ユーリ・ミスニク、チーフテクノロジーオフィサー、inDrive – インタビューシリーズ
ユーリ・ミスニクは、inDriveのチーフテクノロジーオフィサーであり、同社のグローバルテクノロジー戦略を牽引しています。20年以上の国際経験を持つミスニクは、クラウド、金融サービス、そして大規模なデジタル変革を含む、高い影響力を持つテクノロジー・プログラムを構築し、リードしてきました。inDriveに入社する前は、ミスニクはマイクロソフトとAWSでのシニア役職を歴任しました。後に、HSBCではデジタルCIO、ナショナル・オーストラリア銀行ではCIO、ファースト・アブダビ銀行ではグループCTOを務め、クラウド、Agile、DevOps、製品中心のエンジニアリング・モデルを通じて、複雑で規制の厳しい環境を現代化しました。ミスニクは、航空宇宙エンジニアリングでキャリアを始め、ボーイング787の設計に貢献した後、ソフトウェア・エンジニアリングとオンライン・トレーディング・システムに移りました。レガシー・プラットフォームとモダンな分散アーキテクチャーを両方で流暢に扱えることで知られており、基礎的なシステムと革新的な技術を結び付けることで知られています。inDriveでは、会社の次のグローバル・成長のためのシステム、チーム、プラットフォームを構築することに焦点を当てています。inDriveは、ユーザーとドライバー、サービス・プロバイダーを接続するグローバルなモビリティと都市サービス・プラットフォームです。ライド・ヘイリング、デリバリー、オンデマンド・サービスを含むサービスを提供しています。2013年に設立された同社は、48カ国以上、1,000以上の都市で運営しており、世界中で数億回のアプリ・ダウンロードがあります。そのコアの違いは、アルゴリズムによる価格設定ではなく、乗客とドライバーが直接料金を交渉できるピア・ツー・ピアの価格設定モデルです。交通以外に、inDriveは都市間の旅行、宅配便、フィンテック・サービス、さらには食料品配達などの分野にも進出しており、よりアクセスしやすく公平な都市サービスに焦点を当てた「スーパー・アプリ」として自己定義しています。あなたは数学モデリングと有限要素解析から始め、ミクロソフト、AWS、HSBC、ナショナル・オーストラリア銀行を経て、現在inDriveでAI変換を牽引しています。どのようにして、技術的に野心的ながらも公平性、回復力、現実世界の制約に根ざしたAIシステムを構築する考え方に至りましたか?私は応用数学と有限要素解析からキャリアを始めました。これは基本的に、モデルがどこで壊れるかを理解することではなく、どこで機能するかを祝うことです。那样的心構えは、私が現在AIシステムに取り組む際にも同じです。ミクロソフトとAWSでは、グローバル・スケールでのプラットフォーム構築の意味を学びました。システムが劣化する、ネットワークが故障する、コンポーネントが予期せず動作することを前提とします。inDriveでは、48カ国以上、1,000以上の都市で運営しているため、その考え方は絶対に重要です。HSBCとナショナル・オーストラリア銀行では、異なるレンズを通して見ることができました。HSBCでは、数十の規制体制を跨ぐリテール・デジタル・キャパビリティを構築しました。ナショナル・オーストラリア銀行では、クラウド変換を推進し、重要な銀行アプリケーションをAWSに移行しました。こうした環境では、テクノロジー上の決定はすべて規制上、評判上、財務上の結果を伴います。説明できないAIまたはMLモデルは、資産ではなく、負債です。製品は、スタックの複雑さを示すのではなく、人のニーズを反映するべきです。那样的原則は、技術的な野心を公平性と現実世界の制約に根ざしたものにします。それは、例えば、コントロールを市場の人物から奪うことなく、公平な価格を提案することで、情報と支援を提供するAIシステムを構築することを意味します。これらすべてを通しての共通点は、技術的な野心が運用上の規律なしではただのデモにすぎないということです。