Юрий Мисник, технический директор inDrive – Интервью

Юрий Мисник является техническим директором в inDrive, где он руководит глобальной технологической стратегией компании. Обладая более чем двумя десятилетиями международного опыта, Мисник построил и возглавил программы с высоким уровнем влияния в области облачных вычислений, финансовых услуг и крупномасштабной цифровой трансформации.

До прихода в inDrive он занимал руководящие должности в Microsoft и AWS. Позже он служил в качестве цифрового директора в HSBC, директора информационных технологий в National Australia Bank и техническим директором в First Abu Dhabi Bank, где он модернизировал сложные, высокорегулируемые среды с помощью облачных, гибких, DevOps и ориентированных на продукцию моделей инженерии.

Мисник начал свою карьеру в аэрокосмической инженерии, внося вклад в разработку Boeing 787, прежде чем перейти в программную инженерию и онлайн-системы торговли. Благодаря равной грамотности как в устаревших платформах, так и в современных распределенных архитектурах, он известен тем, что соединяет фундаментальные системы с инновационными решениями.

В inDrive он сосредоточен на построении систем, команд и платформ, которые будут обеспечивать следующий этап глобального роста компании.

inDrive является глобальной платформой мобильности и городских услуг, которая соединяет пользователей с водителями и поставщиками услуг по вызову, доставке и другим услугам в режиме реального времени. Основанная в 2013 году, компания работает более чем в 48 странах и более чем в 1 000 городах, с сотнями миллионов загрузок приложения по всему миру. Ее основным различием является модель ценообразования между равными, которая позволяет пассажирам и водителям напрямую вести переговоры о тарифах, а не полагаться на алгоритмическое ценообразование, стремясь создать более прозрачные и справедливые транзакции. Помимо транспорта, inDrive расширила свою деятельность в такие области, как межгородские путешествия, курьерские услуги, финансовые предложения и даже доставку продуктов, позиционируя себя как более широкий “супер-апп”, ориентированный на доступные и справедливые городские услуги.

Вы начинали с математического моделирования и конечного элементного анализа, прежде чем перейти через Microsoft, AWS, HSBC и National Australia Bank, и теперь вы руководите трансформацией ИИ в inDrive. Как это путешествие сформировало ваше мышление о построении систем ИИ, которые технически амбициозны, но все же основаны на справедливости, устойчивости и реальных ограничениях?

Я начал свою карьеру в прикладной математике и конечном элементном анализе, что фундаментально связано с пониманием, где ваша модель разрушается, а не где она работает. Такой подход является именно тем, как я подходю к системам ИИ сегодня.

В Microsoft и затем в AWS, где я провел более десяти лет, я узнал, что происходит, когда вы строите платформы в глобальном масштабе. Вы предполагаете, что системы будут ухудшаться, сети будут выходить из строя, компоненты будут вести себя неожиданно. В inDrive, работающей более чем в 1 000 городах в 48 странах, такое мышление оказалось абсолютно жизненно важным.

HSBC и National Australia Bank (NAB) принесли другой взгляд. В HSBC я строил розничные цифровые возможности по всей территории десятков регулируемых режимов. В NAB я руководил трансформацией в облаке, переместив критические банковские приложения в AWS. В этих средах каждое технологическое решение несет в себе регулирующие, репутационные и финансовые последствия. Модель ИИ или МЛ, которая не может объяснить свои решения так, чтобы регулятор или клиент мог понять, не является активом, а скорее пассивом.

Продукт должен отражать потребности людей, а не демонстрировать сложность вашей структуры. Этот принцип является тем, что сохраняет техническую амбициозность, основанную на справедливости и реальных ограничениях.

Это означает построение систем ИИ, которые информируют и помогают, например, рекомендуют справедливую цену, не удаляя контроль у людей на рынке.Основная идея во всем этом проста: техническая амбиция без операционной дисциплины – это просто демонстрация. Моя карьера была прогрессом от “можем ли мы спроектировать или построить это?” до “должны ли мы развернуть это, и что происходит, когда оно выходит из строя в 3 часа ночи на рынке, где ставки реальны?” Такой взгляд я приношу в inDrive.

