一家来自以色列的公司表示,目前作为行业主流、诞生于上世纪50年代的航空企业收入管理系统早已严重过时,迫切需要AI科技为其注入新的活力。
Fetcherr公司CEO Roy Cohen在接受采访时表示,“对于航空产业这样的传统领域,其基础设施早已严重过时。”在他看来,传统收入管理系统的最大问题在于,始终“需要由人类来决定”最终价格。而“AI能够查看数百万个数据点,并模拟出有助于实现航空公司运营目标的最佳行动策略”。
典型的收入管理系统会将票价划分为几个等级,每当一个等级售罄后,即自动转为下一等级,Cohen表示,“AI技术增强了我们做出定价决策的能力”,而不再简单粗暴地在某个等级售罄时转向更高的票价。
他解释称,目前各类收入管理系统“相当混乱”、“缺乏一致性”。达美航空等大型航空公司拥有自己的收入管理系统,而且会不断尝试更新;但小型航空公司要么努力跟上,要么会从Amadeus等供应商处购买现成的方案。
在去年12月的一次投资者会议上,达美航空公司总裁Glen Hauenstein表示,该公司最近开始尝试使用AI技术进行定价。他提到这项技术有助于确定“人们愿意为基础票价之外更多高级服务支付的金额”,并指出达美航空的定价分析师能够灵活查看AI技术为公司提出的机票价格建议。“虽然整个反馈回路需要耗费大量时间和精力,但AI技术的确实现了自动化,简化了执行流程并加快了我们的行动速度。”
虽然达美航空在运用AI技术实现收入管理方面似乎处于行业领先地位,但航空业中还有更多方面明显可以借助这项更新、更快捷的技术得到增强。
美国联合航空本周二表示,他们正利用AI技术向乘客发送短信,用以通报包含航班延误原因细节以及修改后航班时刻表在内的重要信息。该航空公司在一份事先准备好的声明中指出,“今年早些时候,我们开始运用AI技术协助处理这些信息。如今,AI正通过审查航班数据、起草文本更新等方式为客户提供信息支持。”
美联航还提到,“AI技术的加入,使我们能够发布更多自定义航班更新信息,确保更多乘客能够收到自己关心、切实有效的内容。”
不过对于此前一封质疑其使用AI技术的邮件,美联航并未做出回应。
此外,总部位于英国的旅行预订公司Travelport本周三表示,其最近推出了一款工具,能够利用AI技术搜索数百家航空公司发布的数十亿种出行选项。Travelport表示,该工具返回搜索结果的速度比其直接渠道合作方各航空公司的平均搜索响应更快,且还可同时支持旅行社及在线预订网站。
Fetcherr公司的Cohen认为,在收入管理领域,“人类在做出决定时,首先需要收集数据点”。但当前存在的数据点太多了,除了票价和时刻表之外,还涉及“天气与燃料价格对冲、政治局势与季节性波动等等”。
传统的收益管理主要关注“消费者的购买承受力”,例如一张机票的基础售价为200美元,那么旺盛的需求可能会将其推高至275美元,到了这个数字“就没人愿意继续购买了”。
而Fetcherr模型能够更好地在200美元到275美元之间选取理想价格点。Fetcherr是如何做到这一点的?Cohen表示“这是个秘密。我们一直在训练自己的引擎,运用我们所能得到的一切数据。我们对其工作方式严格保密,而且我们正在搞的是一种很新的东西。”
Fetcherr公司还提到,其航空伙伴客户包括巴西阿苏尔航空、摩洛哥皇家航空、维珍航空、墨西哥Viva Aerobus航空和西捷航空。Cohen表示Fetcherr系统“用途广泛,我们可以将其接入任何位置上的几乎任何对象。我们可以将一切手动流程转为自动,将所有信息摆在分析师面前,从而减少他们的日常工作压力。AI技术将针对每一张机票提出详尽的调整建议。”
西捷航空发言人Madison Kruger本周三表示,与Fetcherr的合作“将使我们得以利用AI技术以简化并优化自身价格与库存管理,使西捷航空能够提升乘客体验与服务性价比,更好地适应乘客与员工的实际需求。”
Fetcherr公司成立于2019年,目前在以色列内坦亚、迈阿密和华沙设有办事处。Cohen表示,该公司的收入已达数千万美元并已成功盈利,但并未透露更多具体细节。该公司6月表示新近筹得9000万美元,且截至目前融资总额已达1.11亿美元。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。