شاركت DoorDash البنية وراء Ask DoorDash، مساعد المحادثة الذي يعمل بالذكاء الاصطناعي والذي يساعد المستهلكين على اكتشاف المطاعم، وتخطيط الوجبات، وبناء عربات البقالة عبر تفاعلات اللغة الطبيعية. على مدار التعمق الهندسي المكون من ثلاثة أجزاء، وصفت الشركة كيفية بناء النظام باستخدام نماذج لغوية كبيرة، ووكلاء الذكاء الاصطناعي المتخصصين، والأدوات المستندة إلى بروتوكول السياق النموذجي (MCP)، وذاكرة المستهلك المستمرة، والبنية التحتية للتقييم الآلي لتشغيل تجارب تعتمد على الذكاء الاصطناعي في الإنتاج.
أبلغت DoorDash عن نتائج الإنتاج المبكرة التي أظهرت أن ذاكرة المستهلك المحسوبة أدت إلى تحسين التحويل عند الخروج من البقالة بنسبة 24% تقريبًا، وزيادة أحجام السلة بنسبة 17%، وتقليل دورات المحادثة بنسبة 7% خلال تقييم لمدة سبعة أيام. بالنسبة لاكتشاف المطاعم، حقق المساعد معدل تحويل أعلى بنسبة 15% في الاستعلامات المفتوحة. أبلغت الشركة أيضًا عن تحسينات في قياس جودة وكيل الذكاء الاصطناعي من خلال التقييم الآلي، مما يتيح التحقق بشكل أسرع من تغييرات النموذج والنظام.
كما أشار راجاف سابو، RecSys ورئيس البحث في DoorDash، في منشور،
من الصعب بناء وكيل ذكاء اصطناعي مفيد. إن معرفة ما إذا كانت جيدة بالفعل أمر أصعب.
للتحقق من صحة سلوك وكيل الذكاء الاصطناعي في الإنتاج، قامت DoorDash ببناء إطار تقييم تلقائي يحاكي محادثات العملاء ذات الحالة الواضحة باستخدام المستخدمين الذين تم إنشاؤهم بواسطة LLM وتركيبات الأدوات المسجلة. يعكس إطار العمل وقت تشغيل الإنتاج لتقييم التنسيق وحواجز الحماية ووكلاء المجال بشكل مستقل. قالت DoorDash إن النظام الأساسي قام بتوسيع قياس الجودة إلى أكثر من 2000 تقييم آلي يوميًا، وتحسين درجات الجودة بثماني نقاط، وتقليل اختبار الانحدار من ست ساعات إلى عشرين دقيقة، والتحقق من صحة ترحيل النموذج الذي قلل من زمن الوصول بنسبة 35% مع الحفاظ على الجودة.
تفصل البنية وراء Ask DoorDash التنسيق عن إمكانات الأعمال. يقوم مساعد Runtime بتنسيق التفاعلات بين الوكلاء المتخصصين، بينما تكشف طبقة MCP المشتركة عن وظائف الأعمال، بما في ذلك البحث في الكتالوج، والتوصيات، وعربات التسوق، والخروج، وسجل الطلبات، وذاكرة المستهلك. بدلاً من دمج منطق الأعمال مباشرة في المطالبات، يقوم المساعد باستدعاء أدوات قابلة لإعادة الاستخدام مدعومة بخدمات DoorDash الحالية، مما يسمح لتجارب الذكاء الاصطناعي المتعددة بمشاركة عمليات التكامل بينما تتطور قدرات الواجهة الخلفية بشكل مستقل.
بنية وقت تشغيل مساعد DoorDash (المصدر: منشور مدونة DoorDash)
وفي منشور على LinkedIn للإعلان عن هذه الميزة، تسلط الشركة الضوء على التحدي الأساسي
لا يحتاج الوكلاء فقط إلى الوصول إلى بيانات المستخدم. إنهم بحاجة إلى السياق المناسب، للمهمة المناسبة، في اللحظة المناسبة.
قدمت DoorDash طبقة ذكية تدير التخصيص من خلال ثلاثة أنظمة ذاكرة. يتم إنشاء الذاكرة طويلة المدى دون الاتصال بالإنترنت من سلوك المستهلك التاريخي لالتقاط التفضيلات مثل المأكولات المفضلة والقيود الغذائية. تحافظ ذاكرة الجلسة على سياق المحادثة أثناء التفاعل، بينما تقوم الذاكرة الوكيلة بتخزين الحقائق الواضحة التي يقدمها المستهلكون. يتم استرجاع الذكريات ذات الصلة من خلال البحث عن المتجهات الدلالية، وتصنيفها، ودمجها في المطالبات، وفصل إدارة الذاكرة عن استنتاج النموذج.
الذاكرة مصممة عبر الإنشاء وطبقة الأدوات والتخزين والسياسة والوكلاء (المصدر: منشور مدونة DoorDash)
وفي منشور على موقع LinkedIn يعلن عن هذه الميزة، قال آندي فانغ، المؤسس المشارك لشركة DoorDash
يمكن لـ Ask DoorDash أن ينشئ لك عربة بقالة أسرع بنحو 5 مرات من القيام بذلك يدويًا، ويستغرق الأمر مطالبة واحدة لإكمال عربة التسوق الخاصة بك في أقل من دقيقتين.
تم التأكيد على DoorDash أن النظام الأساسي يعمل على تحسين زمن الوصول والموثوقية من خلال التحسينات التشغيلية، بما في ذلك الإجراءات الحتمية التي تعمل على تحديث العناصر ذات الإصدارات دون استدعاء نموذج اللغة وسير عمل التأكيد للتوصيات والعربات التي تم إنشاؤها. تتوافق البنية مع النموذج الهندسي لـ DoorDash، حيث تقوم فرق المجال ببناء وكلاء متخصصين بينما تحافظ فرق النظام الأساسي على التنسيق وأدوات MCP والذاكرة والتقييم والمكونات المشتركة.
يشير DoorDash إلى أن وكلاء الذكاء الاصطناعي للإنتاج يقدمون التعقيد من خلال التنسيق والاسترجاع وتنسيق الأدوات، لكن هذه الاستثمارات تتيح بنية تحتية قابلة لإعادة الاستخدام وتحسين الموثوقية والتطور المستقل لقدرات المجال.