私のキャリアは、「これを作ることができるか?」から「これをデプロイするべきか?そして、実際に失敗したときに何が起こるか?」への移行でした。那样的視点がinDriveに持ち込まれています。ほとんどのプラットフォームは、AIを使用して価格を設定します。inDriveは交渉を使用します。そこで、機械学習はあなたのモデルにどのようにフィットし、プラットフォームのどこで最もの価値を生み出しているのでしょうか?また、inDriveの特徴である透明性を損なうことなく、それを達成していますか?inDriveにおけるAIは、価格設定だけに焦点を当てたものではありません。全社的なビジネス、つまりマーケティングと成長、スーパー・アプリのパーソナライゼーション、カスタマー・サポート、地理空間情報、内部ツール、不正防止など、幅広い分野にわたって適用されています。従業員の80%以上が、カスタマー・サポートからマーケティング、コーディングから分析まで、さまざまなAIツールを使用しています。AIは、周辺インフラストラクチャーで重要な役割を果たしています。2025年には、2024年と比較して、ディープ・ラーニング・モデルのおかげでETAの精度が14%向上しました。したがって、AIと価格設定について聞かれたときには、より広範な能力の1次元にすぎないことを理解することが重要です。inDriveは、不当で、談合的なタクシー価格に対抗するために、ヤクーツクで設立されました。私たちのコアの競争上のアイデンティティは、このピア・ツー・ピアの交渉モデルです。乗客が提案し、ドライバーが受け入れる、反対する、または拒否することができます。このオープンな入札フローは基本的なものです。AIが行うのは、人間が交渉した価格を周囲に、意思決定のサポートを提供することです。伝統的なサージ・プライシング・モデルを見てみると、それらはブラック・ボックスです。ユーザーは乗数を見て、対処する方法はありません。私たちのモデルでは、乗客は提案された価格を見て、ドライバーは受け入れるか、反対するか、乗客は受け入れるか、別のオファーを待つかを決定します。MLは、供給、需要、距離、交通、時間に基づいて、これらの提案をより賢く、より文脈に応じたものにしますが、交渉メカニズムはユーザーの代理権を維持します。ドライバーの収入が強い時と場所を理解するのにも、MLを使用しています。情報の非対称性を両方の当事者間で減らすためにAIを使用していますが、それを利用するためにではありません。「AIファーストのスーパー・アプリ」とは、実際にはinDriveで何を意味しますか?また、現在、市場のマッチング、セーフティ、カスタマー・サポート、金融サービス、またはその他の分野で、AIが最も自然にフィットする場所はどこですか?ほとんどの会社が「AIファースト」と言っている場合、チャットボットを追加したことを意味します。那は私たちが行っていることではありません。AIファーストとは、AIがプラットフォームの運用層に位置することを意味します。フィーチャー層ではありません。すべての製品の決定、つまりマーケティングのマッチングからカスタマー・サポート、信用スコアまで、すべてが「どのようなデータを持っているか」と「どのようにしてインテリジェンスがこの体験を形作るべきか」という質問から始まるということです。AI時代以前から成長したレガシーのスーパー・アプリとは異なり、スケールアップするにつれて、これらの機能を組み込んでいます。ライド・ヘイリング、都市間移動、宅配便、フリート、食料品配達、都市サービス、金融製品の8つの垂直分野にわたっています。マーケットプレイス・マッチングと価格インテリジェンスは、コア・エンジンです。より良いマッチングは、より高い利用率を意味し、ドライバーと乗客の両方にとってより良い経済効果をもたらします。信頼とセーフティも重要な分野です。リアルタイムのアノマリー検出、ドライバーの検証、不正防止です。48カ国、数十の言語で運営しています。AIパワードのサポート、つまりチャットボットだけでなく、インテリジェントなトライエージ、一般的な問題の自動解決、多言語対応は、コストと品質の両方で乗数効果をもたらします。