‫Kakao Mobility تستخدم Gemini Nano على الجهاز فقط لخفض التكاليف وزيادة معدّل الإحالات الناجحة عبر الاتصال الهاتفي بنسبة %45

Kakao Mobility هي شركة رائدة في مجال النقل في كوريا الجنوبية، وتقدّم مجموعة من خدمات النقل والتوصيل، بما في ذلك طلب سيارات الأجرة والتنقّل ومشاركة الدراجات الهوائية والسكوترات ومواقف السيارات وتوصيل الطرود، من خلال تطبيق Kakao T. استخدم فريق Kakao Mobility نموذج Gemini Nano من خلال GenAI Prompt API في حزمة تعلّم الآلة لتقديم مساعدة في ركن الدراجات الهوائية في خدمة مشاركة الدراجات الهوائية وتجربة محسّنة لإدخال العناوين في خدمات التنقّل والتوصيل.

يخدم تطبيق Kakao T أكثر من 30 مليون مستخدم إجمالاً، وتُعدّ خدمة مشاركة الدراجات الهوائية إحدى أكثر الخدمات رواجًا. ولكن لسوء الحظ، كان العديد من المستخدمين يركنون الدراجات الهوائية أو السكوترات بشكل غير صحيح عندما لا يكونون بحاجة إليها. أدّى هذا السلوك إلى زيادة عدد مخالفات ركن السيارات والمخاوف المتعلّقة بالسلامة، ما نتج عنه شكاوى عامة وغرامات وعمليات سحب. بدأت هذه المشاكل تؤثر سلبًا في الرأي العام تجاه Kakao Mobility وخدمات مشاركة الدراجات الهوائية.

"من خلال الاستفادة من GenAI Prompt API في حزمة تعلّم الآلة وGemini Nano، تمكّنا من تنفيذ ميزات بسرعة تحسّن القيمة الاجتماعية بدون التأثير في تجربة المستخدم. ستواصل Kakao Mobility استخدام الذكاء الاصطناعي على الجهاز فقط بنشاط لتقديم خدمات تنقّل أكثر أمانًا وملاءمةً". — Wisuk Ryu، رئيس قسم تطوير العملاء

لمعالجة هذه المخاوف، صمّم الفريق في البداية نموذجًا للتعرّف على الصور لإعلام المستخدمين إذا كانت دراجتهم الهوائية أو السكوتر مركونة بشكل صحيح وفقًا للقوانين المحلية ومعايير السلامة. وكان تشغيل هذا النموذج من خلال السحابة الإلكترونية سيؤدي إلى تكاليف كبيرة على الخادم. بالإضافة إلى ذلك، كانت الصور التي حمّلها المستخدمون تحتوي على معلومات عن موقع ركن الدراجة الهوائية، لذا أراد الفريق تجنُّب أي مخاوف بشأن الخصوصية أو الأمان. كان على الفريق العثور على حل أكثر موثوقية وفعالية من حيث التكلفة.

أراد الفريق أيضًا تحسين تجربة استخراج الكيانات لخدمة توصيل الطرود ضمن تطبيق Kakao T. في السابق، كان بإمكان المستخدمين طلب توصيل الطرود بسهولة على واجهة محادثة، ولكن كان على السائقين إدخال العنوان يدويًا في نموذج الطلب لبدء طلب التوصيل، وهي عملية كانت مرهقة وعرضة للخطأ البشري. سعى الفريق إلى تبسيط هذه العملية، ما جعل نماذج الطلبات أسرع وأقل إحباطًا لموظفي التوصيل.

تحسين تجربة المستخدم باستخدام GenAI Prompt API في حزمة تعلّم الآلة

اختبر الفريق نماذج Gemini المستندة إلى السحابة الإلكترونية وقارنها بنموذج Gemini Nano، الذي تم الوصول إليه من خلال GenAI Prompt API في حزمة تعلّم الآلة. "بعد مراجعة الخصوصية والتكلفة والدقة وسرعة الردّ، كان GenAI Prompt API في حزمة تعلّم الآلة هو الخيار الأمثل بوضوح"، كما قال Jinwoo Park، مطوّر تطبيقات Android في Kakao Mobility. 

لمعالجة مشكلة الدراجات الهوائية أو السكوترات المركونة بشكل غير صحيح، استخدم الفريق إمكانات Gemini Nano المتعدّدة الوسائط من خلال حزمة تطوير البرامج (SDK) الخاصة بواجهة برمجة التطبيقات GenAI في حزمة تعلّم الآلة لرصد متى تنتهك الدراجة الهوائية أو السكوتر اللوائح المحلية من خلال ركنها على رصيف أصفر ملموس. باستخدام طلب تم إعداده بعناية، تمكّنوا من تقييم أكثر من 200 صورة مركونة تم تصنيفها أثناء تحسين المدخلات باستمرار. ضمن هذا التقييم، الذي تم قياسه من خلال مقاييس معروفة مثل الدقة ومقياس صحة النموذج ومقياس المراجعة ونتيجة F1، تم التأكّد من أنّ الميزة تستوفي معايير الجودة والموثوقية على مستوى الإصدار العلني.

