Юрий Мисник, технический директор inDrive – Интервью

Юрий Мисник является техническим директором inDrive, где он руководит глобальной технологической стратегией компании. Обладая более чем двумя десятилетиями международного опыта, Мисник создавал и возглавлял высокоэффективные технологические программы в области облачных вычислений, финансовых услуг и крупномасштабной цифровой трансформации.

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

Мисник начал свою карьеру в области аэрокосмической инженерии, внося вклад в разработку Boeing 787, а затем перешел в программную инженерию и онлайн-системы торговли. Благодаря равной компетентности как в устаревших платформах, так и в современных распределенных архитектурах, он известен своей способностью соединять фундаментальные системы с инновационными технологиями.

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

inDrive – это глобальная платформа мобильности и городских услуг, которая соединяет пользователей с водителями и поставщиками услуг в области вызова такси, доставки и других услуг по требованию. 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 конкурентным преимуществом является модель ценообразования между физическими лицами, которая позволяет пассажирам и водителям напрямую вести переговоры о ценах, 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 широкое “суперприложение”, ориентированное на доступные и справедливые городские услуги.

Вы начинали с математического моделирования и конечно-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 при этом основаны на справедливости, устойчивости и реальных ограничениях?

Я начал свою карьеру в прикладной математике и конечно-элементном анализе, что по сути заключается в понимании, где ваша модель разрушается, а не в праздновании того, где она работает. Такой подход я применяю и 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 непредсказуемо. В inDrive, работающей более чем в 1 000 городах в 48 странах, этот подход оказался абсолютно жизненно важным.

HSBC и National Australia Bank (NAB) дали мне другой взгляд. В HSBC я занимался построением розничных цифровых возможностей в десятках регулируемых режимов. В NAB я руководил трансформацией в облаке, переместив критические банковские приложения в AWS. В этих средах каждый технологический решение несет в себе регулирующие, репутационные и финансовые последствия. Модель ИИ или МО, которая не может объяснить свои решения так, чтобы их могли понять регулирующий орган или клиент, не является активом, а скорее пассивом.

Продукт должен отражать потребности людей, а не демонстрировать сложность вашей технологической базы. Этот принцип сохраняет техническую амбицию, основанную на справедливости и реальных ограничениях.

Это означает построение систем ИИ, которые информируют и помогают, например, предлагая справедливую цену без лишения людей контроля над рынком.Через все это проходит простая нить: техническая амбиция без операционной дисциплины – это всего лишь демонстрация. Моя карьера была прогрессом от “можем ли мы спроектировать или построить это?” к “должны ли мы развернуть это, и что произойдет, когда оно выйдет из строя в 3 часа ночи в рынке, где ставки высоки?” Такой взгляд я приношу в inDrive.

Большинство платформ используют ИИ для установления цен. inDrive использует переговоры. Итак, как ИИ фактически вписывается в вашу модель и где на платформе он приносит наибольшую ценность, не компрометируя прозрачность, которая делает inDrive уникальным?

ИИ в inDrive не только о ценообразовании; он встроен во весь бизнес, охватывая маркетинг и рост, персонализацию суперприложения, поддержку клиентов, геопространственную информацию, 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 один из аспектов гораздо более широкой возможности.

inDrive была основана в Якутске, чтобы бороться с несправедливым, сговорчивым таксированием. Наша основная конкурентная идентичность – это модель ценообразования между физическими лицами — пассажиры предлагают, водители принимают, противостоят или отклоняют. Этот открытый поток торга фундаментален. Что делает ИИ, так это выступает в качестве поддержки принятия решений вокруг этой человеческой договоренности о цене.Если вы посмотрите на традиционные модели динамического ценообразования – они являются черным ящиком. Пользователь видит множитель и не имеет возможности что-либо сделать. В нашей модели пассажир видит предложенную цену, водитель может принять или противостоять, и пассажир решает, принимать ли предложение или ждать другого предложения. МО делает эти предложения умнее и более контекстно-релевантными на основе спроса, предложения, расстояния, трафика и времени, но механизм переговоров сохраняет агентство пользователя. Мы также используем МО, чтобы помочь водителям понять, когда и где их заработок выше.Мы используем ИИ, чтобы уменьшить информационную асимметрию между обеими сторонами, а не эксплуатировать ее.

