Sebbene molte organizzazioni non prendano nemmeno in considerazione i comportamenti o le infrastrutture degli agenti, booking.com Si era già “imbattuto” in loro attraverso il suo sistema di consigli di chat auto-sviluppato. Questa prima prova ha permesso all’azienda di fare un passo indietro ed evitare di farsi coinvolgere nella folle campagna pubblicitaria degli agenti di intelligenza artificiale. Viene invece adottato un approccio disciplinato, stratificato e modulare allo sviluppo del modello: piccoli modelli specifici per i viaggi per un’inferenza rapida ed economica; modelli linguistici più ampi (LLM) per il ragionamento e la comprensione; e valutazioni corrette per dominio generate internamente in cui la precisione è fondamentale. Grazie a questa strategia ibrida combinata con la collaborazione selettiva con OpenAI, Booking.com ha raddoppiato la precisione nelle attività di recupero delle chiavi, smistamento e interazione con i clienti. “Lo costruisci in un modo molto, molto specializzato e su misura e poi hai un esercito di un centinaio di agenti? Oppure lo mantieni abbastanza generale e hai cinque agenti che sono bravi in compiti generalizzati, ma poi devi orchestrare molto attorno a questi? Penso che sia un equilibrio che noi, come il resto del settore, stiamo ancora cercando di trovare”, ha detto a VentureBeat Pranav Pathak, responsabile dello sviluppo del prodotto AI presso Booking.com, in un nuovo podcast. Scopri il nuovo Oltre il pilota podcast quie continua a leggere per i punti salienti.
Passare dalla previsione alla personalizzazione profonda senza essere “inquietante”
I sistemi di raccomandazione costituiscono la base delle piattaforme rivolte ai clienti di Booking.com; tuttavia, Pathak ha riconosciuto che gli strumenti di raccomandazione tradizionali riguardano più la previsione che il suggerimento. Ecco perché fin dall’inizio lui e il suo team hanno promesso di stare alla larga da strumenti generici: secondo le sue parole, il prezzo e la raccomandazione dovrebbero basarsi sul contesto del cliente. Il primo strumento AI di pre-generazione di Booking.com per il rilevamento di intenti e argomenti era un piccolo modello linguistico che Pathak descrive come “la scala e le dimensioni di BERT”. Il modello ha analizzato l’input del cliente sul problema per determinare se il problema dovesse essere risolto tramite self-service o con un agente umano. “Abbiamo iniziato con un’architettura che diceva: ‘Se questo è l’obiettivo che hai identificato e hai scomposto la struttura in questo modo, devi chiamare uno strumento'”, ha spiegato Pathak. “Era molto, molto simile alla prima architettura con pochi agenti emersa in termini di definizione della logica e della chiamata allo strumento.” Da allora il suo team ha creato questa architettura per includere un orchestratore LLM che classifica le query, attiva il rendering potenziato dall’accesso (RAG) e chiama API o modelli linguistici personalizzati più piccoli. “Siamo stati in grado di scalare abbastanza bene questo sistema perché era così simile dal punto di vista architettonico che con alcune modifiche ora abbiamo uno stack di agenti completo”, ha affermato Pathak. Di conseguenza, Booking.com registra un aumento di 2 volte nel rilevamento degli argomenti, che consente agli agenti umani di risparmiare da 1,5 a 1,7 volte la larghezza di banda. Sempre più problemi vengono automatizzati, compresi problemi complessi precedentemente identificati come “altri” e che necessitano di essere intensificati. In definitiva, questo supporta un maggiore self-service e consente agli agenti umani di concentrarsi sui clienti con problemi unicamente specifici per i quali la piattaforma non dispone di un flusso di strumenti dedicato, come una famiglia che non può accedere a una camera d’albergo alle 2 del mattino quando la reception è chiusa. Non solo questo “inizia davvero a dare i suoi frutti”, ha detto Pathak, ma sta anche avendo un impatto diretto a lungo termine sulla fidelizzazione dei clienti. “Una delle cose che vediamo è che quanto migliore è il nostro servizio al cliente, tanto più fedeli saranno i nostri clienti.” Un’altra funzionalità introdotta di recente è il filtraggio personalizzato. Pathak ha notato che Booking.com ha tra i 200 e i 250 filtri di ricerca sul suo sito web, un numero irrealistico da esaminare per qualsiasi essere umano. Ecco perché il suo team ha introdotto una casella di testo gratuita in cui gli utenti possono digitare per ricevere immediatamente filtri personalizzati. “Questo diventa un suggerimento molto importante per la personalizzazione in termini di ciò che stai cercando con parole tue piuttosto che con un flusso di clic”, ha affermato Pathak. A sua volta, guida Booking.com su ciò che i clienti vogliono veramente. Ad esempio, le vasche idromassaggio; Quando la personalizzazione dei filtri divenne disponibile per la prima volta, le vasche idromassaggio erano una delle richieste più diffuse. Questo non era nemmeno stato preso in considerazione prima; Non c’era nemmeno un filtro. Questo filtro è ora attivo. “Non ne avevo idea”, ha detto Pathak. “Ad essere sincero, non ho mai cercato una vasca idromassaggio nella mia stanza.” C’è una linea sottile quando si tratta di personalizzazione; Pathak ha sottolineato che la memoria rimane complessa. Sebbene sia importante avere una memoria a lungo termine e rapporti prosperi con i clienti (conservare informazioni come il budget abituale, le stelle di hotel preferite o se richiedono l’accesso per disabili), ciò deve essere alle loro condizioni e proteggere la loro privacy. Booking.com è estremamente attento alla memoria e chiede il permesso di non essere “inquietante” quando raccoglie le informazioni sui clienti. “Gestire la memoria è molto più difficile che crearla effettivamente”, ha detto Pathak. “La tecnologia c’è e abbiamo le competenze tecniche per costruirla. Vogliamo essere sicuri di non lanciare un oggetto di memoria che non sembri naturale, che non rispetti il consenso del cliente.”