Большинство платформ используют ИИ для установления цен. inDrive использует переговоры. Итак, как машинное обучение фактически вписывается в вашу модель и где на платформе оно доставляет наибольшую ценность, не компрометируя прозрачность, которая делает inDrive другим?

ИИ в inDrive не только о ценообразовании; он встроен во весь бизнес, охватывая маркетинг и рост, персонализацию супер-апп, поддержку клиентов, геопространственный интеллект, внутреннее инструментирование, предотвращение мошенничества и многое другое. Более 80% нашей рабочей силы использует различные инструменты ИИ – от поддержки клиентов и маркетинга до кодирования и аналитики. ИИ выполняет значительную работу в окружающей инфраструктуре – в 2025 году мы достигли 14% улучшения точности ETA по сравнению с 2024 годом благодаря нашим глубоким моделям обучения. Итак, когда люди спрашивают об ИИ и ценообразовании, важно понять, что это только одна из многих измерений.

inDrive была основана в Якутске, чтобы бороться с несправедливым, сговорчивым таксированием. Наша основная конкурентная идентичность – это модель переговоров между равными – пассажиры предлагают, водители принимают, противостоят или отказываются. Этот открытый поток торга фундаментален. Что делает ИИ, так это действует как поддержка принятия решений вокруг этой цены, согласованной людьми.Если вы посмотрите на традиционные модели ценообразования при ажиотаже – они являются черным ящиком. Пользователь видит множитель и не имеет возможности возразить. В нашей модели пассажир видит предложенную цену, водитель может принять или противостоять, и пассажир решает, принимать или ждать другого предложения. МЛ делает эти предложения умнее и более контекстно-релевантными на основе предложения, спроса, расстояния, трафика и времени, но механизм переговоров сохраняет агентство пользователя. Мы также используем МЛ, чтобы помочь водителям понять, когда и где их заработок сильнее.Мы используем ИИ, чтобы уменьшить информационную асимметрию между обеими сторонами, а не эксплуатировать ее.

Что означает “супер-апп, основанный на ИИ”, на практике в inDrive, и какие части платформы являются наиболее естественным вариантом для ИИ сегодня: сопоставление рынка, безопасность, поддержка клиентов, финансовые услуги или что-то другое?

Большинство компаний, которые говорят “ИИ-сначала”, имеют в виду, что они добавили чат-бот.

ИИ-сначала означает, что ИИ находится в операционном слое платформы, а не в слое функций. Каждое решение о продукте – от сопоставления рынка до поддержки клиентов до оценки кредитоспособности – начинается с вопроса: какие данные у нас есть, и как интеллект должен формировать этот опыт? В отличие от устаревших супер-апп, которые выросли до эры ИИ, мы встраиваем эти возможности с нуля, когда масштабируемся по восьми вертикалям: вызов такси, межгородские поездки, курьер, груз, доставка продуктов, городские услуги и финансовые продукты.

В плане естественного соответствия сопоставление рынка и интеллект ценообразования являются основным двигателем – лучшее сопоставление означает более высокую загрузку, что означает лучшую экономику как для водителей, так и для пассажиров. Доверие и безопасность также являются критически важной областью: обнаружение аномалий в реальном времени, верификация водителей и предотвращение мошенничества.

Мы работаем в 48 странах и десятках языков. ИИ-ориентированная поддержка – не только чат-боты, но и интеллектуальная триаж, автоматическое решение общих проблем и многоязычная возможность – являются как умножителем стоимости, так и качеством.

Финансовые услуги через inDrive.Money – это то, где ИИ помог нам создать новую ценность для клиентов – в данном случае, для наших водителей. Мы используем данные о поездках, закономерности заработка и поведение на платформе для построения альтернативных моделей кредитования для водителей, которые традиционные банки не могут воспроизвести с помощью стандартных кредитных данных. Это уже работает в Мексике, Колумбии, Бразилии, Индонезии и Перу.

Мы также используем ИИ для доступности и инклюзивности – упрощая интерфейсы для пользователей с более низкой грамотностью или ограниченными возможностями. Во многих наших рынках это требование для охвата целевой аудитории.