inDrive.Moneyを通じて、AIが私たちに新しい価値提案を創造するのを助けてくれたのは、金融サービスです。ドライバーにとってです。乗車データ、収入パターン、プラットフォームの行動を使用して、従来の銀行では再現できない代替信用モデルを構築しています。メキシコ、コロンビア、ブラジル、インドネシア、ペルーで既に稼働しています。アクセシビリティとインクルージョンのためにAIも使用しています。低識字率や障害を持つユーザーのインターフェイスを簡素化するためです。多くの市場では、対象人口に到達するために必要です。スーパー・アプリの乗数効果は、各追加の垂直分野がデータ・グラフを豊富にします。ライド・ヘイリングも、食料品配達も、ドライバーの融資も利用するユーザーは、360度の行動画像を提供します。那により、各個別のサービスが賢くなりますが、データの基盤とガバナンスが正しい場合にのみです。那は、難しい部分です。inDriveは、特にエマージング・マーケットやフロンティア・マーケットで強みを持ちます。そこでは、運用条件が大きく異なります。どのようにして、さまざまなインフラストラクチャー、支払い習慣、規制環境、ユーザーの期待を持つ地域で、うまく機能するAIシステムを設計しますか?難しさは、48カ国以上、1,000以上の都市で、統一されたモデルを構築することにあります。私たちは、高度に設定可能な単一のプラットフォームでそれに取り組んでいます。新しい国へのローンチのための多くの作業は、新しいコードではなく、設定の変更です。那により、ローカル要件、つまりドライバーの検証、文書の検証、政府のデータベースとの統合に、エンジニアリングの努力を集中できます。私たちのアーキテクチャーは、複数のAWSリージョンとマルチ・アベイラビリティ・ゾーンの環境を使用しており、単一の故障点を排除しています。DevOpsプラットフォームは高度に自動化されており、パキスタン、エジプト、そしてアジア太平洋地域にある、私たちの成長するエンジニアリング・チームが、ヨーロッパのチームと同じ基準で運営できるようになりました。ラテンアメリカでも、重要なビジネス・オペレーションをサポートするために、エンジニアリングの能力を構築しています。あなたは、HSBCやNABのような、高度に規制された金融環境での、大規模なクラウドとデジタル・トランスフォーメーションの取り組みを牽引してきました。どのようなレッスンが、inDriveがフィンテックなどのサービスに拡大し、より多くのAIドリブンの意思決定システムを構築するにあたって、最も価値があると考えられますか?HSBCとNABから得た3つのレッスンが、ほぼ直接に適用できます。まず、データとその周りのコントロール、監査可能性は、任意ではありません。銀行では、すべての重要なデータ要素、顧客に影響を与えるすべての決定は、適切なコントロールで囲まれている必要があります。すべてが追跡可能で説明可能である必要があります。デジタル世界では、スピードとコントロールを組み合わせる必要があり、すべての規制要件が最初から自動化される必要があります。つまり、規制要件とコントロールを、ソフトウェア製品として考える必要があります。手作業を除去し、すべてのところで自動化に頼る必要があります。2つ目は、データ・ガバナンスがデータ・サイエンスの先に来る必要があります。NABとHSBCでは、AIの最大のボトルネックはモデルではなく、データであることを学びました。誰が所有するのか、クリーンなのか、同意されたのか、適切に連携されているのか。inDriveでは、ライド・ヘイリングから金融サービスへのスケールアップに伴い、データ・ガバナンスを急速に成熟させる必要があります。AIを構築する前にガバナンスを構築しない場合、技術的な負債と規制上の負債が累積し、支払いづらくなるでしょう。3つ目は、運用上の回復力がモデル・パフォーマンスよりも重要です。