Юрій Місник, Головний технічний директор inDrive – Серія інтерв’ю

Юрій Місник є Головним технічним директором компанії inDrive, де він керує глобальною технологічною стратегією компанії. З більш ніж двома десятилітнями міжнародного досвіду, Місник створив та очолював високоефективні технологічні програми в галузі хмарних технологій, фінансових послуг та великомасштабної цифрової трансформації.

До того, як приєднатися до inDrive, він обіймав керівні посади в Microsoft (MSFT ) та AWS. Пізніше він обіймав посади Цифрового директора в HSBC, ІТ-директора в Національному банку Австралії та Головного технічного директора в First Abu Dhabi Bank, де він модернізував складні, високорегульовані середовища за допомогою хмарних технологій, Agile, DevOps та моделей інженерії, орієнтованих на продукти.

Місник розпочав свою кар’єру в галузі аерокосмічної інженерії, беручи участь у розробці літака Boeing 787, а потім перейшов до інженерії програмного забезпечення та систем онлайн-торгівлі. Він вільно володіє як старими платформами, так і сучасними розподіленими архітектурами, і відомий тим, що поєднує фундаментальні системи з інноваційними рішеннями.

У компанії inDrive він зосереджений на створенні систем, команд та платформ, які забезпечать наступний етап глобального зростання компанії.

inDrive – це глобальна платформа мобільності та міських послуг, яка підключає користувачів до водіїв та постачальників послуг у сфері перевезень, доставки та інших послуг на вимогу. Заснована у 2013 році, компанія працює в понад 48 країнах та понад 1000 містах, з сотнями мільйонів завантажень програми по всьому світу. Її основна відмінність полягає у моделі ціноутворення, заснованій на переговорах, яка дозволяє пасажирам та водіям домовлятися про ціни безпосередньо, а не покладатися на алгоритмічне ціноутворення, спрямоване на створення більш прозорих та справедливих транзакцій. Окрім транспорту, inDrive розширив свою діяльність у галузі міжміських поїздок, кур’єрських послуг, фінансових пропозицій та навіть доставки продуктів, позиціонуючи себе як широку “суперзастосунку”, орієнтовану на доступні та справедливі міські послуги.

Ви розпочали свою кар’єру з математичного моделювання та скінченої елементної分析и, а потім перейшли до Microsoft, AWS, HSBC та Національного банку Австралії, і тепер очолюєте трансформацію штучного інтелекту в inDrive. Як цей шлях вплинув на ваш підхід до створення систем штучного інтелекту, які є технічно амбітними, але все ж таки засновані на справедливості, стійкості та реальних обмеженнях?

Я розпочав свою кар’єру в галузі прикладної математики та скінченої елементної分析и, яка фундаментально полягає у розумінні того, де ваша модель розбивається, а не святкуванні того, де вона працює. Такий підхід є саме тим, яким я підходжу до систем штучного інтелекту сьогодні.

У Microsoft та потім в AWS, де я провів понад десятиліття, я дізнався, що відбувається, коли ви будуєте платформи у глобальному масштабі. Ви припускаєте, що системи будуть погіршуватися, мережі будуть виходити з ладу, компоненти будуть поводитися непередбачувано. У компанії inDrive, яка працює в понад 1000 містах у 48 країнах, такий підхід виявився абсолютно життєво важливим.

HSBC та Національний банк Австралії дали мені інший погляд. У HSBC я створював роздрібні цифрові можливості по всьому світу. У Національному банку Австралії я керував трансформацією у хмарі, переводячи критичні банківські програми до AWS. У цих середовищах кожне технологічне рішення має регуляторні, репутаційні та фінансові наслідки. Модель штучного інтелекту або машинного навчання, яка не може пояснити свої рішення зрозумілим чином регулятору або клієнту, не є активом, а пасивом.

Продукт повинен відображати потреби людей, а не демонструвати складність вашої технологічної бази. Такий принцип тримає технічну амбіцію на рівні з справедливістю та реальними обмеженнями.

Це означає створення систем штучного інтелекту, які інформують та допомагають, наприклад, пропонуючи справедливу ціну без відняття контролю від людей на ринку.Через це ми будемо зберігати людський фактор у процесі прийняття рішень.

Більшість платформ використовують штучний інтелект для встановлення цін. inDrive використовує переговори. Як штучний інтелект фактично впливає на вашу модель і де по платформі він забезпечує найбільшу цінність без компрометації прозорості, яка робить inDrive особливим?