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

Большинство компаний, которые говорят об “ИИ-сначала”, имеют в виду, что они добавили чат-бот. Это не то, что мы делаем.

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

В плане естественной применимости сопоставление на рынке 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 важными областями: 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 сортировка, автоматическое решение распространенных проблем и многоязычная возможность – является как фактором стоимости, так и фактором качества.

Финансовые услуги через inDrive.Money – это 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, используя только стандартные кредитные данные. Это уже запущено в Мексике, Колумбии, Бразилии, Индонезии и Перу.

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

Мультипликатор суперприложения заключается в том, что каждая дополнительная вертикаль обогащает граф данных. Пассажир, который также использует доставку продуктов и кредитование водителей, дает нам полную картину поведения. Это делает каждый отдельный сервис умнее – но только если основа данных и управление правильны, что является сложной частью.

inDrive особенно сильна на развивающихся и передовых рынках, где условия эксплуатации могут сильно различаться. Как вы проектируете системы ИИ, которые хорошо работают в регионах с очень разной инфраструктурой, 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 большинство работы, которую мы выполняем для новых запусков стран, заключается в изменениях конфигурации, а не в написании нового кода. Это фокусирует наше инженерное усилие на местных требованиях: верификация водителей, проверка документов и интеграция с государственными базами данных.

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 работать на одних и тех же стандартах, что и наши европейские команды. Мы также строим инженерные возможности в Латинской Америке, где у нас значительные бизнес-операции, чтобы лучше обслуживать этот рынок в будущем с ближайшим присутствием инженеров.

Вы возглавляли крупные облачные и цифровые трансформации в учреждениях, таких как HSBC и NAB. Какие уроки из высокорегулируемых финансовых сред являются наиболее ценными, когда inDrive расширяется в услуги, такие как финтех, и строит более системы, управляемые ИИ?

Три урока из HSBC и NAB переносятся почти напрямую.

Во-первых, аудитability и контроль над данными не являются необязательными. В банковском деле каждая критическая часть данных, каждое решение, влияющее на клиента, должно быть окружено соответствующими контролями, которые защищают целостность и последовательность. Все должно быть отслеживаемым и объяснимым. И в цифровом мире вам нужно сочетать скорость с контролями, то есть все регуляторные требования должны быть автоматизированы с самого начала. Итак, вы начинаете думать о регуляторных требованиях и контролях как о программном продукте, удаляя ручную работу и полагаясь на автоматизацию повсюду.

Во-вторых, управление данными предшествует науке о данных. В NAB и HSBC я узнал, что самой большой проблемой для ИИ никогда не является 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. Если вы строите ИИ до управления, вы накапливаете технический и регуляторный долг, который становится экспоненциально труднее погасить.

В-третьих, операционная устойчивость важнее, чем производительность модели. Банковское дело научило меня, что модель с точностью 99,9%, которая катастрофически терпит неудачу в 0,1% случае, хуже, чем модель с точностью 95%, которая имеет плавную деградацию. В нашем случае ложный положительный результат на обнаружении мошенничества, который блокирует водителя от его заработка, может уничтожить доверие. Вы проектируете для случая отказа, а не счастливого пути.

Преимущество, которое имеет inDrive перед традиционными финтех-компаниями, заключается в том, что у нас есть непрерывные поведенческие данные о заемщиках. Мы знаем, как часто они водят, их коэффициенты принятия, их закономерности заработка, их сигналы надежности. Это предлагает более прочные сигналы для кредитоспособности, чем моментальная оценка FICO или банковское заявление. Но это преимущество материализуется только в том случае, если мы построим основы управления и справедливости, чтобы использовать его ответственно, что является ценным опытом, полученным из 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 незаменимым, даже когда агентные рабочие процессы и автоматизация становятся более способными?