Мультипликатор супер-апп заключается в том, что каждый дополнительный вертикаль обогащает граф данных. Пассажир, который также использует доставку продуктов и кредитование водителей, дает нам 360-градусную поведенческую картину. Это делает каждый отдельный сервис умнее – но только если основа данных и управления правильны, что является трудной частью.

inDrive особенно сильна на развивающихся и передовых рынках, где условия эксплуатации могут существенно различаться. Как вы проектируете системы ИИ, которые работают хорошо в регионах с очень разными инфраструктурами, привычками оплаты, регулирующими средами и ожиданиями пользователей?

Трудность заключается в создании единой модели, которая работает надежно в 48 странах и более чем в 1 000 городах в 8 различных регионах. Мы решаем эту проблему с помощью единой, высоко настраиваемой платформы, где большая часть работы, которую мы выполняем для новых запусков стран, включает изменения конфигурации, а не новый код.

Наша архитектура использует несколько регионов AWS и среду с несколькими зонами доступности, которая устраняет единую точку отказа. Наша платформа DevOps высоко автоматизирована, что помогает нашим растущим инженерным командам в Пакистане, Египте и Азии-Pacific работать с теми же стандартами, что и наши европейские команды. Мы также строим инженерные мощности в Латинской Америке, где у нас есть значительные бизнес-операции, чтобы лучше обслуживать этот рынок со временем с помощью ближайшего инженерного присутствия.

Вы вели крупномасштабные облачные и цифровые трансформации в учреждениях, таких как HSBC и NAB. Какие уроки из высокорегулируемых финансовых сред наиболее ценны, когда inDrive расширяется в услуги, такие как финтех, и строит более системы ИИ-ориентированного принятия решений?

Три урока из HSBC и NAB почти напрямую применимы.

Во-первых, аудитability и контроль вокруг данных не являются необязательными. В банковском деле каждая критическая информация, каждое решение, которое влияет на клиента, должно быть окружено соответствующими контролями, которые защищают целостность и последовательность. Все должно быть отслеживаемым и объяснимым. А в цифровом мире вам нужно объединить скорость с контролями, что означает, что все регулирующие требования должны быть автоматизированы с самого начала.

Во-вторых, управление данными предшествует науке о данных. В NAB и HSBC я узнал, что самой большой проблемой для ИИ является не модель – это данные. Кто владеет ими? Чисты ли они? Согласованы ли они? Правильно ли они линеализированы? В inDrive масштабирование от вызова такси до финансовых услуг означает, что наше управление данными должно быстро созревать.

В-третьих, операционная устойчивость имеет значение больше, чем производительность модели. Банковское дело научило меня, что модель ИИ с точностью 99,9%, которая катастрофически выходит из строя в 0,1% случае, хуже, чем модель с точностью 95%, которая имеет плавное ухудшение. В нашем случае ложный положительный результат на обнаружении мошенничества, который блокирует водителя от его заработка, может разрушить доверие.

Преимущество inDrive перед традиционными финтехами заключается в том, что у нас есть непрерывные поведенческие данные о заемщиках. Мы знаем, как часто они ездят, их уровень принятия, их закономерности заработка, их сигналы надежности. Это предлагает более прочные сигналы для кредитоспособности, чем моментальная оценка FICO или выписка из банка. Но это преимущество материализуется только в том случае, если мы построим управление и справедливые рамки для использования его ответственно, что является бесценным опытом банковского дела.

Многие компании говорят о сохранении “людей в цикле”, но эта фраза часто остается расплывчатой. В inDrive, где, по вашему мнению, человеческий суд должен оставаться незыблемым, даже когда агентные рабочие процессы и автоматизация становятся более способными?

У меня есть простой принцип: автоматизируйте повторяемое; сохраняйте людей на необратимом. Если неправильное решение дешево обратимо, автоматизируйте. Если оно может разрушить доверие, средства к существованию или безопасность, человеческий суд остается.

Власть над ценообразованием – это наиболее очевидный пример, и это то, что определяет inDrive. Человек – и пассажир, и водитель – всегда имеет окончательное слово в цене. Это непременное условие, независимо от того, насколько совершенными становятся наши рекомендации ИИ.Это архитектурно.