Штучний інтелект у компанії inDrive не лише стосується ціноутворення; він є частиною усієї діяльності компанії, охоплюючи маркетинг, персоналізацію суперзастосунку, підтримку клієнтів, геопросторову інтелекту, внутрішнє інструментування, запобігання шахрайства та інше. Більше 80% наших працівників використовують різні інструменти штучного інтелекту, від підтримки клієнтів та маркетингу до кодування та аналітики. Штучний інтелект робить значну роботу в оточуючій інфраструктурі – у 2025 році ми досягли 14% покращення точності ETA завдяки нашим глибоким моделям навчання. Отже, коли люди запитують про штучний інтелект та ціноутворення, важливо зрозуміти, що це лише одна з багатьох можливостей.

Компанія inDrive була заснована в Якутську, щоб боротися з несправедливим, змовним таксопаркінгом. Наша основна конкурентна ідентичність полягає в цій моделі переговорів між пасажирами та водіями — пасажири пропонують, водії приймають, контрують або відхиляють. Ця відкрита система торгівлі є фундаментальною. Штучний інтелект діє як підтримка прийняття рішень навколо цієї людської домовленості.Якщо ви розглядаєте традиційні моделі ціноутворення, вони є чорними скриньками. Користувач бачить множник і не має можливості оскаржити. У нашій моделі пасажир бачить запропоновану ціну, водій може прийняти або контрувати, і пасажир вирішує, чи приймати чи чекати іншої пропозиції. Машинне навчання робить ці пропозиції розумнішими та більш контекстно-релевантними на основі пропозиції, попиту, відстані, трафіку та часу, але механізм переговорів зберігає агентство користувача. Ми також використовуємо машинне навчання, щоб допомогти водіям зрозуміти, коли та де їхні заробітки сильніші.

Що означає “AI-перший суперзастосунок” на практиці в компанії inDrive, і які частини платформи є найбільш природними для штучного інтелекту сьогодні: підтримка ринку, безпека, підтримка клієнтів, фінансові послуги або щось інше?

Більшість компаній, які кажуть “AI-перший”, мають на увазі, що вони додали чат-бота. Це не те, що ми робимо.

AI-перший означає, що штучний інтелект знаходиться в операційному шарі платформи, а не в шарі функцій. Кожне рішення про продукт — від підтримки ринку до підтримки клієнтів та оцінки кредитів — починається з питання: які дані у нас є, і як інтелект повинен формувати цей досвід? На відміну від традиційних суперзастосунків, які розвивалися до ери штучного інтелекту, ми впроваджуємо ці можливості з самого початку, коли розширюємося на вісім вертикалей: перевезення, міжміські поїздки, кур’єрські послуги, доставка продуктів, міські послуги та фінансові продукти.

У сфері підтримки ринку та ціноутворення штучний інтелект є основним двигуном — краще підтримка ринку означає вищу зайнятість, що означає кращу економіку для водіїв та пасажирів. Безпека та довіра також є критичними областями: виявлення аномалій у реальному часі, верифікація водіїв та запобігання шахрайству.

Ми працюємо в 48 країнах та десятках мов. Штучний інтелект у підтримці клієнтів — не лише чат-боти, а й інтелектуальна тріаж, автоматичне вирішення загальних питань та багатомовна підтримка — є як фактором зниження витрат, так і покращення якості.

Фінансові послуги через inDrive.Money — це область, де штучний інтелект допоміг нам створити нову цінність для клієнтів — у цьому випадку, для наших водіїв. Ми використовуємо дані про поїздки, заробітки та поведінку на платформі, щоб створити альтернативні моделі кредитування для водіїв, яких традиційні банки не можуть повторити лише за допомогою стандартних кредитних даних. Це вже працює в Мексиці, Колумбії, Бразилії, Індонезії та Перу.

Ми також використовуємо штучний інтелект для доступності та інклюзивності — спрощення інтерфейсів для користувачів з нижчими навичками грамотності або інвалідністю. У багатьох наших ринках це вимога для досягнення адресованої аудиторії.

Ефект суперзастосунку полягає в тому, що кожна додаткова вертикаль збагачує граф даних. Пасажир, який також використовує доставку продуктів та позичку для водіїв, дає нам повну картину поведінки. Це робить кожну окрему службу розумнішою — але лише якщо дані та управління правильні, що є складною частиною.

Компанія inDrive особливо сильна на ринках, що розвиваються, та на периферійних ринках, де умови роботи можуть суттєво відрізнятися. Як ви проектуєте системи штучного інтелекту, які працюють добре в регіонах з різними інфраструктурами, звичаями платежів, регуляторними середовищами та очікуваннями користувачів?

