ProfiLLM: Utility-Aligned Agentic User Profiling for Industrial Ride-Hailing Dispatch
ProfiLLM ist eine agentische LLM-Datenpipeline, die die Herausforderungen der Skalierung von Nutzerprofilierung für das industrielle Ride-Hailing-Dispatching überwindet, indem sie werkzeuggestützte globale Wissensgewinnung mit nutzenorientierter Profilexploration kombiniert, was zu signifikanten Leistungssteigerungen in DiDis Produktionssystem zur Vermittlung führt.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine riesige, geschäftige Stadt vor, in der Millionen von Menschen versuchen, Fahrten zu bekommen, und tausende Fahrer nach Fahrgästen suchen. Das „Gehirn“ dieser Stadt ist ein superschnelles Computersystem namens Dispatcher (Disponent). Seine Aufgabe ist es, den richtigen Fahrer dem richtigen Fahrgast in einem Wimpernschlag zusammenzuführen (buchstäblich innerhalb von 2 Sekunden).
Jahrelang war dieser Dispatcher wie ein sehr kluger Buchhalter. Er betrachtet Zahlen: Wie weit ist der Fahrer entfernt? Wie hoch ist der Fahrpreis? Wie lange hat der Fahrgast bereits gewartet? Basierend auf diesen harten Zahlen trifft er Zuordnungen.
Doch die Autoren dieser Arbeit, ProfiLLM, erkannten, dass der Buchhalter etwas Wichtiges übersah: die menschliche Geschichte.
Das Problem: Der Buchhalter vs. der Geschichtenerzähler
Stellen Sie sich einen Fahrer vor, der es hasst, zum Flughafen zu fahren, weil dort immer Stau ist, oder einen Fahrgast, der eine Fahrt abbricht, wenn der Abholort mehr als 5 Minuten entfernt ist. Ein Buchhalter sieht „Distanz: 2 Meilen“. Ein Geschichtenerzähler sieht „Dieser Fahrer meidet Flughäfen; dieser Fahrgast hasst lange Fußwege“.
Die Forscher versuchten, Large Language Models (LLMs) einzusetzen – dieselbe Art von KI, die Gedichte schreibt und Fragen beantwortet – um die Historie jedes Fahrers und Fahrgasts zu lesen und ein „Story-Profil“ über sie zu schreiben. Sie hofften, dass diese Geschichten dem Dispatcher helfen würden, bessere Zuordnungen zu treffen.
Aber es gab drei riesige Probleme:
- Zu viele Daten: Es gibt Millionen von Nutzern. Man kann eine KI nicht bitten, die gesamte Historie jedes einzelnen Menschen in Echtzeit zu lesen; das würde zu lange dauern und das System zum Absturz bringen.
- Das „Long Tail“-Problem: Die meisten Menschen (wie 96 % der Fahrgäste) bestellen nur ein paar Fahrten im Monat. Es gibt nicht genug Historie, um eine gute Geschichte über sie zu schreiben.
- Schön, aber nutzlos: Eine KI kann eine sehr flüssige, schöne Geschichte über einen Nutzer schreiben, die großartig klingt, aber nicht wirklich dabei hilft, vorherzusagen, ob er eine Fahrt stornieren wird. Es ist, als würde man ein Gedicht über einen Fahrer schreiben, das zwar schön klingt, aber nicht verrät, ob er tatsächlich erscheinen wird.
Die Lösung: Die „ProfiLLM“-Fabrik
Das Team baute ein System namens ProfiLLM, das wie eine hochtechnologische Fabrik funktioniert. Anstatt zu versuchen, in Echtzeit eine Geschichte für jede einzelne Person zu schreiben, erledigt es die Schwerstarbeit offline (wenn das System ruht) und nutzt die Ergebnisse erst online (wenn das System läuft).
So funktioniert die Fabrik, unter Verwendung einer einfachen Analogie:
Schritt 1: Der „Globale Detektiv“ (Wissensschürfung)
Zuerst agiert die KI als Detektiv. Sie schaut nicht nur auf eine einzelne Person; sie betrachtet die Historie der gesamten Stadt unter Verwendung von 27 verschiedenen „Werkzeugen“ (wie einer Lupe, einer Karte und einem Taschenrechner).
