Чудо «под капотом»: как ИИ бережет наши время и деньги во время перемещений по городу
Большинство пользователей воспринимают работу привычных сервисов и приложений как должное, не замечая магии, которая упрощает их жизнь, говорит старший менеджер продукта «Яндекс Такси» Никита Юлдашев: «Пассажиры относятся к ним примерно как к горячей воде. Никто ведь не пишет в службу ЖКХ: «Я сегодня пришел домой и принял такой классный душ, спасибо!».
Тем временем такси забирает нас из любого района за считанные минуты, а «Хаб» позволяет следить за движением автобусов в реальном времени. Все это возможно благодаря нейросетям, которые решают огромное количество задач, освобождая человека от рутинных действий.
«Суть машинного обучения (Machine Learning, ML) в том, что оно максимально нативное и остается незаметным для пользователей», — объясняет Никита Юлдашев, описывая работу искусственного интеллекта (ИИ), который помогает пассажирам начинать и завершать поездку в наиболее удобных точках. По его словам, пользователи все реже вручную двигают флажок на карте приложения — умные алгоритмы анализируют все необходимые данные и строят оптимальные маршруты, точно определяя места посадки и высадки.
На гибридной ML-архитектуре (системе, объединяющей разные подходы к машинному обучению для решения задач) основан и тариф «Вместе» в «Яндекс Go». Катя Максимова, руководитель команды совместных поездок, делится статистикой его использования: «Есть двое пассажиров, которые установили рекорд — совершили более 1500 совместных поездок за этот год, сэкономив порядка 165 000 рублей». Она добавляет, что на мировом рынке такси объединение заказов — устоявшийся тренд.
«Нейросеть уже выполняет роль городского ассистента, например, в нашем супераппе, — рассказывает руководитель продукта «Транспорт» Роман Красильников. — Отдельный большой вектор на 2026 год у команды — развитие мультимодального агента Mobility в транспортных сервисах. Наша амбиция — чтобы такой агент мог не просто вызывать такси, а анализировать всю имеющуюся у него информацию и предлагать оптимальный способ добраться из точки А в точку Б, совмещая разные виды транспорта, учитывая пробки и пересадки. И при этом будет просто и понятно для пользователя: напиши в чат, куда нужно добраться, и моментально получи результат. К чему мы и стремимся: передовые технологии, такие как мультиагентные системы, которые выполняют понятные каждому повседневные сценарии».
Предлагаем на примерах из жизни наших героев разобраться, как на первый взгляд незаметные технологии помогают в обычной жизни и делают ее комфортнее, а иногда и счастливее.
«Случилось чудо»
«В ноябре прошлого года я отправился в большое путешествие, и мой маршрут пролегал через Ташкент, где в то время было около +15°, Астану (–15°) и Алматы (+12°). У меня с собой не было багажа и теплых вещей — только рюкзак. Соответственно, мне нужно было очень быстро (в легкой ветровке) добраться из аэропорта Астаны до железнодорожного вокзала Нурлы Жол. По сути, это означало пройти через вьюгу, к которой я не был готов, так как двигался из одного теплого города в еще более теплый через сложную пересадку.
Перед вылетом из Ташкента я вбил в «Яндекс Картах» маршрут «Аэропорт Астаны — Нурлы Жол» и понял, что мой пункт Б — это центральный железнодорожный вокзал города. Приземлившись в Казахстане, я, естественно, уже забыл, как называется нужная мне остановка. Я просто открыл приложение «Яндекс Go», и первой предложенной точкой Б оказалась станция Нурлы Жол.
Все прошло гладко: я заказал такси, выскочил из здания аэропорта и сразу сел в машину, которая привезла меня прямо ко входу в вокзал. Я захлопнул дверь автомобиля и моментально оказался в зале ожидания (я находился на улице примерно 10 секунд), после чего благополучно занял место в поезде и оставил ноябрьский холод позади. Я был очень доволен, что не взял с собой кучу теплых вещей, которые мне бы даже не понадобились.