Складність полягає в створенні єдиної моделі, яка працює надійно в 48 країнах та понад 1000 містах у 8 різних регіонах. Ми вирішуємо цю проблему за допомогою єдиної висококонфігурованої платформи, де більшість роботи, яку ми виконуємо для нових країн, полягає у змінах конфігурації, а не у написанні нового коду. Це зосереджує наш інженерний зусилля на місцевих вимогах: верифікації водіїв, перевірці документів та інтеграції з урядовими базами даних.

Наша архітектура використовує кілька регіональних зон AWS та середовище з кількома зонами доступності, яке усуває єдині точки відмов. Наша платформа DevOps високоавтоматизована, що допомагає нашим інженерним командам у Пакистані, Єгипті та Азійсько-Тихоокеанському регіоні працювати з тими ж стандартами, що й наші європейські команди. Ми також будемо розширювати інженерний потенціал у Латинській Америці, де у нас є значні бізнес-операції, щоб краще служити цьому ринку з часом за рахунок близького інженерного присутності.

Ви очолювали великомасштабні хмарні та цифрові трансформаційні зусилля в установах, таких як HSBC та Національний банк Австралії. Які уроки з високорегульованих фінансових середовищ виявилися найбільш цінними під час розширення компанії inDrive на послуги, такі як фінтех, та будівництва більшої кількості систем штучного інтелекту?

Три уроки з HSBC та Національного банку Австралії майже повністю переносяться.

По-перше, аудитованість та контроль над даними не є необов’язковими. У банківській сфері кожен критичний елемент даних, кожне рішення, яке впливає на клієнта, повинно бути оточене відповідними контрольними механізмами, які захищають цілісність та узгодженість. Все повинно бути відстежуваним та пояснюваним. У цифровому світі вам потрібно поєднувати швидкість з контрольними механізмами, тобто всі регуляторні вимоги повинні бути автоматизовані з самого початку. Отже, ви починаєте думати про регуляторні вимоги та контрольні механізми як про програмний продукт, видаляючи ручну роботу та покладаючись на автоматизацію всюди.

По-друге, управління даними передує науці про дані. У Національному банку Австралії та HSBC я дізнався, що найбільшим瓶нем для штучного інтелекту ніколи не є модель — це дані. Хто володіє ними? Чи є вони чистими? Чи є вони узгодженими? Чи є вони правильно лінійними? У компанії inDrive розширення з перевезень до фінансових послуг означає, що наше управління даними повинно швидко дозріти. Якщо ви побудуєте штучний інтелект до управління, ви накопичуєте технічний та регуляторний борг, який стає експоненціально складніше сплатити.

По-третє, оперативна стійкість важливіша за продуктивність моделі. Банківська справа навчила мене, що модель зі 99,9% точністю, яка катастрофічно виходить з ладу у 0,1% випадків, гірша за модель з 95% точністю з плавною деградацією. У нашому випадку хибний позитив на виявленні шахрайства, який блокує водія від його заробітку, може знищити довіру. Ви проектуєте для випадку відмови, а не щасливого шляху.

Перевага компанії inDrive перед традиційними фінтех-компаніями полягає в тому, що у нас є безперервні поведінкові дані про боржників. Ми знаємо, як часто вони водять, їхні показники прийняття, їхні заробітки, їхні сигнали надійності. Це пропонує більш надійні сигнали для кредитної гідності, ніж моментальний рейтинг FICO або банківський звіт. Але ця перевага матеріалізується лише тоді, коли ми будемо будувати управління та рамки справедливості для використання цих даних відповідально, що є місцем, де банківський досвід особливо цінний.

Багато компаній говорять про те, щоб “тримати людей у циклі”, але це часто залишається невизначеним. У компанії inDrive, де ви вважаєте, що людський суд повинен залишатися незмінним, навіть якщо агентські робочі процеси та автоматизація стають більш здатними?

У мене є простий принцип: автоматизуйте повторювані завдання; тримайте людей на незворотних рішеннях. Якщо неправильне рішення легко оборотне, автоматизуйте. Якщо воно може знищити довіру, засоби до існування або безпеку, людський суд залишається.

Влада щодо ціноутворення є найбільш очевидним прикладом і тим, що визначає компанію inDrive. Людина — і пасажир, і водій — завжди має останнє слово щодо ціни. Це незмінне, незалежно від того, наскільки складними стають наші рекомендації штучного інтелекту. Момент, коли ми відіб’ємо це, ми станемо ще однією алгоритмічною платформою, втрачаючи те, що нас відрізняє. Це архітектурне.