- Sie entdeckt Muster: „An Regentagen im Norden canceln Fahrer häufiger.“
- Sie erstellt Regeln, um Menschen zusammenzugruppieren. Anstatt 100.000 Fahrgäste als 100.000 einzigartige Individuen zu behandeln, gruppiert sie diese in etwa 100 „Stämme“ oder Cluster bas thereof ähnlicher Verhaltensweisen.
- Analogie: Anstatt jeden einzelnen Bürger eines Landes zu interviewen, interviewt der Detektiv die Anführer von 100 Nachbarschaften, um die allgemeine Stimmung jedes Gebiets zu verstehen.
Schritt 2: Der „Story-Editor“ (Nutzenorientierte Exploration)
Nun versucht die KI, für jeden dieser 100 „Stämme“ ein Profil zu schreiben. Aber sie schreibt nicht einfach nur eines und hofft, dass es gut ist.
- Sie schreibt viele verschiedene Entwürfe des Profils.
- Sie führt einen schnellen Test durch: „Wenn wir diese Geschichte zur Vorhersage von Verhalten nutzen, funktioniert das besser als nur Zahlen zu verwenden?“
- Wenn eine Geschichte nur „flüssig“ ist, aber nicht bei Vorhersagen hilft, wird sie aussortiert. Wenn eine Geschichte hilft, Stornierungen oder Annahmen vorherzusagen, wird sie behalten.
- Sie verwendet dann eine spezielle Trainingsmethung (genannt DPO), um die KI darauf zu trainieren, nur die Arten von Geschichten zu schreiben, die dem Dispatcher tatsächlich helfen, und nicht nur die, die gut klingen.
Schritt 3: Der „Schnelle Matchmaker“ (Online-Bereitstellung)
Dies ist der magische Teil. Wenn ein echter Fahrgast eine Fahrt anfordert:
- Das System bittet die KI nicht, nachzudenken oder etwas zu schreiben. Das wäre zu langsam.
- Stattdessen schaut es nach, zu welchem „Stamm“ (Cluster) der Fahrgast gehört.
- Es greift auf eine vorab geschriebene, vorab getestete „Profilkarte“ für diesen Stamm zu, die zuvor erstellt wurde.
- Es kombiniert diese Karte mit den Zahlen (Distanz, Preis) und trifft sofort eine Zuordnung.
Die Ergebnisse: Funktioniert es?
Die Forscher testeten dies bei Didi, einem der weltweit größten Ride-Hailing-Unternehmen.
- Bessere Vorhersagen: Das System wurde viel besser darin, vorherzusagen, ob ein Fahrer eine Fahrt annehmen oder ob ein Fahrgast eine Fahrt stornieren würde. In Tests verbesserte es die Vorhersagegenauigkeit um bis zu 6,14 %.
- Mehr Geld & glücklichere Fahrgäste: In einer Simulation generierte das System 4,35 % mehr Umsatz (GMV). In einem realen Test über 14 Tage steigerte es den Umsatz tatsächlich um 0,47 % und schloss 0,33 % mehr Fahrten ab.
- Weniger Stornierungen: Es reduzierte die Anzahl der Fahrgäste, die vor der Annahme durch den Fahrer stornierten, um 0,82 %.
- Super schnell: Da die KI das gesamte Denken erledigt, bevor die Stoßzeit beginnt, verursacht der eigentliche Matching-Prozess fast keine Verzögerung (weniger als eine Millisekunde).
Das Fazit
ProfiLLM ist wie das Einstellen eines Teams von Experten-Biografen, die detaillierte Charakterprofile für jedes Viertel einer Stadt schreiben, aber das alles in der Nacht erledigen. Während des Tages trägt der Dispatcher einfach eine handliche Karte mit der „Persönlichkeit“ des Viertels bei sich, um sofortige, intelligentere Entscheidungen zu treffen.
Es schließt die Lücke zwischen den „kalten Zahlen“ traditioneller Systeme und dem „warmen Kontext“ menschlichen Verhaltens und beweist, dass KI in realen industriellen Systemen nützlich sein kann, wenn man das schwere Denken offline hält und die Ausführung blitzschnell gestaltet.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.