銀行で学んだのは、99.9パーセントの正確性を持つモデルが0.1パーセントのケースで壊滅的に失敗する場合、それは95パーセントの正確性を持つモデルよりも、優雅に劣化する場合よりも悪いということです。私たちの場合、不正検出の誤陽性がドライバーの収入をロックアウトする場合、信頼を破壊することになります。ハッピーパスではなく、失敗ケースを設計する必要があります。inDriveには、従来のフィンテックよりも優位性があります。借り手についての継続的な行動データを持っています。どのくらい頻繁に運転するか、受け入れ率、収入パターン、信頼性の信号などを知っています。那により、従来の銀行では再現できない、より堅牢な信号を信用worthinessに提供します。しかし,那の優位性は、責任を持って使用するためのガバナンスと公平性の枠組みを構築する場合にのみ実現します。那は、銀行の筋肉の記憶が非常に貴重です。「人間がループにいる」という言葉は、よく聞きますが、曖昧なままです。inDriveでは、AIのワークフローと自動化がより能力を持つようになる中で、人間の判断が非交渉的に残るべき場所はどこだと考えていますか?私は、自動化できるものは自動化し、人間がいるべき場所は、人間がいるべき場所です。誤った決定が簡単に取り消せる場合は、自動化します。信頼、生計、安全を破壊する可能性がある場合は、人間の判断が残ります。価格の権限は、最も明確な例であり、inDriveを定義するものです。人間、つまり乗客とドライバーは、価格について最終的な決定権を持っています。那は、AIの提案がどれほど洗練されていても、交渉できるということです。那は、構造的なものです。安全性のエスカレーションも、明確なケースです。初級のコンテンツ・モデレーションとサポートを自動化しています。数百万のテキストでトレーニングされたAIシステムは、ライド・ヘイリングのチャットの2/3以上を処理し、迅速に不適切な言語を検知し、顧客を保護します。しかし、状況が真正に曖昧であるか、誰かの生計に重大な影響を与える場合、人間が判断を下します。自動化は、ケースを賢くフィルタリングすることで、人間の判断が真正に価値のある場合にのみ適用されるようにします。那のコストは、誰かの安全です。自動化して責任を維持することはできません。私たちのより広い原則は、AIが人間の判断をサポートするべきであるということです。代替ではなく、パートナーとしてです。市場への参入と規制への適応には、人間の判断が必要です。規制環境でどのように運営するかを、AIが自律的に決定するべきではありません。アカウント・レベルの決定、つまり恒久的な禁止、紛争の解決、控訴には、人間の判断が必要です。なぜなら、その文脈は、データが捉える以上に豊かだからです。多くの企業が間違えるのは、「人間がループにいる」ということを、最終的に自動化して除去するフェーズだと思っていることです。私が説明したカテゴリでは、それは誤った枠組みです。那らは、構造的に適切なケースであり、将来もそうであるでしょう。AIをスケールすることの最も難しい部分は、モデル・パフォーマンスではなく、運用上の規律です。データの品質、ガバナンス、モニタリング、コスト・コントロールです。ビジネス全体にわたる運用層としてAIを、個別のユースケースから変換する上で、最大の障害は何でしたか?誰でも、データの品質と言うでしょう。那は真実ですが、不足です。実際の障害は、組織的なものです。個別のAIの実験の文化から、体系的なAIの運用の文化への移行が、最も難しいことです。那には、所有権、責任、測定の方法について、チームが考え方を変える必要があります。AIを個別のイニシアチブとして扱う場合、各チームは独自のパイプライン、独自のデータ・アクセス・パターン、独自の「品質」の定義を持っています。しかし、価格設定、セーフティ、サポート、ジオ、パーソナライゼーションを同時に横断するAIを望む場合、共通の基盤が必要です。それは、統一されたセマンティック・レイヤー、共通のデータ・品質・フレームワーク、モデル・マネジメント・インフラストラクチャー、共通のセキュリティ・ポリシーを含みます。コストの次元は、重要ですが、軽視されがちです。