در زمانی که بسیاری از شرکت‌ها حتی به رفتارهای هوشمندانه یا زیرساخت‌های مربوط به آن‌ها فکر نمی‌کردند، Booking.com به طور اتفاقی با سیستم توصیه‌ی مکالمه‌ای خودساخته‌اش به این حوزه وارد شد.

این آزمایش‌های اولیه به این شرکت اجازه داده تا یک گام به عقب بردارد و از گرفتار شدن در تب و تاب هیجان‌انگیز هوش مصنوعی عامل‌محور (AI Agent) جلوگیری کند. در عوض، Booking.com رویکردی منظم، لایه‌ای و مدولار به توسعه مدل‌ها در پیش گرفته است: مدل‌های کوچک و خاص سفر برای استنتاج ارزان و سریع؛ مدل‌های زبانی بزرگ (LLM) برای استدلال و درک؛ و ارزیابی‌های تنظیم‌شده‌ی دامنه که در صورت نیاز به دقت بالا، به صورت داخلی ساخته می‌شوند.

با این استراتژی ترکیبی - همراه با همکاری انتخابی با OpenAI - Booking.com شاهد دو برابر شدن دقت در وظایف کلیدی بازیابی، رتبه‌بندی و تعامل با مشتری بوده است.

پراناو پاتاک، مدیر توسعه محصول هوش مصنوعی Booking.com، در یک پادکست جدید در VentureBeat مطرح کرد: «آیا یک سیستم بسیار تخصصی و سفارشی می‌سازید و سپس ارتشی از صد عامل (Agent) دارید؟ یا آن را به اندازه‌ی کافی عمومی نگه می‌دارید و پنج عامل دارید که در انجام وظایف کلی خوب هستند، اما سپس باید هماهنگی زیادی حول آن‌ها انجام دهید؟ این تعادلی است که فکر می‌کنم ما هنوز در حال تلاش برای یافتن آن هستیم، همانطور که بقیه این صنعت نیز در تلاش هستند.»

برای گوش دادن به پادکست Beyond the Pilot اینجا کلیک کنید و برای خواندن نکات برجسته، به مطالعه ادامه دهید. حرکت از حدس زدن به شخصی‌سازی عمیق بدون ایجاد حس ناخوشایند؛ سیستم‌های توصیه‌گر هسته‌ی اصلی پلتفرم‌های مشتری‌محور Booking.com هستند؛ با این حال، سیستم‌های سنتی...