdistettynä hajautettuun monialueelliseen infrastruktuuriin on se, mikä mahdollistaa alustan toimimisen yhtenäisesti markkinoilla ilman, että pakottaa yhdenmukaisuutta tai hyväksyy hajanaisuutta.

Katsoen eteenpäin kolmeen viiden vuoteen, missä AI luo suurimman kilpailueron liikennealustoissa: kysynnän ennustaminen, luottamus ja turvallisuus, autonomisen toiminnan automaatio, asiakastuen automaatio, kuljettajatalous tai kokonaan uudet palvelut, joita ei vielä ole?

AI vaikuttaa kaikkiin näihin, mutta erojen aste vaihtelee.

Kolmen vuoden kuluessa jokainen vakava liikennealusta on todennäköisesti kompetentti kysynnän ennustamisessa. Turvallisuus- ja luottamuspalvelut tulevat olemaan pakollisia. Tuki on nopeasti automatisoitumassa, kun suuret kieliopit kehittyvät. Automaattinen toiminta tulee olemaan merkittävää lopulta, mutta täysi autonomia globaalisti (pois kehittyneistä markkinoista, kuten Yhdysvalloista) ei todennäköisesti vaikuta merkittävästi eturintamien markkinoihin vielä vuosikymmenen kuluttua.

Suuri eroavaisuusalue on kuitenkin todennäköisesti uudet palvelut, joita ei vielä ole. Yhdistelmä reaaliaikaisia sijaintitietoja, käyttäytymisdataa, maksutietoja ja paikallista markkinatietoa luo perustan palveluille, joita emme ole vielä keksineet, alueilla, kuten hyperlokaalikaupassa, terveydenhuollossa tai ennustavassa logistiikassa. Alusta, jolla on rikkain data-perusta ja jolla on organisaatiollinen joustavuus testata ja skaalata nopeasti uusia pystyjä, on saavuttanut kompoundaation etua.

Agenteille perustuva työnkulku on alue, jossa pitkäaikaisin ero tulee avautumaan. Kun agenteille perustuvat työnkulut kypsyvät, ne käsittelevät palkkaamista, petosten valvontaa, rahoitustoimintaa ja henkilökohtaista ohjausta, alustat, joilla on oikea data-perusta, voivat mahdollistaa nopeamman kokeilun ja skaalautumisen.

AI ei luonutkaan itsessään kilpailuetua. Se luo etua, kun se yhdistyy ainutlaatuiseen dataan, ainutlaatuiseen markkinasijaan ja toiminnalliseen kurinpidolle. inDrive:n asema – maailman toiseksi eniten ladata kyytien tarjoamissovellus, jolla on vahvat asemat eturintamien markkinoilla, yli 400 miljoonan latauksen ja brändi, joka on rakennettu reiluudesta – on perusta. AI on vahvistaja. Ilman perustaa vahvistaja ei voi vahvistaa mitään. Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla inDrive:ssä.