ProfiLLM: Utility-Aligned Agentic User Profiling for Industrial Ride-Hailing Dispatch
ProfiLLMは、ツール拡張型のグローバル知識マイニングとユーティリティに整合したプロファイル探索を組み合わせることで、ツール拡張型のグローバル知識マイニングとユーティリティに整合したプロファイル探索を組み合わせることで、DiDiのプロダクション・マッチング・システムにおける大幅なパフォーマンス向上をもたらした、産業規模のライドヘイリング配車におけるユーザー・プロファイリングのスケーリング課題を克服するエージェンティックなLLMデータパイプラインである。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
何百万もの人々が乗車を求め、数千人のドライバーが乗客を探している、巨大で賑やかな都市を想像してみてください。この都市の「脳」は、**ディスパッチャー（配車システム）**と呼ばれる超高速なコンピュータシステムです。その役割は、瞬きをする間（文字通り2秒以内）に、適切なドライバーを適切な乗客にマッチングさせることです。
長年、このディスパッチャーは非常に賢い会計士のような存在でした。それは数字を見ていました。「ドライバーまでの距離は？」「運賃はいくらか？」「乗客はどのくらい待ったか？」といった具合です。これらの確定的な数値に基づいて、マッチングを行ってきました。
しかし、この論文の著者たちは、ProfiLLMというシステムを通じて、会計士が何か重要なことを見落としていることに気づきました。それは、**「人間の物語（ヒューマン・ストーリー）」**です。
問題点：会計士 vs 物語作家
例えば、空港へ行くのは常に渋滞に巻き込まれるため嫌いだというドライバーや、ピックアップ地点が徒歩5分以上離れているとキャンセルしてしまう乗客を想像してみてください。会計士は「距離：2マイル」というデータしか見ません。しかし、物語作家は「このドライバーは空港を避けている。この乗客は長い徒歩を嫌っている」という背景を見ます。
研究者たちは、大規模言語モデル（LLM）——詩を書いたり質問に答えたりする、あの種のAI——を使用して、すべてのドライバーと乗客の履歴を読み取り、「ストーリー・プロフィール」を作成することを試みました。これらの物語が、ディスパッチャーによるより良いマッチングに役立つことを期待したのです。
しかし、そこには3つの大きな問題がありました：
- 膨大なデータ量： ユーザーは数百万人います。リアルタイムですべての人の全履歴をAIに読ませることはできません。時間がかかりすぎ、システムがクラッシュしてしまいます。
- 「ロングテール」問題： 大半の人々（乗客の96%）は、月に数回しか乗車しません。優れた物語を書くための十分な履歴が存在しないのです。
- 「綺麗だが役に立たない」： AIはユーザーについて非常に流暢で美しい物語を書くことができますが、それが必ずしも「乗客がキャンセルするかどうか」を予測するのに役立つとは限りません。それは、ドライバーについて素敵な詩を書いたとしても、そのドライバーが実際に現れるかどうかを教えてくれないのと同じです。
解決策：「ProfiLLM」工場
チームは、ProfiLLMと呼ばれる、ハイテク工場のようはシステムを構築しました。一人ひとりのためにリアルタイムで物語を書こうとするのではなく、重い作業はオフライン（システムが休んでいる時）に行い、その結果だけをオンライン（システムが稼働している時）で使用します。
この工場がどのように機能するかを、簡単な比喩を使って説明します。
ステップ1：「グローバル・ディテクティブ（世界の探偵）」（知識のマイニング）
まず、AIは探偵として振る舞います。単に一人の人間を見るのではなく、27種類の「ツール」（虫眼鏡、地図、計算機など）を使用して、都市全体の履歴を調査します。
- パターンを発見します：「雨の火曜日には、北地区のドライバーはキャンセル率が高くなる」など。
- 人々をグループ化するためのルールを作成します。10万人の乗客を10万人のユニークな個人として扱うのではなく、行動が似ている約100の「部族」や**クラスター（集団）**にグループ化します。
- 比喩： 国中のすべての市民にインタビューする代わりに、探偵は100の地域のリーダーにインタビューして、各地域の一般的な雰囲気やムードを理解するのです。
ステップ2：「ストーリー・エディター（物語の編集者）」（ユーティリティに即した探索）
次に、これら100の「部族」ごとに、AIはプロフィールの作成を試みます。ただし、一つ書いてみて上手くいくのを待つのではありません。
- AIは、プロフィールの**多くの異なるドラフト（草案）**を作成します。
- 素早いテストを実行します：「もしこの物語を使って行動を予測した場合、単なる数字を使うよりも精度が高まるか？」
- もし物語が単に「流暢」なだけで予測に役立たない場合は、破棄されます。逆に、キャンセルや承諾の予測に役立つ物語であれば、採用されます。
- そして、DPOと呼ばれる特別な学習手法を用いて、AIに「ただ美しいだけでなく、実際にディスパッチャーの役に立つ種類の物語」だけを書くように教え込みます。
ステップ3：「スピーディーな仲介人（マッチメイカー）」（オンライン・サービング）
ここが魔法の部分です。実際の乗客が乗車をリクエストしたとき：
- システムは、AIに考えさせたり、何かを書かせたりはしません。それでは遅すぎるからです。
- 代わりに、その乗客がどの「部族（クラスター）」に属しているかを照合します。
- 事前に作成された、テスト済みのその部族用の「プロフィール・カード」を取り出します。
- このカードを数値（距離、価格）と組み合わせ、瞬時にマッチングを行います。
結果：これは機能するのか？
研究者たちは、世界最大級の配車サービス会社であるDiDiを用いてテストを行いました。
- 予測精度の向上： システムは、ドライバーが乗車を承諾するか、あるいは乗客がキャンセルするかを予測する能力が大幅に向上しました。テストでは、予測精度が最大**6.14%**向上しました。
- 収益と満足度の向上： シミュレーションにおいて、このシステムは**4.35%多い収益（GMV）を生み出しました。14日間の実世界テストでは、実際に収益が0.47%増加し、完了した乗車数も0.33%**増加しました。
- キャンセルの減少： ドライバーが承諾する前に乗客がキャンセルする数を**0.82%**削減しました。
- 超高速： AIはラッシュアワーが始まる前にすべての思考を終えているため、実際のマッチングプロセスによる遅延はほとんど（1ミリ秒未満）ありません。
まとめ
ProfiLLMは、街中のあらゆる地域の詳細なキャラクター・プロフィールを作成するために、プロの伝記作家チームを雇うようなものです。ただし、それをすべて夜のうちに済ませておきます。日中、ディスパッチャーは、その地域の「性格」が書かれたポケットサイズのカードを持ち歩き、よりスマートで即座な判断を下すのです。
これは、従来のシステムの「冷たい数字」と、人間の行動という「温かいコンテキスト（文脈）」との間の溝を埋めるものです。重い思考をオフラインで行い、実行を電光石火の速さで行えば、AIがリアルタイムの産業システムにおいて極めて有用であることを証明しています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。