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

Власть над ценообразованием является наиболее очевидным примером, и это то, что определяет inDrive. Человек – как пассажир, так и водитель – всегда имеет окончательное слово в цене. Это неоспоримо, независимо от того, насколько совершенными становятся наши рекомендации ИИ. В момент, когда мы это возьмем, мы станем просто еще одной алгоритмической платформой, потеряв то, что нас отличает. Это архитектурно.

Эскалация безопасности является еще одним явным случаем. Мы автоматизируем первый уровень модерации контента и поддержки в масштабе. Обученные на миллионах текстов, наша система ИИ обрабатывает более двух третей чатов вызова такси, чтобы быстро обнаружить, пометить и защитить клиентов от неуместного языка. Но когда ситуация действительно двусмысленна или имеет значительные последствия для чьего-то средства к существованию, человек принимает решение. Автоматизация должна умно фильтровать случаи, обеспечивая, чтобы человеческий суд применялся только тогда, когда он действительно ценен. Стоимость ложного отрицания – это безопасность человека. Вы не можете автоматизировать это и сохранить подотчетность.

Наш более широкий принцип заключается в том, что ИИ должен поддерживать человеческий суд, выступать в качестве партнера, а не замены.

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

Ошибку, которую совершают многие компании, заключается в том, что они рассматривают “человека в цикле” как фазу, которую они в конечном итоге автоматизируют. Для категорий, которые я описал, это неправильная формулировка. Они являются случаями, где человеческое суждение является структурно уместным 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 является организационным.Самая трудная часть – не любая отдельная техническая проблема, а переход от культуры индивидуальных экспериментов с ИИ к культуре системных операций ИИ. Этот сдвиг требует изменения того, как команды думают об владении, 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, затрагивающим ценообразование, безопасность, поддержку, гео и персонализацию одновременно, вам нужны общие основы.

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

Часто недооцениваемый размер стоимости также является важным. Мы предоставляем командам видимость фактических затрат (за поездку, за транзакцию, хранилище), чтобы помочь улучшить подотчетность, что стимулирует лучшие инженерные решения.Например, оптимизация хранилища позволила нам снизить затраты на геоданные, что существенно снизило стоимость инфраструктуры за сделку. Уровень улучшения, который мы видим, возможен только тогда, когда владение затратами децентрализовано и встроено в команды, а не управляется централизованно как после мысли.

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 не ново, эти основополагающие шаги являются важными для успешного внедрения и получения выгоды от ИИ внутри организации.

Платформы вызова такси обрабатывают огромные объемы реальных поведенческих данных. Как вы балансируете возможность использования этих данных для лучшей персонализации и прогнозирования с необходимостью сохранить доверие, конфиденциальность и справедливость как для водителей, так и для пассажиров?

Преимущество данных в вызове такси реально. В сочетании с данными о доставке и финтехе оно становится чрезвычайно богатым поведенческим набором данных. Соблазн слишком сильно использовать его именно то, что мы отказываемся делать.

Мы применяем ограничение цели строго. Мы используем данные, собранные для улучшения поездок. Она не используется для перецеливания рекламы или продажи третьим лицам. Наши пользователи выбрали inDrive частично потому, что они доверяют нам больше, чем инкумбентам. Это доверие, как только оно разрушено, не восстанавливается.

На стороне водителей мы рассматриваем права на данные как вопрос экономического партнерства. Водители не являются источниками данных. Они должны понимать, что мы собираем, как мы используем это и – критически – получать пользу от этого. inDrive.Money – это прямой пример: те же поведенческие данные, которые помогают нам управлять рынком, также позволяют 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 над индивидуальным отслеживанием, где это возможно. Вам не нужно знать, куда конкретный человек путешествует 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 суперприложения была очень успешной в некоторых частях Азии, но ее труднее воспроизвести на фрагментированных глобальных рынках. Что должно быть верным, с точки зрения технологий и ИИ, чтобы суперприложение работало на десятках стран, а не только на одной тесно интегрированной экосистеме?

