A Booking.com substitui os menus de filtros por pesquisa em linguagem natural com modelos da OpenAI

O filtro era o obstáculo

O relato da Booking.com sobre este projeto começa com um problema de frontend, não um problema de modelo. A plataforma oferecia centenas de filtros, mas esses filtros só ajudavam viajantes que já sabiam o que procurar. O CTO Rob Francis identifica a lacuna diretamente.

Pode querer fazer uma escapadinha romântica, mas com aquele toque cliché. Não há filtro para camas em forma de coração ou imitadores de Elvis. A pesquisa tradicional simplesmente não foi concebida para revelar esse tipo de intenção.Montana Labs

Esta é uma descrição precisa de por que razão as listas pendentes e checkboxes falham na descoberta. Cada filtro é um eixo predefinido que o designer de produto escolheu antecipadamente. Uma intenção que não corresponda a um eixo existente não tem campo de entrada. A empresa era forte naquilo que Adrienne Enggist chama a última milha, levar as pessoas da pesquisa até à reserva, mas a fase anterior, em que os viajantes ainda estão a perceber o que querem, não tinha uma superfície utilizável.

A mudança de interface foi pequena; o trabalho estava na fundamentação dos dados

A mudança visível no frontend é modesta: uma caixa de texto que aceita prompts como "Onde devo ir para um fim de semana romântico na Europa?" ou "vistas de pôr do sol". A engenharia mais difícil estava por trás disso. Os Smart Filters e os AI Review Summaries funcionam sobre GPT-4o mini; o Property Q&A foi ajustado (fine-tuned) com conteúdo gerado por utilizadores da Booking.com e descrições de propriedades.

O avanço descrito consiste em combinar dois tipos de dados que a empresa mantinha separados. Os dados estruturados, preços, disponibilidade e políticas de cancelamento, já tinham sido afinados durante anos. Os dados não estruturados, avaliações e descrições em linguagem natural, foram agora sobrepostos para que o modelo pudesse gerar sugestões fundamentadas em ambos. Uma entrada conversacional só é útil se resultar em inventário real, e é essa resolução que impede que isto seja apenas um chatbot acoplado a um catálogo.

É de notar que a integração passou pelas APIs e infraestrutura de dados já existentes, em vez de uma reconstrução total. É por isso que o primeiro prototipo do AI Trip Planner, capaz de descoberta de destinos e criação de itinerários, foi lançado em dez semanas a partir da API e de um hackathon.

Os utilizadores aprenderam a escrever de forma diferente

A prova mais forte aqui não é a lista de funcionalidades, mas uma observação comportamental. Enggist relata que, inicialmente, os utilizadores tratavam a nova entrada como a antiga, escrevendo "Myrtle Beach", uma única string de destino. Com o tempo, as consultas mudaram de forma.

Mas agora estamos a ver consultas mais detalhadas e conversacionais: 'Quero ir para uma praia tranquila em setembro com o meu cão.'Montana Labs

Isto é relevante porque mostra que a mudança de interface alterou de facto os modelos mentais dos utilizadores. Os utilizadores só expressam intenções mais matizadas depois de confiarem que o campo consegue lidar com elas. A empresa enquadra os resultados que reporta, maior envolvimento no Trip Planner, pesquisa mais rápida através dos Smart Filters, menos contactos de suporte graças ao Property Q&A, como ganhos mensuráveis, embora reconheça que os dados de desempenho a longo prazo ainda estão a ser recolhidos. Vale a pena manter presente esta ressalva honesta: a métrica sólida até agora é a mudança no comportamento de escrita, não números de conversão auditados.

Descoberta hoje, orquestração a seguir

A implicação específica para equipas que constroem frontends conversacionais é que a caixa de texto é a parte fácil; o retorno vem de ligar a intenção em texto livre a inventário estruturado e em tempo real, e aos sinais não estruturados mais complexos que um catálogo já contém. A Booking.com tinha uma década de infraestrutura de ML e anos de avaliações por aproveitar para a descoberta, até que um modelo de linguagem conseguiu lê-los em conjunto.

O próximo passo anunciado eleva significativamente a dificuldade. Enggist descreve um assistente tipo concierge que reagenda um voo cancelado, encontra um novo hotel após um atraso e sugere restaurantes próximos à chegada. Isso passa de responder a consultas para tomar ações ao longo da viagem, o que representa uma exigência de fiabilidade e segurança diferente da de resumir avaliações. O frontend de descoberta que lançaram é a prova de conceito; a versão orientada por agentes é onde a engenharia mais difícil ainda está por fazer.