Trovare un equilibrio tra creare e acquistare
Man mano che gli agenti maturano, Booking.com affronta una domanda fondamentale che l’intero settore deve affrontare: quanto dovrebbero essere ottusi gli agenti? Piuttosto che fare affidamento su un branco di agenti altamente specializzati o su pochi generalisti, l’azienda punta a decisioni reversibili ed evita “porte a senso unico” che bloccano la sua architettura in percorsi costosi e a lungo termine. La strategia di Pathak è questa: generalizzare dove possibile, specializzarsi dove necessario e mantenere flessibile la progettazione degli agenti per garantire la robustezza. Pathak e il suo team sono “molto attenti” ai casi d’uso; sta valutando dove costruire agenti più generalizzati e riutilizzabili o agenti specifici per attività. Cercano di utilizzare il modello più piccolo possibile per ogni caso d’uso, con il massimo livello di precisione e qualità di output. Qualunque cosa possa essere generalizzata è quello che è. La latenza è un’altra considerazione importante. Quando l’accuratezza dei fatti e l’evitare le allucinazioni sono cruciali, la sua squadra utilizzerà un modello più grande e molto più lento; Tuttavia, grazie alla ricerca e ai consigli, sono le aspettative degli utenti a dettare il ritmo. (Pathak ha osservato: “Nessuno è paziente.”) “Ad esempio, non utilizzeremmo mai qualcosa di così pesante come GPT-5 solo per il rilevamento di argomenti o l’estrazione di entità”, ha detto. Booking.com adotta un approccio altrettanto flessibile quando si tratta di monitoraggio e valutazione: se si tratta di un monitoraggio generale che mostra che qualcun altro è più bravo nella costruzione e ha capacità orizzontale, lo compreranno. Ma se ci sono situazioni in cui è necessario applicare le linee guida del marchio, creeranno le proprie valutazioni. Alla fine, Booking.com ha scelto di essere “super predittivo”, agile e flessibile. “A questo punto, con quello che sta succedendo con l’intelligenza artificiale, siamo un po’ contrari a passare attraverso porte a senso unico”, ha detto Pathak. “Vogliamo che il maggior numero possibile di decisioni siano reversibili. Non vogliamo rimanere bloccati tra due anni con una decisione che non possiamo revocare”.
Cosa possono imparare gli altri costruttori dal percorso verso l’intelligenza artificiale di Booking.com?
Il percorso verso l’intelligenza artificiale di Booking.com potrebbe fungere da importante modello per altre aziende. Guardando indietro, Pathak ha ammesso di aver iniziato con uno stack tecnologico “abbastanza complesso”. Al momento sono in una buona posizione, “ma probabilmente potremmo iniziare con qualcosa di molto più semplice e vedere come i clienti interagiscono con esso”. Con questo in mente, ha offerto questo prezioso consiglio: se hai appena iniziato con master o agenzie, le API pronte all’uso faranno al caso tuo. “C’è abbastanza personalizzazione nelle API da poter già ottenere molti vantaggi prima di decidere di fare di più.” D’altra parte, se un caso d’uso richiede una personalizzazione che non può essere fornita tramite una chiamata API standard, è opportuno ricorrere a strumenti locali. Tuttavia, ha sottolineato: non iniziare con cose complicate. Affronta “il problema più semplice e doloroso che puoi trovare e la soluzione più semplice e ovvia”. Determinare l’idoneità del prodotto al mercato, quindi ricercare gli ecosistemi, ha consigliato; ma non eliminare le infrastrutture legacy perché un nuovo caso d’uso richiede qualcosa di specifico (come spostare l’intera strategia cloud da AWS ad Azure solo per utilizzare l’endpoint OpenAI). In conclusione: “Non chiuderti dentro troppo presto”, ha detto Pathak. “Non prendere decisioni a senso unico finché non sei assolutamente sicuro che sia quella la soluzione che desideri seguire.”
