Az Expedia Group éles különbséget tesz azonnal működő AI és a skálázódó, tartósan megbízható AI között. Számos szervezet a gyors működésre optimalizál, de ritkán kérdezi meg magától, hogy az adott megoldás hosszú távon is tartható-e és kiterjeszthető-e több csapatra és üzleti esetre.
A cég tapasztalata szerint a legnehezebb feladat nem az, hogy egyszer sikeresen működő modellt készítsenek, hanem az, hogy olyan rendszereket építsenek, amelyek folyamatosan működnek, skálázhatók, és idővel következetesen javulnak. Ma az AI rendszerek többre képesek, mint előrejelzés vagy optimalizálás: beszélnek, érvelnek és egyre gyakrabban cselekszenek is a felhasználó nevében. Ha egy autonóm rendszer döntéseket hoz egy utazó helyett, az egészen más elvárásokat támaszt a megbízhatóság, kormányzás és elszámoltathatóság terén.
Az Expedia Group több év alatt alkalmazta az ML- és AI-megoldásokat az utazói ügyfélélmény különböző pontjain: személyre szabás, rangsorolás, ajánlások, csalásmegelőzés, ügyfélszolgálat, és mostanra generatív és ügynökalapú (agentic) AI-élmények is szerepelnek az eszköztárban. E tapasztalat alapján dolgoztak ki elveket, amelyek irányt adnak az AI rendszerek tervezéséhez, bevezetéséhez és fejlesztéséhez a vállalaton belül.
A cél és az elvek
A cél egyszerű: biztosítani, hogy a kiépített rendszerek valódi üzleti értéket teremtsenek, skálázhatók legyenek és biztonságosan működjenek. Az elvek meghatározzák, hogyan mérjük, tervezzük, kormányozzuk és üzemeltetjük ezeket a rendszereket.
Az elvektől a gyakorlatig
Magát az elvek publikálását viszonylag könnyű megtenni; a nehezebb feladat az, hogy ezekből működési mechanizmusokat alakítsanak ki: ajánlásokat, követelményeket, eszközöket és kiadási folyamatokat, amelyeket a csapatok ténylegesen használnak. Ennek része az úgynevezett „Agentic Release” tolldíjkapuk bevezetése: ajánlott és bizonyos esetekben kötelező ellenőrzések sorozata az ügynökalapú AI-funkciók bevezetése előtt. Ezek a kapuk a tulajdonjog, a kockázat alapú kormányzás, az értékelés, a biztonságos bevezetés és a folyamatos monitorozás elveit fordítják le konkrét elvárásokká a csapatok számára.
Egyes ajánlásokat és követelményeket már automatizálják és integrálják a szoftverfejlesztési életciklusba (SDLC). A hosszú távú cél az, hogy ezek az elvárások a tervezés, értékelés, jóváhagyás, kiadás és monitorozás alapját képezzék már a fejlesztés kezdetétől.
Eredmények: azt mérni, ami számít
Az első kritérium bármely modell számára az, hogy javítja-e az üzleti eredményt és végső soron az utazói élményt — nem az, hogy önmagában jobb-e egy technikai mérőszámban.
- Üzleti hatással összhangban mért modellek: minden ML-munka kötődjön közvetlenül egy kulcsüzleti eredményhez vagy utazói élmény-mutatóhoz. A technikai optimalizációk köztes lépcsők, nem célok.
- Költségarányos megtérülés optimalizálása: a modell által létrehozott értéknek indokolnia kell a fejlesztés, tréning és monitorozás ráfordításait, valamint az üzemeltetési komplexitást.
- Komplexitás igazolása erős bázissal: a bonyolultságnak meg kell érdemelnie a helyét — kezdeni erős bázissal (általános modell, egyszerű heurisztika vagy kész megoldás), és csak akkor térni át specializált megközelítésre, ha a egyszerűbb opciók nem elégségesek.
- Offline és online értékelés kötelező: egy modell nem mehet széles körű bevezetésre csupán offline validáció alapján, és nem ugorhat egyből A/B tesztre. Mindkét értékelés szükséges, és a cél, hogy az offline eredmények megbízhatóan jelezzék az online viselkedést.
Tervezés: rendszerek, amelyek túlmutatnak egy csapaton
Egy működő modell létrehozása csak az első lépés; a nehezebb feladat az értékét kiterjeszteni több csapatra és esetre.