Эскалация безопасности – это еще один ясный случай.Мы автоматизируем первый уровень модерации контента и поддержки в масштабе. Обученная на миллионах текстов, наша система ИИ обрабатывает более двух третей чатов вызова такси, чтобы быстро обнаружить, пометить и защитить клиентов от неподходящего языка. Но когда ситуация действительно двусмысленна или имеет значительные последствия для чьего-то средства к существованию, человек принимает решение.Стоимость ложного отрицания – это чья-то безопасность. Вы не можете автоматизировать это и сохранить подотчетность.

Наш более широкий принцип заключается в том, что ИИ должен поддерживать человеческий суд, действовать как член команды, а не заменять его.

Вход на рынок и адаптация к регулированию требуют человеческого суждения, поскольку они внутренне контекстно-зависимы. Никакая система ИИ не должна автономно решать, как мы работаем в новой регулирующей среде. И решения на уровне учетной записи – постоянные блокировки, разрешение споров, апелляции – требуют человеческого суждения, поскольку контекст всегда богаче, чем то, что отражают данные.

Ошибка, которую совершают многие компании, заключается в том, что они рассматривают “человека в цикле” как этап, который они в конечном итоге автоматизируют. Для категорий, которые я описал, это неправильная формулировка. Это случаи, когда человеческий суд является структурно подходящим и останется таковым.

Одной из самых сложных частей масштабирования ИИ является не производительность модели, а операционная дисциплина: качество данных, управление, мониторинг и контроль затрат. Какое было самое большое препятствие в превращении ИИ из изолированных случаев использования в операционный слой по всему бизнесу?

Каждый дает вежливый ответ: качество данных. Это правда, но недостаточно. Реальное препятствие организационно.Самая трудная вещь не является какой-либо отдельной технической проблемой, а переходом от культуры отдельных экспериментов с ИИ к культуре систематических операций ИИ. Этот переход требует изменения того, как команды думают об собственности, подотчетности и измерении.

Когда вы рассматриваете ИИ как набор изолированных инициатив, каждая команда строит свою собственную трубу, свои собственные шаблоны доступа к данным, свое собственное понимание того, что “качество” означает для их модели. Но когда вы хотите, чтобы ИИ был горизонтальным операционным слоем, касающимся ценообразования, безопасности, поддержки, гео, персонализации одновременно, вам нужны общие основы.

Это включает в себя унифицированный семантический слой с последовательными определениями метрик, общую структуру качества данных, инфраструктуру управления моделями с встроенными практиками MLOps и общие политики безопасности.

Часто недооцениваемая стоимость измерения также имеет решающее значение. Мы предоставляем командам видимость фактических затрат (на поездку, на транзакцию, хранилище), чтобы помочь улучшить подотчетность, что стимулирует лучшие инженерные решения.Например, оптимизация хранилища позволила нам снизить затраты на гео-данные, что значительно снизило инфраструктурные затраты на сделку в результате.

Другой значительной проблемой является использование ИИ для внутренних операций. Автоматизация хаоса только приводит к хаосу. Поэтому мы активно работаем с внутренними командами, чтобы формализовать их работу, описывая их процессы четко и очищая устаревшую документацию. Хотя это и не ново, эти основополагающие шаги являются важными для успешного внедрения и получения выгоды от ИИ внутри организации.

Платформы вызова такси обрабатывают огромное количество реальных поведенческих данных. Как вы балансируете возможность использования этих данных для лучшей персонализации и прогнозирования с необходимостью сохранения доверия, конфиденциальности и справедливости как для водителей, так и для пассажиров?

Преимущество данных в вызове такси реально. В сочетании с данными о доставке и финтехе это становится чрезвычайно богатым поведенческим набором данных. Искушение использовать его чрезмерно является именно тем, чего мы отказываемся делать.

Мы применяем ограничение цели строго. Мы используем собранные данные для улучшения поездок. Они не перепрофилируются для целевого маркетинга или не продаются третьим сторонам. Наши пользователи выбрали inDrive частично потому, что они доверяют нам больше, чем устоявшимся компаниям. Это доверие, разрушенное, не восстанавливается.

На стороне водителей мы рассматриваем права на данные как экономический партнерский вопрос. Водители не являются источниками данных. Они должны понимать, что мы собираем, как мы используем это, и – критически – получать выгоду от этого. inDrive.Money – это прямой пример: те же поведенческие данные, которые помогают нам управлять рынком, также позволяют нам предоставлять финансовые услуги, которые водители нуждаются и не могут получить от традиционных банков. Этот обмен ценностями должен быть двусторонним, прозрачным и справедливым.