Модель суперприложения, которая стала популярной в Азии, работала внутри относительно однородных регуляторных 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 глобально-по-умолчанию, локально-по-умолчанию. Мы предоставляем общие сервисы платформы – идентификация, кошелек, уведомления, аналитика, карты, поддержка – как стабильные рельсы, к которым партнеры могут быстро подключиться.Каждый сервис является независимо развертываемым и локально настраиваемым, поэтому новые рынки могут быть запущены через конфигурацию, а не новый код. Вы не можете отправить монолитный продукт и ожидать, что он найдет отклик повсюду.

Этот модульный подход позволяет каждому продукту – вызову такси, доставке, доставке продуктов, финтеху – адаптироваться к конкретным потребностям каждого рынка, работая на общей платформе. Также единифицированный слой идентификации и данных является важным. Ценность предложения суперприложения заключается в том, что использование одного сервиса улучшает другие. Это требует единого графа данных пользователей на всех вертикалях. Построение этого без создания проблемы конфиденциальности является самой сложной технической задачей в этом начинании.

Второе, что двигатель релевантности должен работать на уровне отдельного человека, а не рынка. То, что мы называем “сегментом одного” – использование данных, аналитики и МО для понимания того, что важно для конкретного клиента в конкретном контексте – это то, что делает суперприложение полезным, а не загроможденным. Если у вас есть десять сервисов, и приложение показывает вам все десять с равным акцентом, вы создали приложение с плохим пользовательским опытом, а не суперприложение.

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. Технологическая платформа глобальна; доставка сервиса локальна. ИИ помогает, делая эти интеграции бесшовными для конечного пользователя.

Четвертое, вам нужен якорь частоты. Это 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 без потери целостности. Наша платформа Zero-Code, которая питает более 400 производственных экранов, посещаемых более 300 миллионами раз, позволяет нам запускать новые экраны, проводить эксперименты и адаптироваться к местным требованиям без полной переустановки приложения. Такая гибкость, в сочетании с децентрализованной многорегиональной инфраструктурой, является тем, что позволяет платформе функционировать целостно на рынках, не заставляя ни.uniformity, ни фрагментацию.

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

ИИ затронет все это, 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 базовыми. Поддержка будет быстро автоматизироваться, поскольку зрелые модели LLM. 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 передовой линии в течение как минимум еще десяти лет.

Область, которая, вероятно, будет основным дифференциатором по всей отрасли, – это совершенно новые услуги, которые еще не существуют. Сочетание данных о реальном времени, поведенческих данных, платежных данных и местной рыночной информации создает основу для услуг, которые мы еще не придумали, в таких областях, как гиперлокальная коммерция, здравоохранение или прогностическая логистика. Платформа с самой богатой основой данных и организационной гибкостью для быстрого тестирования и масштабирования новых вертикалей будет иметь компаундовое преимущество.

Агентный ИИ – это где откроется наибольшее долгосрочное разделение. По мере созревания агентных рабочих процессов, обработки настройки, мониторинга мошенничества, финансовых операций и персонализированного коучинга платформы с правильными основами данных могут включить быстрое экспериментирование и масштабирование.

ИИ не создает конкурентное преимущество сам по себе. Он создает преимущество, когда сочетается с уникальными данными, уникальным рыночным положением и операционной дисциплиной для выполнения. Позиция inDrive – второе по количеству загрузок приложение вызова такси в мире, с доминирующими позициями на рынках передовой линии, более 400 миллионами загрузок и брендом, построенным на справедливости, – является основой. ИИ – это усилитель. Без основы усилитель не имеет ничего, что можно усилить.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить inDrive.