チームに実際のコスト(1ライドあたり、1トランザクションあたり、ストレージあたり)の可視性を提供することで、責任を高め、エンジニアリング上の決定を改善することができます。例えば、ストレージの最適化により、ジオデータのコストを削減でき、結果として、1取引あたりのインフラストラクチャーのコストを大幅に削減することができました。那のような改善は、コストの所有権が分散され、チームに組み込まれている場合にのみ可能です。中央で後から考えられるものではありません。内部運用におけるAIの使用も、重大な課題です。混沌を自動化するだけでは、混沌が生じます。したがって、内部チームと協力して、作業を正式化し、プロセスを明確に説明し、古いドキュメントを整理することに積極的に取り組んでいます。那らの基本的なステップは、組織内でAIを採用し、活用する上で、非常に重要です。ライド・ヘイリング・プラットフォームは、膨大な量の現実世界の行動データを処理します。どのようにして、より良いパーソナライゼーションと予測のためにそのデータを使用する機会と、信頼、プライバシー、公平性を、ドライバーと乗客の両方にとって維持する必要性のバランスをとっていますか?ライド・ヘイリングにおけるデータの優位性は、実際です。デリバリーとフィンテックのデータと組み合わせると、非常に豊富な行動データセットになります。那を過剰に利用する誘惑に駆られることは、正確に私たちが行わないことです。目的の制限を厳格に適用しています。収集したデータは、ライドの改善のために使用されます。それは、ターゲティング広告や第三者への販売のために使用されません。ユーザーは、inDriveを選択する一因として、私たちよりも既存の企業に信頼を寄せているからです。那样的信頼が、一度壊れると、再構築できません。ドライバー側では、データの権利を経済的パートナーシップの問題として扱います。ドライバーはデータの源ではありません。彼らは、どのようなデータを収集するか、どのように使用するか、そしてどのようにして利益を得るかを理解する必要があります。inDrive.Moneyは、直接的な例です。マーケットプレイスを運営するために使用するのと同じ行動データは、ドライバーにとって必要で、従来の銀行では再現できない金融サービスを提供するために使用されます。那の価値交換は、双方向的で、透明で、公平でなければなりません。需要予測のために、可能な限り集団的なパターンを使用します。特定の個人が毎日どこに行くかではなく、特定のゾーンで需要が金曜日の夜に30パーセント増加するかどうかが重要です。ブラジルのLGPDのような、非常に異なるプライバシー・フレームワークを持つ国で運営しています。私たちのアプローチは、現地の法律が許可する以上の高い基準を自分たちに課すことです。スーパー・アプリのモデルは、アジアの一部で非常に成功していますが、グローバルに複製することは難しいです。テクノロジーとAIの観点から見ると、どのようなことが、スーパー・アプリが数十の国ではなく、1つの国や1つの統合されたエコシステムでしか機能しないことを可能にするのでしょうか?アジアで人気のスーパー・アプリ・モデルは、比較的均一な規制環境とインフラストラクチャーの中で機能しました。支払い、ソーシャル、コマースを深く統合し、強力な独立した代替手段が少ない市場でした。グローバルに複製するには、根本的に異なるアプローチが必要です。私たちは、分散市場に向けて、より適したモデルを持っていると考えています。基盤は、グローバル・バイ・デフォルト、ローカル・バイ・デザインでなければなりません。共有プラットフォーム・サービス、つまりアイデンティティ、ウォレット、通知、分析、地図、サポートを、安定したレールとして公開しています。パートナーはそれに簡単に接続できます。各サービスは、独立してデプロイ可能で、ローカルに設定可能です。新しい市場のローンチは、コードの変更ではなく、設定の変更で行われます。你は、単一のモノリシックな製品を出荷し、すべての場所で共鳴することを期待するのではなく、各市場のニーズに合わせて、サービスを適応させます。