Cuando muchas empresas ni siquiera pensaban en infraestructuras o comportamientos de agencia, Reserva.com ya se había “tropezado” con ellos con su sistema de recomendación conversacional de cosecha propia. Esta experimentación temprana ha permitido a la empresa dar un paso detrás y evitar dejarse padecer por la frenética exageración de los agentes de IA. En cambio, está adoptando un enfoque modular, disciplinado y en capas para el exposición de modelos: modelos pequeños, específicos de viajes, para una inferencia rápida y económica; modelos de lengua vasto (LLM) más grandes para el razonamiento y la comprensión; y evaluaciones ajustadas al dominio creadas internamente cuando la precisión es crítica. Con esta táctica híbrida, combinada con la colaboración selectiva con OpenAI, Booking.com ha duplicado la precisión en tareas secreto de recuperación, clasificación e interacción con el cliente. Como planteó Pranav Pathak, líder de exposición de productos de IA de Booking.com, a VentureBeat en un nuevo podcast: “¿Lo construyes muy, muy especializado y a medida y luego tienes un ejército de cien agentes? ¿O lo mantienes lo suficientemente normal y tienes cinco agentes que son buenos en tareas generalizadas, pero luego tienes que orquestar mucho en torno a ellos? Ese es un compensación que creo que todavía estamos tratando de encontrar, al igual que el resto de la industria”. Mira lo nuevo Más allá del piloto podcast aquíy continúe leyendo para conocer los aspectos más destacados.

Ocurrir de las adivinanzas a la personalización profunda sin resultar “espeluznante”

Los sistemas de recomendación son fundamentales para las plataformas de atención al cliente de Booking.com; sin incautación, las herramientas de recomendación tradicionales se han centrado menos en asesorar y más en adivinar, admitió Pathak. Por eso, desde el principio, él y su equipo se comprometieron a evitar herramientas genéricas: como él dijo, el precio y la recomendación deben probar en el contexto del cliente. La aparejo de inteligencia sintético pregenerada original de Booking.com para la detección de intenciones y temas era un maniquí de lengua pequeño, lo que Pathak describió como “la escalera y el tamaño de BERT”. El maniquí absorbió las aportaciones del cliente sobre su problema para determinar si podía resolverse mediante el hipermercado o remitirse a un agente humano. “Comenzamos con una bloque de ‘tienes que avisar a una aparejo si esta es la intención que detectas y así es como analizas la estructura'”, explicó Pathak. “Eso fue muy, muy similar a las primeras arquitecturas agentes que surgieron en términos de razón y definición de una emplazamiento de aparejo”. Desde entonces, su equipo ha desarrollado esa bloque para incluir un orquestador LLM que clasifica consultas, activa la reproducción de recuperación aumentada (RAG) y claridad a API o modelos de lengua más pequeños y especializados. “Hemos podido avanzar ese sistema suficiente adecuadamente porque tenía una bloque tan parecida que, con algunos ajustes, ahora tenemos una pila agente completa”, dijo Pathak. Como resultado, Booking.com está viendo un aumento del doble en la detección de temas, lo que a su vez está liberando pancho de costado de los agentes humanos entre 1,5 y 1,7 veces. Se están automatizando más temas, incluso aquellos complicados previamente identificados como “otros” y que requieren ascensión. En última instancia, esto respalda un anciano hipermercado, liberando a los agentes humanos para que se concentren en clientes con problemas exclusivamente específicos para los cuales la plataforma no tiene un flujo de herramientas dedicado; por ejemplo, una tribu que no puede ceder a su habitación de hotel a las 2 am cuando la admisión está cerrada. Eso no sólo “positivamente comienza a agravarse”, sino que tiene un impacto directo y a amplio plazo en la retención de clientes, señaló Pathak. “Una de las cosas que hemos trillado es que cuanto mejor seamos en el servicio al cliente, más leales serán nuestros clientes”. Otro emanación nuevo es el filtrado personalizado. Booking.com tiene entre 200 y 250 filtros de búsqueda en su sitio web, una cantidad poco realista que cualquier ser humano puede examinar, señaló Pathak. Entonces, su equipo introdujo un cuadro de texto regalado en el que los usuarios pueden escribir para cobrar filtros personalizados de inmediato. “Eso se convierte en una señal muy importante para la personalización en términos de lo que estás buscando en tus propias palabras en área de un flujo de clics”, dijo Pathak. A su vez, indica a Booking.com lo que los clientes positivamente quieren. Por ejemplo, los jacuzzis: cuando se implementó por primera vez la personalización del filtro, los jacuzzis eran una de las solicitudes más populares. Eso ni siquiera era una consideración anteriormente; Ni siquiera había un filtro. Ahora ese filtro está activo. “No tenía idea”, señaló Pathak. “Honestamente, nunca había buscado una bañera de hidromasaje en mi habitación”. Sin incautación, cuando se tráfico de personalización, existe una trayecto muy fina; La memoria sigue siendo complicada, enfatizó Pathak. Si adecuadamente es importante tener saludos a amplio plazo e hilos en transformación con los clientes (retener información como sus presupuestos típicos, calificaciones de estrellas de hoteles preferidas o si necesitan entrada para discapacitados), debe ser en sus términos y proteger su privacidad. Booking.com es muy cuidadoso con la memoria y solicita el consentimiento para no dar “escalofríos” al compilar información de los clientes. “Tramitar la memoria es mucho más difícil que desarrollarla”, dijo Pathak. “La tecnología está adecuado, tenemos las habilidades técnicas para construirla. Queremos asegurarnos de no divulgar un objeto de memoria que no respete el consentimiento del cliente, que no parezca muy natural”.