Ескалація безпеки є ще одним явним випадком. Ми автоматизуємо перший рівень модерації контенту та підтримку у масштабі. Навчені на мільйонах текстів, наш systém штучного інтелекту обробляє понад дві третини розмов про перевезення, щоб швидко виявити, позначити та захистити клієнтів від неприйнятної мови. Але коли ситуація є真正чно двозначною або має суттєві наслідки для когось засобу до існування, людина приймає рішення. Автоматизація повинна інтелектуально фільтрувати випадки, забезпечуючи, щоб людський суд застосовувався лише тоді, коли це真正ньо цінно. Вартість хибного негативу — це безпека людини. Ви не можете автоматизувати це та зберегти відповідальність.

Наш широкий принцип полягає в тому, що штучний інтелект повинен підтримувати людський суд, діяти як партнер, а не заміна.

Однією з найбільш складних частин масштабування штучного інтелекту є не продуктивність моделі, а оперативна дисципліна: якість даних, управління, моніторинг та контроль витрат. Яка була найбільшою перешкодою у перетворенні штучного інтелекту з ізольованих випадків у операційний шар по всій компанії?

Кожен говорить про те, що це питання якості даних. Це правда, але недостатньо. Реальна перешкода є організаційною. Найскладнішою є не будь-яка технічна проблема, а перехід від культури окремих експериментів зі штучним інтелектом до культури системних операцій зі штучним інтелектом. Такий перехід вимагає зміни того, як команди думають про володіння, відповідальність та вимірювання.

Коли ви розглядаєте штучний інтелект як набір ізольованих ініціатив, кожна команда будує свій власний конвейер, свої власні шаблони доступу до даних, свій власний розуміння того, що “якість” означає для їхньої моделі. Але коли ви хочете, щоб штучний інтелект був горизонтальним операційним шаром, який одночасно торкається ціноутворення, безпеки, підтримки, гео та персоналізації, вам потрібні спільні основи.

Це включає уніфікований семантичний шар з узгодженими визначення метрик, спільну структуру управління даними, інфраструктуру управління моделями зі вбудованими практиками MLOps та спільні політики безпеки.

Часто недооцінювана витратна складова також є життєво важливою. Ми надаємо командам видимість фактичних витрат (за поїздку, за транзакцію, зберігання), щоб допомогти покращити відповідальність, що сприяє кращим інженерним рішенням. Наприклад, оптимізація зберігання дозволила нам зменшити витрати на геодані, суттєво знизивши витрати на інфраструктуру за транзакцію. Рівень покращення, якого ми досягли, можливий лише тоді, коли володіння витратами децентралізовано та вбудовано в команди, а не керується централізовано як післяthought.

Платформи перевезень обробляють величезну кількість реальних поведінкових даних. Як ви балансуєте можливість використання цих даних для кращої персоналізації та прогнозування з потребою збереження довіри, приватності та справедливості для водіїв та пасажирів?

Перевага даних у сфері перевезень є реальною. У поєднанні з даними про доставку та фінтех-даними це стає надзвичайно багатим поведінковим набором даних. Спокуса надмірного використання цих даних є саме тим, чого ми відмовляємося робити.

Ми застосовуємо обмеження мети суворо. Ми використовуємо дані, зібрані для покращення поїздок. Це не перепрофілюється для цілей реклами або не продається третім сторонам. Наші користувачі обрали компанію inDrive частково тому, що довіряють нам більше, ніж інкумбентам. Це довіра, яку, якщо її зруйнувати, не можна відновити.

На стороні водіїв ми розглядаємо права даних як питання економічного партнерства. Водії не є джерелами даних. Вони повинні розуміти, що ми збираємо, як ми використовуємо це, і — критично — отримувати вигоду від цього. Служба inDrive.Money є прямим прикладом: ті самі поведінкові дані, які допомагають нам керувати ринком, також дозволяють фінансові послуги, яких водії потребують і не можуть отримати від традиційних банків. Цей обмін цінностями повинен бути двостороннім, прозорим та справедливим.

Для прогнозування та передбачення попиту ми віддаємо перевагу агрегованим закономерностям над індивідуальним відстежуванням, якщо це можливо. Вам не потрібно знати, куди конкретна людина подорожує кожен день; вам потрібно знати, що попит у певній зоні збільшується на 30% у п’ятницю ввечері.

Ми працюємо в країнах з дуже різними законодавчими рамками захисту даних — від LGPD Бразилії до ринків з мінімальними законами про захист даних. Наш підхід полягає в тому, щоб дотримуватися вищого стандарту незалежно від того, що дозволяє місцеве законодавство.