Казалось бы, очень простой сценарий, но за этим бытовым комфортом стоит огромная работа. Физический мир неидеален, но технологии делают нашу жизнь легче и приятнее. Проблема в том, что если бы эта история произошла не со мной — человеком, который занимается продуктом «Яндекс Такси», — а с обычным пассажиром, он бы даже не понял, что случилось чудо».
Что происходит «под капотом»?
«Комфортно добраться до пункта назначения мне помогли две фичи, в которых используется искусственный интеллект. Первая — рекомендация наиболее вероятного пункта назначения. Определив, что я нахожусь в аэропорту Астаны, нейросеть вычислила нужную мне точку Б — Нурлы Жол, изучив мои запросы в «Яндекс Картах» и «Яндекс Go» (в обоих приложениях я пользуюсь одним аккаунтом). Благодаря этому я не перепутал вокзал и не пропустил свой поезд.
Вторая фича связана с определением точки высадки — если бы я ехал до станции Нурлы Жол по навигатору, то завершил бы маршрут на парковке вокзала. Оттуда мне пришлось бы несколько минут идти пешком до входа, который не всегда отмечен в картах. Однако нейросеть запомнила, что пользователи, которые часто добираются до вокзала на такси (назовем их «эксперты»), как правило, высаживаются в одной и той же локации — около входа в здание. Именно эту точку выбрал сервис в моем случае, сократив мое пребывание на улице.
Ранее нейросеть предлагала одну, максимально близкую к заведению точку прибытия. А если у входа (где завершалась поездка) действовали ограничения на остановку, водителю нужно было проехать дальше или предложить пассажиру выйти заранее в разрешенном для этого месте.
Намного удобнее было бы сразу выбрать другую точку Б — например, через дорогу от заведения. Причиной может быть не только запрет остановки, но и крюк, который нужно совершить таксисту, чтобы добраться до входа. Это стоит дороже для пассажира и занимает больше времени, потому что у поворотов обычно скапливается пробка. И получается, что перейти дорогу занимает 15 секунд, а доехать до входа — пять-семь минут, поэтому большинство пассажиров выбирали удобную точку вручную. Теперь нейросеть запоминает предпочтения «экспертов» и автоматически предлагает нужный пункт назначения даже во время первой поездки. Это позволяет экономить время и деньги».
«Не забываю взять зонтик»
«Каждые выходные я вожу свою маленькую дочку на прогулку в парк или на занятия по гимнастике. Из-за того, что я беру с собой коляску, у меня есть предпочтения по видам транспорта: например, мне не подходит метро, хотя часто это самый быстрый способ добраться до места назначения. Гораздо комфортнее автобус, МЦК и такси, но последний вариант отпадает в часы пик, потому что стоять с ребенком в пробке очень тяжело. А еще складывать коляску, чтобы убрать ее в багажник, неудобно, если я еду одна с дочкой. Соответственно, я иду в «Хаб», выбираю маршрут и смотрю, какие варианты доступны. Я могу настроить поиск под себя: например, отключить метро и проверить, как быстро приедет автобус или такси. А потом остановиться на подходящем варианте и комфортно добраться до нужной локации с ребенком.
Также удобно, что я сразу вижу подсказку с погодой и не забываю взять зонтик или дождевики. Хотя раньше, в суматохе собираясь куда-то с дочкой, я могла легко оставить дома что-то нужное. И моих родственников больше всего впечатляют именно подсказки о плотном трафике или плохой погоде. Такая контекстность выглядит очень живой, создает эффект приятельского общения и улучшает навигацию. Получается, что теперь все вопросы о дороге закрывает единый сервис. Но главное, что нейросеть позволяет увидеть и удобный маршрут, и полезные подсказки, не идти в другие приложения и не искать информацию где-то еще».
Что происходит «под капотом»?
