Việc ứng dụng Mô hình Ngôn ngữ Lớn (LLM) vào hệ thống điều phối xe công nghệ quy mô công nghiệp luôn là một bài toán hấp dẫn nhưng đầy thách thức. Mặc dù các thuật toán ghép nối truyền thống vẫn phụ thuộc chủ yếu vào dữ liệu số có cấu trúc, những tín hiệu hành vi then chốt – như thói quen né tránh một số khu vực của tài xế – lại mang tính ngữ cảnh cao và có thể được diễn đạt tự nhiên qua hồ sơ người dùng do LLM tạo ra. Tuy nhiên, việc mở rộng hồ sơ hóa này cho một hệ thống điều phối trực tiếp, yêu cầu độ trễ mili giây, phải đối mặt với ba rào cản lớn mà ít khi được giải quyết đồng bộ:
* Dữ liệu khổng lồ: Với hàng triệu đơn hàng mỗi ngày, lượng nhật ký hành vi vượt xa khả năng xử lý của bất kỳ cửa sổ ngữ cảnh LLM nào. * Người dùng "đầu dài": Phần lớn người dùng có quá ít tương tác để tạo hồ sơ cá nhân hóa. * Hiệu quả thực tế: Hồ sơ mượt mà về mặt ngôn ngữ không nhất thiết cải thiện hiệu quả dự đoán.
Để giải quyết những thách thức này, DiDi – ông lớn trong ngành gọi xe – đã giới thiệu ProfiLLM (tên đầy đủ: Utility-Aligned Agentic User Profiling for Industrial Ride-Hailing Dispatch, theo arXiv:2606.18803), một hệ thống dữ liệu LLM thông minh nhằm định hình hồ sơ người dùng có căn chỉnh tiện ích cho các hệ thống ghép nối sản xuất. 💡
Cấu Trúc Đột Phá của ProfiLLM: Hai Mô-đun Chính
ProfiLLM hoạt động dựa trên hai mô-đun chính, cùng nhau giải quyết các vấn đề về quy mô, độ chính xác và tính hữu dụng:
1. Khai Thác Kiến Thức Toàn Cầu Bằng Công Cụ (Tool-Augmented Global Knowledge Mining): Mô-đun này trang bị cho tác tử LLM tới 27 công cụ phân tích để "đào" dữ liệu khổng lồ của nền tảng. Từ đó, ProfiLLM tạo ra: * Kiến thức toàn cầu có thể tái sử dụng. * Các quy tắc phân cụm người dùng thích ứng. * Thông tin tiên nghiệm về cung-cầu ở cấp độ khu vực.
2. Khám Phá Hồ Sơ Căn Chỉnh Tiện Ích (Utility-Aligned Profile Exploration): Sau khi có kiến thức toàn cầu, hệ thống sẽ tạo ra nhiều hồ sơ ứng viên cho mỗi cụm người dùng. Các hồ sơ này được đánh giá thông qua một "đại diện tiện ích" (lightweight downstream utility proxy) nhẹ, sau đó liên tục được tinh chỉnh để chọn ra ứng viên tốt nhất. Cuối cùng, các cặp ưu tiên sẽ được xây dựng để tinh chỉnh mô hình bằng phương pháp DPO (Direct Preference Optimization).
Hiệu Quả Ấn Tượng Từ Việc Triển Khai Thực Tế
ProfiLLM đã được triển khai trên hệ thống điều phối sản xuất của DiDi và mang lại những kết quả đầy thuyết phục:
* Cải thiện dự đoán: Tăng tới +6.14% AUC tương đối trong dự đoán kết quả. * Tăng trưởng GMV: Đạt mức tăng +4.35% GMV (Tổng giá trị hàng hóa) trong mô phỏng điều phối. * Kiểm định A/B trực tuyến (14 ngày): * Tăng +0.47% GMV. * Tăng +0.33% Tỷ lệ hoàn thành chuyến (Completion Rate). * Giảm -0.82% Tỷ lệ hủy trước khi chấp nhận (Cancel-Before-Accept rate).
Những con số này không chỉ chứng minh khả năng của ProfiLLM trong việc xử lý dữ liệu quy mô lớn mà còn khẳng định giá trị thực tiễn trong việc nâng cao hiệu quả hoạt động và trải nghiệm người dùng trên nền tảng gọi xe. Việc DiDi thành công trong việc tích hợp ProfiLLM cho thấy tiềm năng to lớn của các mô hình LLM đại diện (agentic LLMs) trong việc giải quyết các bài toán công nghiệp phức tạp. Đây không chỉ là một bước tiến quan trọng cho ngành xe công nghệ mà còn mở ra hướng đi mới cho việc ứng dụng AI trong việc hiểu hành vi người dùng và tối ưu hóa hệ thống ở quy mô lớn. 🚀