산업용 택시 배차를 위한 유용성에 맞춘 인격적 사용자 프로파일링

산업용 리드 헤일링(ride-hailing) 호출 시스템에 대규모 언어 모델(LLM)을 포함시키기 위한 의미적 특징 추출기로서 플랫폼 크기 Behavioral 로그를 사용하는 것은 매력적이지만 아직까지는 데이터 시스템 문제로 미흡한 부분이다. 생산적인 매칭 PIPELINE은 여전히 구조화된 수치 특징에 의해 지배되고 있지만 결정적인 행동 신호(예: 운전자의 특정 지역에 대한 경향이 있는 반대)가 본질적으로 맥락에 종속되어 있고 자연스럽게 LLM이 생성한 사용자 프로필로 표현될 수 있다. 그러나 실시간, 밀리초 latency 디스패처에 이러한 프로파일링을 확대하는 것은 플랫폼에 수백만 건의 일일 주문이 있는 경우 LLM의 컨텍스트 창보다 로그가 수십 배 더 크며 대부분의 사용자는 사용자별 프로파일링에 너무 적은 상호 작용을 하는 긴 꼬리 사용자이며 표면적으로 유연한 프로필이 종속된 예측 유용성 향상을 보장하지는 않는다. 우리는 프로덕션 매칭 시스템을 위한 유용성에 맞춰진 사용자 프로파일링을 operationalize하는 agentic LLM 데이터 PIPELINE, ProfiLLM을 제시한다. ProfiLLM은 두 가지 모듈로 구성된다. (1) Tool-Augmented Global Knowledge Mining은 LLM agent에 27 개의 분석 도구를 부여하여 플랫폼 크기 데이터를 채굴하고 재사용 가능한 글로벌 지식, 적응형 사용자 클러스터링 규칙, 지역 수요-수요 전제 조건을 생성한다. (2) Utility-Aligned Profile Exploration은 각 클러스터당 여러 후보 프로필을 생성하고 가볍게 다운스트림 유용성 Proxy를 통해 평가한 후 가장 적합한 후보를 반복적으로 개선하고 DPO fine-tuning을 위해 선호도 Pair를 생성한다. DiDi의 프로덕션 디스패처에 배포된 ProfiLLM은 결과 예측에서 상대적 AUC 향상이 최대 +6.14%, dispatching 시뮬레이션에서 GMV 향상이 최대 +4.35%, 14 일간 온라인 A/B 테스트에서 +0.47% GMV, +0.33% Completion Rate, -0.82% Cancel-Before-Accept Rate 향상이 일관되게 측정되었다.