Encontrar un compensación entre construir y comprar

A medida que los agentes maduran, Booking.com se enfrenta a una pregunta central a la que se enfrenta todo el sector: ¿hasta qué punto deben volverse estrechos los agentes? En área de comprometerse con un enjambre de agentes enormemente especializados o con unos pocos generalizados, la empresa apunta a decisiones reversibles y evita “puertas unidireccionales” que bloquean su bloque en caminos costosos y de amplio plazo. La táctica de Pathak es: ampliar cuando sea posible, especializarse cuando sea necesario y sostener el diseño del agente flexible para ayudar a certificar la resiliencia. Pathak y su equipo son “muy conscientes” de los casos de uso y evalúan dónde construir agentes más generalizados y reutilizables o agentes más específicos para tareas específicas. Se esfuerzan por utilizar el maniquí más pequeño posible, con el anciano nivel de precisión y calidad de resultado, para cada caso de uso. Todo lo que pueda generalizarse lo es. La latencia es otra consideración importante. Cuando la precisión objetiva y evitar las alucinaciones sea primordial, su equipo utilizará un maniquí más vasto y mucho más moroso; pero con la búsqueda y las recomendaciones, las expectativas de los usuarios marcan la velocidad. (Pathak señaló: “Nadie es paciente”). “Por ejemplo, nunca usaríamos poco tan pesado como GPT-5 solo para la detección de temas o para la cuna de entidades”, dijo. Booking.com adopta una táctica igualmente elástica cuando se tráfico de seguimiento y evaluaciones: si se tráfico de un seguimiento de propósito normal que determinado más sabe construir mejor y tiene capacidad horizontal, lo comprarán. Pero si se tráfico de casos en los que se deben hacer cumplir las pautas de la marca, crearán sus propias evaluaciones. Al final, Booking.com se ha inclinado por ser “superanticipativo”, ágil y flexible. “En este punto, con todo lo que está sucediendo con la IA, somos un poco reacios a cruzar puertas de un solo sentido”, dijo Pathak. “Queremos que la anciano cantidad posible de nuestras decisiones sean reversibles. No queremos resultar atrapados en una intrepidez que no podamos revertir adentro de dos abriles”.

Lo que otros constructores pueden educarse del delirio alrededor de la IA de Booking.com

El delirio de Booking.com a la IA puede servir como maniquí importante para otras empresas. Mirando alrededor de detrás, Pathak reconoció que comenzaron con una pila tecnológica “suficiente complicada”. Ahora están en un buen área con eso, “pero probablemente podríamos acaecer comenzado poco mucho más simple y ver cómo los clientes interactuaban con ello”. Teniendo esto en cuenta, ofreció este valioso consejo: si recién está comenzando con LLM o agentes, las API listas para usar funcionarán adecuadamente. “Hay suficiente personalización con las API que ya puedes servirse mucho ayer de osar que quieres hacer más”. Por otro flanco, si un caso de uso requiere una personalización que no está adecuado a través de una emplazamiento API normalizado, eso justifica la aprieto de herramientas internas. Aun así, enfatizó: no empiecen con las cosas complicadas. Aborde el “problema más simple y doloroso que pueda encontrar y la alternativa más simple y obvia”. Identifique el producto que encaja en el mercado, luego investigue los ecosistemas, aconsejó, pero no simplemente elimine las infraestructuras antiguas porque un nuevo caso de uso exige poco específico (como trasladar una táctica de montón completa de AWS a Azure solo para usar el punto final OpenAI). En última instancia: “No se suspensión demasiado pronto”, señaló Pathak. “No tomes decisiones que sean puertas de un solo sentido hasta que estés muy seguro de que esa es la alternativa que quieres seguir”.