Модель суперзастосунку була дуже успішною в частинах Азії, але її складніше повторити по всьому фрагментованому глобальному ринку. Що повинно бути правдою з точки зору технологій та штучного інтелекту, щоб суперзастосунок працював у десятках країн, а не лише в одному тісно інтегрованому екосистемі?

Модель суперзастосунку, яка стала популярною в Азії, працювала в відносно однорідних регуляторних та інфраструктурних середовищах, з глибокою інтеграцією між платежами, соціальними мережами та комерцією, яка мала мало сильних незалежних альтернатив. Повторення цього глобально вимагає фундаментально іншого підходу, і ми вважаємо, що наша модель краще підходить для фрагментованих ринків.

Фундамент повинен бути глобальним за замовчуванням, локальним за проектуванням. Ми надаємо спільні платформені послуги — ідентифікацію, гаманець, сповіщення, аналітику, карти, підтримку — як стабільні рейки, до яких партнери можуть підключитися швидко. Кожна служба є незалежно розгортаною та локально конфігурованою, тому нові ринки можна запускати за допомогою конфігурації, а не нового коду. Ви не можете доставити монолітний продукт та очікувати, що він буде резонувати всюди.

Цей модульний підхід дозволяє кожній службі — поїздкам, доставці, продуктах, фінтеху — адаптуватися до конкретних потреб кожного ринку, працюючи на спільній платформі. Також єдина ідентичність та шар даних є суттєвою. Уся цінність пропонування суперзастосунку полягає в тому, що використання однієї служби покращує інші. Це вимагає єдиного графу користувача по всьому вертикалям. Будування цього без створення проблеми приватності є найбільшою технічною складністю всього проекту.

Другою є те, що механізм релевантності повинен працювати на рівні окремої людини. Що ми називаємо “сегментом одного” — використання даних, аналітики та машинного навчання для розуміння того, що важливо для конкретного клієнта в конкретному контексті — це те, що робить суперзастосунок корисним, а не заплутаним. Якщо у вас десять служб, і ви показуєте клієнту всі десять з однаковою видимістю, ви створили застосунок з поганим інтерфейсом, а не суперзастосунок.

Оглядаючи перспективу трьох-п’яти років, де ви вважаєте, що штучний інтелект створить найбільшу конкурентну відстань у сфері мобільності: прогнозування попиту, довіра та безпека, автономні операції, автоматизація підтримки, економіка водіїв чи зовсім нові служби, яких ще не існує?

Штучний інтелект торкнеться всіх цих аспектів, але ступінь відстані буде різним.

У найближчі три роки кожна серйозна платформа мобільності, ймовірно, матиме компетентне прогнозування попиту. Безпека та довіра будуть основними вимогами. Підтримка автоматизується швидко, оскільки LLMs дозрівають. Автономні операції матимуть значення в кінцевому підсумку, але повна автономність глобально (поза розвиненими ринками, такими як США) навряд чи суттєво вплине на периферійні ринки протягом наступного десятиліття.

Одна з основних областей розрізнення по всій галузі, однак, ймовірно, позначена зовсім новими службами, яких ще не існує. Комбінація даних про поведінку в реальному часі, даних про поведінку, даних про платежі та місцевих ринкових даних створює основу для служб, яких ми ще не уявляли в таких областях, як гіперлокальна комерція, охорона здоров’я чи прогнозна логістика. Платформа з найбільшої бази даних та організаційної гнучкості для швидкого тестування та масштабування нових вертикалей матиме компаунд-перевагу.

Агентський штучний інтелект — це місце, де відкриється найбільш тривала відстань. Коли агентські робочі процеси дозрівають, обробляючи налаштування, моніторинг шахрайства, фінансові операції та персоналізовану настанову, платформи з правильними даними та операційною дисципліною можуть дозволити швидше експериментування та масштабування.

Штучний інтелект не створює конкурентної переваги сам по собі. Він створює перевагу, коли поєднується з унікальними даними, унікальною ринковою позицією та операційною дисципліною для виконання. Позиція компанії inDrive — друга за кількістю завантажень застосунку перевезень, з домінуючими позиціями на периферійних ринках, понад 400 мільйонами завантажень та брендом, побудованим на справедливості — це фундамент. Штучний інтелект — це підсилювач. Без фундаменту підсилювач нічого не має, щоб посилити. Дякую за велике інтерв’ю. Читачам, які бажають дізнатися більше, слід відвідати сайт компанії inDrive.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати inDrive.