Apa yang diajarkan miliaran prediksi AI kepada Expedia sebelum zaman agen AI
Ada perbedaan penting antara AI yang baru berfungsi saat ini dan AI yang bertahan dalam skala besar. Banyak perusahaan mengoptimalkan upaya pertama tanpa pernah bertanya apakah mereka sedang membangun upaya kedua. Kecepatan tanpa disiplin dan arahan strategis adalah suatu kerugian, bukan aset. Bagian tersulit dalam membangun AI dalam skala besar bukanlah membuat model berfungsi satu kali saja. AI membangun sistem yang terus berfungsi, melampaui tim individu dan kasus penggunaan, serta terus meningkat secara konsisten dari waktu ke waktu. Sistem AI saat ini melakukan lebih dari sekadar memprediksi dan mengoptimalkan. Mereka berbincang, bernalar, dan semakin banyak mengambil tindakan. Sistem otonom yang mengambil keputusan atas nama wisatawan menciptakan ekspektasi yang sangat berbeda seputar keandalan, tata kelola, dan akuntabilitas. Ketika AI mengambil lebih banyak peran tersebut, prinsip-prinsip di balik bagaimana sistem ini beroperasi menjadi semakin penting. Kami telah menghabiskan waktu bertahun-tahun untuk menerapkan AI dan pembelajaran mesin (ML) di seluruh perjalanan wisatawan — mulai dari personalisasi, pemeringkatan, dan rekomendasi, hingga pencegahan penipuan, dukungan pelanggan, dan, yang terbaru, pengalaman AI generatif dan agen. Kedalaman pengalaman itulah yang mendorong kami mengembangkan serangkaian prinsip ML dan AI untuk memandu cara kami membangun, menerapkan, dan mengembangkan sistem AI di seluruh perusahaan kami. Tujuannya sederhana: Memastikan sistem yang kami bangun menciptakan nilai bisnis yang nyata, berkembang, dan beroperasi dengan aman. Prinsip-prinsip ini menentukan cara kami mengukur, merancang, mengatur, dan mengoperasikan sistem kami. Dari prinsip hingga praktik. Prinsip-prinsip penerbitan adalah bagian yang mudah. Pekerjaan yang lebih sulit dan lebih penting adalah mengubahnya menjadi mekanisme operasi: Rekomendasi, persyaratan, peralatan, dan proses rilis yang benar-benar digunakan oleh tim. Kami telah mulai menggunakan gerbang tol ‘Rilis Agentik’: Serangkaian pemeriksaan yang direkomendasikan dan, dalam beberapa kasus, diperlukan sebelum meluncurkan fitur AI agen. Gerbang tol ini menerjemahkan prinsip-prinsip seperti kepemilikan yang jelas, tata kelola berbasis risiko, evaluasi, peluncuran yang aman, dan pemantauan menjadi harapan nyata bagi tim. Beberapa rekomendasi dan persyaratan ini sudah diotomatisasi dan diintegrasikan ke dalam siklus hidup pengembangan perangkat lunak (SDLC). Seiring berjalannya waktu, tujuannya adalah agar ekspektasi ini tertanam dalam cara kami merancang, mengevaluasi, menyetujui, meluncurkan, dan memantau sistem AI sejak awal. Hasil: Mengukur apa yang sebenarnya penting Tes pertama untuk model apa pun adalah apakah model tersebut meningkatkan hasil bisnis dan, pada akhirnya, pengalaman wisatawan — bukan apakah model tersebut hanya meningkatkan metrik teknis. Menyelaraskan model dengan metrik dengan dampak bisnis: Setiap upaya ML harus terkait langsung dengan metrik hasil bisnis utama atau pengalaman wisatawan. Pengoptimalan teknis adalah titik tengah yang berguna, bukan tujuan akhir. Optimalkan laba atas biaya: Nilai yang diciptakan model harus sesuai dengan biaya pengembangan, pelatihan, dan pemantauan, ditambah kompleksitas operasional yang