يمكن للمستخدمين الآن التقاط صورة لدراجتهم الهوائية أو السكوتر المركونة، وسيُعلمهم التطبيق إذا كانت مركونة بشكل صحيح، أو سيقدّم لهم إرشادات إذا لم تكن كذلك. تحدث العملية بأكملها في ثوانٍ على الجهاز، ما يحمي موقع المستخدم ومعلوماته. 

لإنشاء ميزة مبسطة لاستخراج الكيانات، استخدم الفريق مرة أخرى GenAI Prompt API في حزمة تعلّم الآلة لمعالجة طلبات التوصيل التي يكتبها المستخدمون بلغة طبيعية. لو استخدموا تعلّم الآلة التقليدي، لكان ذلك يتطلب مجموعة كبيرة من بيانات التعلّم وخبرة خاصة في تعلّم الآلة. بدلاً من ذلك، يمكنهم ببساطة البدء بطلب مثل "استخرِج اسم المستلِم وعنوانه ورقم هاتفه من الرسالة". أعدّ الفريق حوالي 200 مثال تقييم عالي الجودة، وقيّموا الطلب من خلال العديد من جولات التكرار للحصول على أفضل نتيجة. كانت الطريقة الأكثر فعالية المستخدمة هي تقنية تُعرف باسم "التلقين ببضعة أمثلة"، وتم تحليل النتائج بعناية للتأكّد من أنّ الناتج يحتوي على أقل قدر ممكن من الهلوسات.

يقلّل Prompt API في حزمة تعلّم الآلة من النفقات العامة للمطوّرين مع توفير أمان وموثوقية قويين على الجهاز. ويتيح إنشاء نماذج أولية بسرعة، ويقلّل من الاعتماد على البنية التحتية، ولا يتكبّد أي تكلفة إضافية. ما مِن سبب لعدم التوصية به". — Jinwoo Park، مطوّر تطبيقات Android في Kakao Mobility

تحقيق نتائج كبيرة باستخدام GenAI Prompt API في حزمة تعلّم الآلة

نتيجةً لذلك، تحدّد ميزة استخراج الكيانات التفاصيل الضرورية لكل طلب بشكل صحيح، حتى عند إدخال أسماء وعناوين متعددة. لتحقيق أقصى قدر من الوصول إلى الميزة وتوفير حل احتياطي قوي، نفّذ الفريق أيضًا مسارًا مستندًا إلى السحابة الإلكترونية باستخدام Gemini Flash.

أدّى استخدام GenAI Prompt API في حزمة تعلّم الآلة إلى تحقيق قدر كبير من وفورات التكاليف لفريق Kakao Mobility من خلال الانتقال إلى الذكاء الاصطناعي على الجهاز فقط. على الرغم من أنّه لم يتم إطلاق ميزة تحليل ركن الدراجات الهوائية بعد، فقد حقّق التحسين في إدخال العناوين نتائج ممتازة: 

• انخفض وقت إكمال طلبات التوصيل بنسبة %24.
• ارتفع معدّل الإحالات الناجحة بنسبة% 45 للمستخدمين الجدد وبنسبة% 6 للمستخدمين الحاليين.
• خلال المواسم المزدحمة، تزداد الطلبات المستندة إلى الذكاء الاصطناعي بأكثر من %200.

"شارك مالكو المؤسسات الصغيرة على وجه الخصوص ملاحظات إيجابية جدًا، قائلين إنّ الميزة جعلت عملهم أكثر كفاءة بكثير وخفّضت من الإجهاد بشكل كبير"، كما أضاف Wisuk.

بعد إطلاق ميزة التعرّف على الصور لركن الدراجات الهوائية والسكوترات، يتوق فريق Kakao Mobility إلى تحسينها أكثر. يمكن أن تكون بيئات ركن السيارات في المناطق الحضرية صعبة، ويستكشف الفريق طرقًا لفلترة المناطق غير الضرورية من الصور. 

"تقدّم GenAI Prompt API في حزمة تعلّم الآلة ميزات عالية الجودة بدون نفقات عامة إضافية"، كما قال Jinwoo. "أدّى ذلك إلى تقليل جهد المطوّرين وتقصير وقت التطوير الإجمالي، وسمح لنا بالتركيز على تحسين الطلبات للحصول على نتائج أعلى جودة".

جرِّب GenAI Prompt API في حزمة تعلّم الآلة بنفسك

يمكنك إنشاء الذكاء الاصطناعي على الجهاز فقط ونشره في تطبيقك باستخدام GenAI Prompt API في حزمة تعلّم الآلة للاستفادة من إمكانات Gemini Nano.