«При разработке «Хаба» мы выделили несколько самых важных факторов, которые влияют на выбор маршрута и транспорта: погода, пробки, спрос на такси, время в пути, скорость подачи, стоимость поездки и другие параметры.
Чтобы точнее рассчитывать рекомендации, мы внедрили в этот продукт алгоритмы машинного обучения, которые способны анализировать данные из разных сервисов «Яндекса». Таким образом мы достигли большего удобства и персонализации маршрутов пользователя. Например, от сервиса такси мы получаем информацию о времени подачи автомобиля и количестве свободных водителей поблизости. Данные из «Яндекс Карт» помогают учитывать загруженность дорог, пробки и возможные пересадки. Погодные условия учитываются с помощью технологии Meteum от «Яндекс Погоды», которая дает гиперлокальный прогноз осадков с точностью до кварталов на основе данных радаров, спутников, пользовательских сообщений и глобальных метеомоделей. Благодаря историческим данным умные модели оценивают значимость каждого фактора и в реальном времени рассчитывают, какой вариант передвижения будет логичнее в конкретной ситуации, а также быстрее или комфортнее. Важную роль играют и приоритеты пользователя. Например, если один раз выбрать предпочтительные виды транспорта, «Хаб» будет учитывать их при формировании маршрутов.
В дальнейшем мы планируем дообучать и модернизировать модель, делая ее еще более персонализированной. Она сможет учитывать жизненные ситуации (например, если пользователь часто передвигается с ребенком и коляской), общие привычки (предпочтение пеших маршрутов), выбор тарифов в такси, наличие собственного автомобиля — чтобы рекомендовать поездки на личном транспорте, — а также желание чаще пользоваться МЦК и реже — метро».
«Ребенок математики и алгоритмов»
«Я — человек системный: люблю, когда день выстроен, а каждый следующий шаг продуман заранее. Но мир меняется слишком быстро — иногда понимаешь, что задачу нужно было решить вчера и теперь опаздываешь. Поэтому в моей рутине важную роль играют ИИ-технологии «Яндекс Go». Они сопровождают меня на всем пути — от идеи поехать до навигации в движении, — подстраиваясь под реальную ситуацию и обновляясь ежеминутно.
Сейчас я переехал в другой район и постепенно осваиваю новое пространство. Привычные маршруты до встреч, тренировок и досуга полностью изменились. Однажды вечером, после тяжелого рабочего дня, я собирался в зал. Все как обычно: форма собрана, время известно, будильник прозвенел по старому плану. Но при вызове лифта я осознал: старый план больше не работает. Я не только могу опоздать, но и не до конца понимаю, как лучше ехать. Сразу открыл «Яндекс Такси». Вечер, час пик, машин в районе немного, поиск водителя затянулся. В этот момент сервис предложил поискать машину еще и в других тарифах. Я согласился — выбор машин расширился, автомобиль нашелся быстрее, и я добрался до зала, не выбиваясь из графика.
На первый взгляд, все просто: вызвал такси и успел. Но за этим стоит целая система алгоритмов, которые подстраиваются под реальные условия: плотность трафика, изменение маршрутов, доступность водителей. Для меня это прошло почти незаметно, хотя могло бы стать стрессом и потерей времени».
Что происходит «под капотом»?
«Если поиск машины продолжается дольше обычного, сервис автоматически предлагает альтернативу — другой тариф или способ поездки. Алгоритм оценивает текущую длительность поиска, анализирует статус заказов поблизости и доступность водителей из других тарифов, чтобы сервис предложил вариант, который сокращает ожидание. Эффективность алгоритма ML здесь не в прогнозах или обучении на исторических данных. Он оценивает и реагирует в реальном времени, участвуя в подборе оптимального решения, чтобы поездка началась быстрее.