ditambahkannya. Pilihlah solusi yang memberikan dampak jangka panjang dibandingkan dengan biaya operasionalnya. Justifikasi kompleksitas berdasarkan dasar yang kuat: Kompleksitas harus diperoleh, bukan diasumsikan. Mulailah dengan dasar yang kuat: Model umum yang sudah ada, heuristik sederhana, dan solusi siap pakai. Jangkau model khusus atau arsitektur yang lebih kompleks hanya ketika opsi yang lebih sederhana benar-benar tidak dapat memenuhi standar. Memerlukan evaluasi offline dan online: Tidak ada model yang diterapkan secara luas hanya dengan validasi offline atau langsung ke pengujian A/B. Setiap model harus tampil dalam evaluasi offline dan online. Seiring berjalannya waktu, evaluasi offline kita akan dapat memprediksi secara andal apa yang kita lihat secara online. Desain: membangun sistem yang mampu melampaui skala tim yang membangunnya. Mendapatkan model yang berfungsi adalah salah satu tantangannya. Membuat nilainya melampaui satu tim atau kasus penggunaan adalah hal yang lebih sulit. Membangun fondasi bersama; berspesialisasi hanya jika dibenarkan: Mendukung landasan bersama di seluruh platform untuk kemampuan inti, representasi data, dan blok penyusun model. Spesialisasi harus dibangun di atas fondasi tersebut, bukan hanya menumpuk tumpukan yang terisolasi, sehingga ketika fondasinya membaik, keuntungan akan mengalir ke seluruh organisasi. Perlakukan data sebagai produk kelas satu: Kualitas model dibatasi oleh kualitas datanya. Kita perlu mempertahankan pipeline yang kuat, garis keturunan yang jelas, reproduktifitas, dan fitur yang dapat digunakan kembali yang dibangun dengan kepemilikan terdokumentasi, skema yang jelas, dan SLA yang dapat diandalkan oleh tim lain. Prioritaskan hal yang bersifat umum dibandingkan pengoptimalan lokal: Ketika dua pendekatan memiliki kinerja serupa, pilihlah pendekatan yang pembelajaran, aset, dan pola operasinya dapat digunakan kembali di seluruh tim, merek, dan kasus penggunaan. Kita harus mengoptimalkan tidak hanya kinerja lokal, namun juga seberapa cepat perbaikan dapat menyebar ke seluruh perusahaan dan bertambah seiring berjalannya waktu. Minimalkan dan hentikan aturan bisnis manual: Aturan manual terkadang diperlukan untuk kebijakan, keselamatan, atau kepatuhan, namun aturan tersebut harus eksplisit dan ditinjau secara berkala, tidak pernah menutup-nutupi model yang lemah atau sumber utang pemeliharaan permanen. Reproduksibilitas dan ketertelusuran secara default: Data pelatihan, fitur, konfigurasi, hasil evaluasi, versi penerapan, dan keputusan penting semuanya harus didokumentasikan dan dapat dipulihkan. Hal itulah yang memungkinkan Anda men-debug masalah produksi beberapa bulan kemudian dan menyerahkan kepemilikan tanpa kehilangan pengetahuan institusional. Kepercayaan: kepemilikan, tata kelola, dan pengoperasian secara bertanggung jawab dalam skala besar Batasan penerapan AI bukan hanya “apakah berhasil?” Itu adalah “bisakah kita mendukungnya?” Kepercayaan bukanlah sesuatu yang Anda tambahkan pada akhirnya; hal ini diperoleh dari waktu ke waktu dan dipertahankan sepanjang siklus hidup setiap model yang kami kirimkan. Tetapkan kepemilikan dan akuntabilitas yang jelas: Setiap model memerlukan kepemilikan yang jelas di seluruh siklus hidupnya — pemilik bisnis, pemilik produk, pemilik AI, dan pemilik operasional. Tidak perlu empat orang, tapi