Для прогнозирования и прогнозирования спроса мы предпочитаем агрегированные закономерности индивидуальному отслеживанию, где это возможно. Вам не нужно знать, куда конкретный человек ездит каждый день; вам нужно знать, что спрос в данной зоне увеличивается на 30% по пятницам вечером.

Мы работаем в странах с очень разными рамками конфиденциальности – от LGPD Бразилии до рынков с минимальными законами о защите данных. Наш подход заключается в том, чтобы придерживаться более высокого стандарта, независимо от того, что позволяет местное законодательство.

Модель супер-апп была очень успешной в некоторых частях Азии, но ее сложнее воспроизвести на фрагментированных глобальных рынках. Что должно быть истинным с точки зрения технологий и ИИ, чтобы супер-апп работал по всей территории десятков стран, а не только в одной тесно интегрированной экосистеме?

Модель супер-апп, которая стала популярной в Азии, работала внутри относительно однородных регулирующих и инфраструктурных сред, с глубокой интеграцией по платежам, социальным сетям и коммерции, которая имела мало сильных независимых альтернатив. Повторение этого глобально требует фундаментально другого подхода, и мы считаем, что наша модель лучше подходит для фрагментированных рынков.

Основой должно быть глобальное по умолчанию, локальное по дизайну. Мы предоставляем общие платформенные услуги – идентификация, кошелек, уведомления, аналитика, карты, поддержка – как стабильные рельсы, в которые партнеры могут быстро подключиться.Каждая служба независимо развертываема и локально настраиваема, поэтому новые рынки можно запускать через конфигурацию, а не новый код.

Этот модульный подход позволяет каждому продукту – вызову такси, доставке, доставке продуктов, финтеху – адаптироваться к конкретным потребностям каждого рынка, работая на общей платформе. Также унифицированный слой идентификации и данных является важным.

Второе, что двигатель релевантности должен работать на уровне отдельного человека, а не рынка. То, что мы называем “сегментом одного” – использование данных, аналитики и ИИ для понимания того, что важно для конкретного клиента в конкретном контексте – это то, что делает супер-апп полезным, а не загроможденным.

Третье, вам нужны местные партнерства, а не подход “построить все”. Мы инвестировали в Krave Mart в Пакистане для доставки продуктов, сотрудничали с Fingular и Ammana в Индонезии для финансовых услуг.

Четвертое, вам нужен якорь частоты. Это то, почему доставка продуктов так важна для нашей стратегии. Вызов такси может быть еженедельным. Доставка продуктов – это ежедневно или почти ежедневно.

Наконец, операционная модель должна быть способна поглощать вариативность рынка за рынком, не теряя целостности.

Глядя вперед на три-пять лет, где, по вашему мнению, ИИ создаст наибольшее конкурентное разделение в платформах мобильности: прогнозирование спроса, доверие и безопасность, автономные операции, автоматизация поддержки, экономика водителей или совершенно новые услуги, которые еще не существуют?

ИИ затронет все эти области, но степень разделения будет варьироваться.

В течение трех лет каждая серьезная платформа мобильности, скорее всего, будет иметь компетентное прогнозирование спроса. Функции безопасности и доверия станут стандартными. Поддержка будет быстро автоматизироваться, поскольку зрелые языковые модели.

Автономные операции будут иметь значение в конечном итоге, но полная автономность глобально (за пределами хорошо развитых рынков, таких как США) вряд ли существенно повлияет на рынки-передовики в течение как минимум десяти лет.

Основной областью дифференциации на протяжении всей отрасли, однако, вероятно, являются совершенно новые услуги, которые еще не существуют. Комбинация данных о реальном времени, поведенческих данных, платежных данных и местных рыночных данных создает основу для услуг, которые мы еще не придумали в таких областях, как гиперлокальная коммерция, здравоохранение или прогностическая логистика.

ИИ не создает конкурентное преимущество само по себе. Он создает преимущество, когда объединяется с уникальными данными, уникальным рыночным положением и операционной дисциплиной для выполнения.