Booking.com 與 OpenAI 個人化整合
Booking.com 與 OpenAI 合作，將大型語言模型（LLM）整合至其旅遊市場平台，從傳統的基於篩選的搜尋轉變為對話式、以探索為導向的體驗。此整合使平台能夠捕捉細緻的使用者意圖，並在大規模上個性化旅遊規劃。
使用 AI 解決探索挑戰
傳統的機器學習與規則式系統難以捕捉旅遊規劃早期探索階段中使用者意圖的具體細節。雖然 Booking.com 提供了數百種篩選條件，但這些條件要求使用者必須明確知道自己在找什麼，導致難以呈現小眾偏好（例如具特定主題的「浪漫度假」）或未被過度開發的目的地。
透過利用 OpenAI 的模型，Booking.com 轉向對話式介面，讓客戶在規劃流程的較早階段即能互動，從而發掘他們先前可能未曾考慮的目的地與體驗。
AI 旅行規劃師
Booking.com 在 10 週內開發並推出 AI 旅行規劃師，將 OpenAI 的 GPT 模型與其自有的價格、可用性與住宿細節資料整合。
主要技術實作
- 資料整合：系統將結構化資料（價格、取消政策、可用性）與非結構化資料（使用者評論與自然語言描述）結合，以產生精選建議。
- 自然語言映射：模型將對話提示映射至結構化資料，使系統能處理開放式問題，例如「我該去哪裡在歐洲度過浪漫的週末？」
- 快速原型：此解決方案使用 OpenAI 的 API 以及以黑客松為驅動的開發週期建置，於三個月內從概念走向上線。
AI 驅動的產品功能
Booking.com 已部署多項以 OpenAI 模型為動力的旗艦功能，以簡化使用者旅程：
| 解決方案 | 解決的挑戰 | 技術實作 |
|---|---|---|
| 智慧篩選 | 下拉選單與核取方塊的限制 | 使用 GPT-4o mini 分析評論、圖片與房源細節，以理解「日落景觀」或「優秀健身房」等提示。 |
| 住宿問答 | 靜態房源資訊無法回答特定旅客問題 | 針對使用者產生的內容與住宿描述微調 LLM，以回答關於嬰兒床、泳池可用性或寵物政策等問題。 |
| AI 評論摘要 | 難以篩選成千上萬的評論 | GPT-4o mini 分析評論，總結如清潔度、地點與設施等關鍵主題。 |
| 協助回覆 | 合作夥伴的客戶溝通效率低下 | 使用 OpenAI 模型產生自動回覆與可自訂範本，並包含「回覆分數」以追蹤效能。 |
對使用者行為與績效的影響
Booking.com 報告顯示參與度與滿意度都有可衡量的提升，且使用者與平台互動方式亦發生變化：
- 提升參與度：使用者在平台上花費更多時間，透過 AI 旅行規劃師探索個人化行程。
- 搜尋效率：智慧篩選減少了使用者搜尋特定結果的時間。
- 支援需求減少：住宿問答透過提供精確的應用內答案，降低了客戶支援聯絡量。
- 預訂信心：評論摘要讓旅客能更快速且減少不確定性地做出決策。
隨著使用者行為演變，查詢已從簡單的關鍵字搜尋（例如「Myrtle Beach」）轉變為詳細的對話式需求（例如「我想在九月與我的狗一起去一個安靜的海灘」）。
未來展望：具代理性的旅行伴侶
Booking.com 目標是將其 AI 整合發展為類似禮賓的伴侶，支援整個旅行過程。此未來願景包含由代理驅動的體驗，能自動處理突發狀況，例如重新預訂取消的航班或在延誤期間尋找新飯店，並在抵達時提供在地餐廳建議。