А для маршрутов с общественным транспортом мы в «Яндекс Go» используем еще и данные городских служб о расписаниях и GPS-трекеры автобусов, обновляющиеся каждые 5–7 секунд. Алгоритмы машинного обучения анализируют плотность трафика, предсказывают длительность пробок и формируют оптимальные маршруты. Благодаря этому мы получаем актуальное время в пути и можем выйти из дома с учетом реального прибытия транспорта.
Так технологии в супераппе воплощаются в возможностях личного помощника, который преобразует сложные запросы в интуитивные решения. Это и правда снижает когнитивную нагрузку и позволяет вариативно планировать перемещения без долгого изучения всего контекста о транспорте».
Идеальные попутчики
«Считаю, в современном городе привычка делить поездку с попутчиком должна стать базой: так удобно и выгодно (до 40% от обычной цены, кстати), особенно если не сильно опаздываешь и в запасе есть лишние 15 минут. Поскольку по правилам совместных поездок салон делят максимум двое и без крупного багажа, комфорт почти не теряется.
Иногда в тарифе «Вместе» случаются и неожиданные истории. В этом году мы получили два рассказа от пассажиров, где они встретились с действительно идеальными попутчиками, с которыми и свадьбу сыграть можно. Зимой 2022 года (когда мы только запустили «Вместе») москвичка Мария опаздывала на работу и воспользовалась совместной поездкой из-за повышенного спроса. Попутчиком оказался приятный мужчина, с которым у нее сразу завязался диалог. Общение переросло в отношения, и через два с половиной года пара поженилась. По словам наших пользователей, с той поездки началась их лавстори.
Недавно мы узнали, что еще одна пара поженилась — можно сказать, благодаря карпулингу (формату совместных поездок). В этот раз первым сел парень, ехавший с корпоратива, а его попутчице предстоял длинный маршрут из центра в спальный район. Кстати, именно для таких долгих поездок выгода действительно заметнее в больших городах: экономия получается выше. А дальше все как в образцовых ромкомах — через год он сделал предложение, и ребята поженились».
Что происходит «под капотом»?
«Технически суть тарифа в том, чтобы объединять пассажиров, чьи маршруты примерно совпадают. Если два человека готовы ехать вместе, алгоритм «склеивает» их заказы. Водитель забирает и довозит обоих в разные точки по пути, поэтому поездка становится чуть дольше — в среднем на 10 минут, но при этом выгоднее. В момент постановки точки Б, еще до оформления заказа, система за доли секунды находит рядом всех возможных кандидатов в попутчики. Если подходящих поблизости нет, сервис оценивает вероятность появления таких идеальных кандидатов — тут и вступают алгоритмы искусственного интеллекта.
ИИ в тарифе «Вместе» прогнозирует степень совпадения маршрутов и обеспечивает корректное формирование персональной скидки. Модель машинного обучения «под капотом» работает на гибридной архитектуре: часть признаков обрабатывается онлайн, в момент расчета цены еще до заказа поездки (например, время, плотность заказов, направление движения), часть — офлайн, опираясь на исторические данные о поведении пассажиров и динамике спроса.
Количество таких признаков — около 30 и постоянно пополняется, благодаря чему модель работает стабильнее и точнее. Среди них — время суток, день недели, праздничность, локация, где пассажир ожидает такси, направление движения и количество заказов в районе на данный момент и в прошлом. ML-алгоритм прогнозирует вероятность совпадений для всех пассажиров, в реальном времени пересчитывая варианты при отменах или появлении новых заказов.
Согласно свежей статистике, в некоторых российских городах, где тариф действует около года, благодаря постоянному дообучению умной модели в основе тарифа доля совпадений выросла почти в полтора раза, а количество совместных поездок увеличилось вдвое. Рост и частота появления скидок, как следствие, тоже произошли. Совместные поездки чаще всего выбирают, когда спрос увеличивается. Например, во время предновогодних снегопадов, праздников или просто утром в час пик, когда больше людей выезжает по делам или на работу».