- Megosztott alapokra építés; specializáció csak indokolt esetben: előnyben részesítik a platformszintű alapokat az alapvető képességek, adatreprezentációk és modellelemek számára. A specializáció ezekre az alapokra épüljön, ne izolált technológiai veremre, hogy az alap javulása szerte az szervezeten érezhető legyen.
- Az adatok mint elsőrendű termék kezelése: a modell minőségét az adatok minősége korlátozza. Robusztus csővezetékekre, egyértelmű lineage-re, reprodukálhatóságra és újrahasználható feature-ökre van szükség, dokumentált tulajdonossal, világos sémákkal és más csapatok számára elérhető SLA-kkal.
- Általánosság előnyben a helyi optimalizációval szemben: ha két megközelítés hasonlóan teljesít, válasszák azt, amelynek tanulságai, eszközei és működési mintái újrahasznosíthatók csapatok, márkák és esetek között.
- Kézi üzleti szabályok minimalizálása és megszüntetése: a kézi szabályok néha szükségesek, de legyenek explicitek és rendszeresen felülvizsgálva; ne váljanak csendes javításokká vagy fenntarthatatlan karbantartási adóssággá.
- Reprodukálhatóság és nyomonkövethetőség alapértelmezettként: tréningadatok, feature-ök, konfigurációk, értékelési eredmények, bevezetési verziók és kulcsfontosságú döntések dokumentálása és visszakereshetősége szükséges a későbbi hibakereséshez és átadás-átvételhez.
Bizalom: tulajdonlás, kormányzás és felelős működés skálázva
A bevezetési küszöb nem csak az, hogy „működik-e?”, hanem hogy „ki tudunk-e mögé állni?”. A bizalom nem egy utólagos extra; idővel kell kiérdemelni és a modell teljes életciklusa alatt fenntartani.
- Egyértelmű tulajdon és elszámoltathatóság: minden modellnek legyen definiált tulajdonlása az életciklus során — üzleti tulajdonos, terméktulajdonos, AI-tulajdonos és üzemeltetési tulajdonos. Nem kell, hogy ez négy külön személy legyen, de a felelősségek legyenek explicit megfogalmazva.
- Szabványok és kormányzás betartása: az AI/ML-modelleknek jóváhagyott platformokat kell használniuk és meg kell felelni a vállalati szabványoknak, kiadási kapuknak és kormányzási folyamatoknak. A kereteken kívüli működéshez világos utat kell definiálni a javításra vagy kivonásra.
- Kockázathoz arányos kormányzás: a felülvizsgálat, értékelési szigor és emberi felügyelet mértéke igazodjon a modell hatásához. Nagyhatású vagy autonóm rendszerek esetén eleve beépített emberi ellenőrzési pontok szükségesek.
- Méltányosság, adatvédelem és átláthatóság: aktívan tesztelik a nem kívánt torzításokat, erős adatvédelmi korlátokat alkalmaznak, és előnyben részesítik az értelmezhetőséget, ha a döntések jelentősen befolyásolják a felhasználókat.
- Biztonságos bevezetés, visszavonás és kontroll: a kiadások fokozatosak, és előre készen kell állni visszavonási utakra, fallback mechanizmusokra és circuit breakerekre.
- Folyamatos monitorozás és adaptáció: élesben a csapatok folyamatosan figyelik a minőséget, driftet, késleltetést, költséget és üzleti teljesítményt, és szükség szerint átképzést vagy újrabeállítást végeznek.
Ezek az elvek nemcsak azt határozzák meg, hogyan épít az Expedia Group, hanem azt is, mit hajlandó piacra dobni és hogyan vállal érte felelősséget. Egy olyan világban, ahol az AI rendszerek egyre több döntést hoznak valós utazókért és partnerekért, ezek a szabványok létfontosságúak. Ha következetesen alkalmazzák őket, felelős, hosszú távon működő AI építhető.
Xavi Amatriain, az Expedia Group Chief AI and Data Officer-e további részleteket oszt meg az Expedia architektúrájáról a VB Transform rendezvényen 2026. július 14-én, helyi idő szerint 11:10-kor (PT). Az előadás címe: "Expedia's blueprint for building autonomous agents for high-stakes transactional systems." A VB Transform 2026-ra regisztrálni lehet, és néhány meghívásos ingyenes jegy korlátozott számban elérhető vezető technológiai szakemberek számára.