モジュラー・アプローチにより、各製品、つまりライド、デリバリー、食料品配達、フィンテックは、各市場の特定のニーズに適応しながら、共有プラットフォーム上で動作できます。統一されたアイデンティティとデータ・レイヤーも不可欠です。スーパー・アプリの全体的な価値提案は、1つのサービスを使用することで、他のサービスが改善されるというものです。那には、垂直間で単一のユーザー・データ・グラフが必要です。那を、プライバシー問題を生み出さずに構築することは、全体的な取り組みで最も難しい技術的な課題です。2つ目は、関連性エンジンが個々のレベルで機能する必要があります。私たちが「セグメント・オブ・ワン」と呼ぶもの、つまりデータ、分析、MLを使用して、特定の顧客にとって、特定のコンテキストで何が重要かを理解することです。レガシーのスーパー・アプリがAI時代前に成長したのとは異なり、すべてのサービスを平等に提示するのではなく、顧客にとって最も関連性の高いサービスを顧客に提示する必要があります。3つ目は、ローカル・パートナーシップが、すべてを構築するアプローチよりも優れています。パキスタンでは、食料品配達のためにKrave Martに投資しました。インドネシアでは、フィンテック・サービスでFingularとAmmanaと提携しました。テクノロジー・プラットフォームはグローバルですが、サービス・デリバリーはローカルです。AIが、ユーザーにとって統合されたエクスペリエンスを提供するのに役立ちます。4つ目は、頻度のアンカーが必要です。那は、食料品配達が、私たちの戦略にとって重要な理由です。ライド・ヘイリングは週に1回かもしれませんが、食料品配達は日常的、またはほぼ日常的です。最後に、運用モデルの設計が、市場ごとの変化を吸収して、まとまりを失わないことが重要です。私たちのZero-Codeプラットフォームは、300万回以上の生産画面で使用され、3億回以上の訪問があります。新しい画面を起動し、実験を実行し、ローカル要件に適応することができます。アプリの完全な再デプロイメントは不要です。那样的柔軟性と、分散型のマルチ・リージョン・インフラストラクチャーが、プラットフォームが市場を跨いで機能することを可能にしますが、統一性も維持します。今から3〜5年先を見て、AIがモビリティ・プラットフォームで最も大きな競争的差別化を生み出す分野は、需要予測、信頼とセーフティ、自律運転、サポートの自動化、ドライバーの経済、またはまだ存在しない全く新しいサービスでしょうか?AIは、これらすべての分野に影響を及ぼしますが、差別化の程度は異なります。3年以内に、すべての主要なモビリティ・プラットフォームは、十分な需要予測を持ちます。セーフティと信頼の機能は、最低限の要件となります。サポートの自動化は、LLMが成熟するにつれて、急速に自動化されていきます。自律運転は、最終的には重要になりますが、グローバルに、特に発展途上国では、10年以内に大きな影響を与える可能性は低いです。しかし、業界全体を通じての大きな差別化分野は、まだ存在しない全く新しいサービスです。リアルタイムのロケーション・データ、行動データ、支払いデータ、ローカル・マーケット・インテリジェンスの組み合わせは、ハイパーローカル・コマース、ヘルスケア、または予測ロジスティクスなどの分野で、まだ考えられていないサービスを生み出す基盤を提供します。データの基盤が最も豊富で、迅速に新しい垂直分野をテストしてスケールアップできるプラットフォームが、累積的な優位性を持ちます。エージェント・ワークフローが成熟するにつれて、オンボーディング、不正監視、金融運用、パーソナライズド・コーチングを扱うAIは、最も長期的な差別化を開拓するでしょう。データの基盤が独自で、市場の地位が独自で、実行するための運用上の規律があれば、AIは優位性を生み出します。那は、inDriveの基盤です。AIは、優位性を生み出すものではありません。基盤がある場合に、優位性を増幅するものです。基盤がない場合、増幅するものは何もありません。