每个人都或多或少感受过AI技术的影响,特别是在旅游与酒店行业。从航班预订、查询住宿到最终做出决定,AI技术在提供丰富选择与筛选优惠方案中都发挥着重要作用。而与其他行业一样,短期租赁行业同样在新冠疫情爆发期间迎来一波技术进步,要求从业者找到新的方法在维持市场的同时满足新的客户需求。值得庆幸的是,新兴技术的介入让不少无解问题有了答案,而作为其中的重要组成部分,AI正在将运营水平与客户满意度提升至前所未有的高度。
考虑到这一切就发生在短短几年之前,各行各业的适应速度的确很快,人们也将这些转变视为理所应当。从独特的个性化建议到精确的定价策略,再到自动化的物业维护与客户服务改善,AI技术正在优化整个现实世界。与此同时,现代消费者则对自己手中的每一分预算都抱有更高的期待,并在竞争日益加剧的市场之上得到了切实回报。
但这一切跟短期租赁行业有什么关系?作为一家物业管理公司的联合创始人,我们的工作就是在包括Airbnb在内的各类平台上发布并管理客户物业。通过监控行业动态,我最近在Airbnb平台上也看到一系列由AI驱动的新增功能。这些功能有望促使房东更加努力投入,以在房源展示中赢取领先位置。我们也在关注Airbnb的运营,把握其最新举措将如何在竞争中体现出来。
生成式AI:Airbnb住客评论改革的幕后推
考虑到Airbnb已经允许客户使用过滤条件按最新、评价由高到低和由低到以及“超级房东”等方式对搜索结果进行排序,从而了解民宿质量,很多朋友觉得这样的功能设置已经足够。但在去年发布的冬季最新版中,短租巨头Airbnb带来了“住客最爱”功能——一种判断民宿以及房东服务标准的新方式,外加认证徽章。
哪个住客不爱徽章
目前,“住客最爱”徽章又分两个类别——其一代表当前民宿优于75%的同类选择,其二则是当前民宿优于99%的同类选择。这些徽章将成为房东们追求的目标,特别是那些提供高端豪华住宿、并宣称能满足出行者一切期望的运营者。Airbnb也专门为排名倒数10%的房东们推出另一种徽章,表明其租赁体验较差,希望借此鼓励他们改善消费体验。
那这些新徽章中到底有何玄机?简单来讲,相较于冷冰冰的纯指导参数,住客们更喜欢把徽章跟指标结合起来参考,比如细分评分、消费者评论、房东取消订单以及各种涉及质量的客户服务问题等,从而更深入地分析当前选项究竟靠不靠谱。这种两相结合的方式能够对房屋及房东的质量和行为做出准确预期,由此缩小期望差距并尽可能消解提前预订带来的各种不确定性。
在验证Airbnb房东描述的真实性方面,Airbnb正在尝试引入生成式AI,并测试其在总结评论摘要方面的表现。Booking Holdings(booking.com)与Expedia也已经将生成式AI引入自家聊天机器人。
认证徽章
Airbnb正利用AI技术检验民宿房东们到底有没有实事求是。去年在引入了认证徽章之后,Airbnb的前五大市场(美国、加拿大、澳大利亚、英国和法国)的民宿造假比例有所下降。整个认证过程包含反欺诈技术与人工审核。当然,考虑到巨大的民宿挂牌量,这仍将是一项艰巨的工作,特别是结合Airbnb公布的到今年3月底对150万处民宿完成认证的目标,包括在今年第三季度在另外30个国家/地区发布认证徽章等。当然,认证过程也将通过AI照片与视频验证工具实现简化。如今在新技术的加持下,Airbnb的主张听起来已经越来越可行且易于管理。
变革背后意义如何,又将怎样影响房东群体?
除了推动房东提供与描述相契合的入住体验之外,这些新徽章还将进一步实现民宿营销流程的游戏化转变。
重新设计的页面将显示总体与细分类别的评价,也就是说房东必须注意其展示页面乃至整个浏览过程中的每个部分。起决定性作用的不仅是民宿自身的吸引力或者地理位置的优美程度,还须结合客户服务事件的处理与解决效果、乃至客户入住之后的真实感受。
根据AirDNA公布的数据,在当前模式下,美国88%的Airbnb评分被打为五星(世界其他地区为85%),只有极少数(3%)的房东会得到三星及以下的评价。在这种情况下,很多住客可能以为拥有4.75/5评分的民宿能提供良好体验,但从AirDNA的统计比例来看,只有评分高于4.9/5的才是真正优质的民宿。此外,AirDNA发现引导住客打出五星评价能够极大拉动民宿营收。五星好评能为房东带来9.7%的总体入住率与7.7%的日均入住率提升。相较于更低的好评率,这样能够将收入增加8.2%。而如果新推出的徽章系统能帮助客户更准确地了解民宿的服务与描述可信性,那么房东们自然也更有动力证明自我、拿下认证。
对于房东来说,他们会更积极地承认自己的不足,并努力纠正这些问题——而不再像过去那样以作弊的方式诱导住客给出五星、破坏正常审核流程。而在住客这一方面,我们有望将平台上的好评与自己期望的高质量住宿体验统一起来,避免碰到那些令人失望的、纯靠营销堆砌起来的糟糕选项。
好文章,需要你的鼓励
Liquid AI发布了新一代视觉语言基础模型LFM2-VL,专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构,GPU推理速度比同类模型快2倍,同时保持竞争性能。提供450M和1.6B两个版本,支持512×512原生分辨率图像处理,采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
阿里团队推出首个AI物理推理综合测试平台DeepPHY,通过六个物理环境全面评估视觉语言模型的物理推理能力。研究发现即使最先进的AI模型在物理预测和控制方面仍远落后于人类,揭示了描述性知识与程序性控制间的根本脱节,为AI技术发展指明了重要方向。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。