tanggung jawabnya harus jelas. Siapa yang bertanggung jawab atas hasilnya? Siapa yang merespons jika modelnya melayang? Siapa yang menjawab kejadian jam 2 pagi? Tanpa adanya hal ini, model akan menjadi tidak berguna dan masalah akan muncul tanpa ada yang memilikinya. Mematuhi standar dan tata kelola: Model AI dan ML harus menggunakan platform yang disetujui dan mematuhi standar perusahaan, gerbang rilis, dan proses tata kelola yang telah ditetapkan. Beroperasi di luar batasan ini memerlukan jalur remediasi atau penghentian yang jelas dan pasti, bukan pengecualian yang bersifat terbuka. Kelola risiko secara proporsional: Tingkat peninjauan, ketelitian evaluasi, dan pengawasan manusia harus disesuaikan dengan dampak model. Model yang berhubungan dengan pelanggan yang memengaruhi harga atau ketersediaan bagi jutaan wisatawan memerlukan standar yang jauh lebih tinggi dibandingkan alat internal yang digunakan oleh tim kecil. Untuk sistem yang berdampak tinggi, sensitif terhadap keselamatan, atau sangat otonom, pos pemeriksaan yang melibatkan manusia dibangun sejak awal. Desain yang mengutamakan keadilan, privasi, dan transparansi: Kami secara aktif menguji bias yang tidak disengaja, memiliki batasan data yang kuat, dan mengutamakan penjelasan ketika keputusan berdampak besar pada pengguna. Ini digabungkan sejak awal, bukan ditambahkan. Desain untuk peluncuran, rollback, dan kontrol yang aman: Penerapan bersifat progresif, dengan jalur rollback, mekanisme fallback, dan pemutus sirkuit yang siap sebelum diluncurkan. Kemampuan untuk membatalkan penerapan dengan aman sama pentingnya dengan kemampuan untuk mengirimkannya. Pantau terus menerus dan beradaptasi: Setelah aktif, tim harus secara aktif memantau kualitas, penyimpangan, latensi, biaya, dan kinerja bisnis serta melatih ulang atau mengkalibrasi ulang ketika data berpindah. Sebuah tim harus selalu dapat menjelaskan bagaimana kinerja modelnya saat ini, bukan hanya bagaimana kinerjanya ketika diluncurkan. Prinsip-prinsip ini lebih dari sekadar menentukan cara kami membangun. Mereka menentukan apa yang ingin kami kirimkan dan bagaimana kami mendukungnya. Di dunia di mana sistem AI semakin berperan penting dan dapat mengambil keputusan nyata bagi wisatawan dan mitra, standar-standar ini penting. Diterapkan secara konsisten, mereka membangun AI yang bertanggung jawab dan bertahan lama.Xavi Amatriain adalah Chief AI dan Data Officer di Expedia GroupXavier akan berbagi lebih banyak detail tentang arsitektur Expedia selama sesinya di VB Transform pada 14 Juli pukul 11:10 PT. Dia akan membahas: “Cetak biru Expedia untuk membangun agen otonom untuk sistem transaksi berisiko tinggi.” Tertarik untuk mengikuti VB Transform 2026? Daftar di sini. Sejumlah tiket gratis tertentu juga tersedia bagi para pemimpin teknologi senior. Hubungi kami untuk mendapatkan milik Anda.Selamat datang di komunitas VentureBeat!Program postingan tamu kami adalah tempat para pakar teknis berbagi wawasan dan memberikan penjelasan mendalam yang netral dan tidak terikat pada AI, infrastruktur data, keamanan siber, dan teknologi mutakhir lainnya yang membentuk masa depan perusahaan.Baca lebih lanjut dari program postingan tamu kami — dan lihat pedoman kami jika Anda tertarik untuk menyumbangkan artikel Anda sendiri!
Diterbitkan : 2026-07-06 15:00:00
sumber : venturebeat.com
