Uber og OpenAI hjælper folk med at tjene penge og booke smartere

Hver dag er millioner af mennesker afhængige af Uber til at booke ture, bestille mad, sende pakker og genere indkomst fleksibelt. Bag hvert tryk ligger en kompleks markedsplads i realtid, formet af trafik, vejr, ankomster i lufthavne, lokale begivenheder og efterspørgsel. Uber opererer i enorm skala: 40 millioner ture om dagen, 10 millioner chauffører og bude i 15.000 byer i mere end 70 lande. Hver by har sin egen driftsdynamik, sine egne regler og sin egen passageradfærd, hvilket skaber et system, der hele tiden skal tilpasse sig i global skala.

Uber har længe brugt maskinlæring til at understøtte sin markedsplads. Og nu, med fordelene ved store sprogmodeller og OpenAIs frontier-modeller, kan Uber ræsonnere hurtigere på tværs af komplekse signaler, levere hurtige samtalebaserede svar og drive stemmeoplevelser i appen.

Samarbejdet mellem Uber og OpenAI hjælper Uber med at bygge AI-drevne produkter, der forenkler indtjeningsmuligheder for chauffører og bude og reducerer friktion for passagerer. Og ved at bruge OpenAIs modeller kan Uber lancere strømlinede produkter og oplevelser hurtigere end nogensinde før.

For chauffører er fleksibilitet en af Ubers største styrker. Nogle kører på fuld tid, andre kun i weekenden, mens nogle kører mellem undervisning eller vagter. Denne fleksibilitet betyder også, at chauffører konstant vurderer muligheder og stiller spørgsmål: Hvor bør jeg placere mig lige nu? Er det værd at køre til lufthavnen? Skal jeg skifte fra ture til leveringer ved frokosttid? Hvorfor så min indtjening anderledes ud i dag?

For at hjælpe med at besvare disse spørgsmål udviklede Uber Uber Assistant, en AI-drevet assistent designet til at hjælpe chauffører gennem hele deres livscyklus på platformen – fra onboarding og de første ture til daglig optimering af indtjening.

“Vi vil sætte chauffører i stand til at træffe bedre beslutninger for sig selv ved at give et opsummeret overblik over markedspladsen og indsigter i realtid,” siger Dharmin Parikh, Director of Product Management hos Uber.

Assistenten hjælper chauffører med, hvor og hvornår de skal genere indkomst ved at omsætte komplekse data som indtjeningstendenser og heatmaps til enkle, handlingsorienterede placeringsindsigter. De kan derefter stille opfølgende spørgsmål i almindeligt sprog, få skræddersyede svar og nemt navigere i appen.

Ubers mål er at reducere den kognitive belastning – den indsats, der kræves for at fortolke komplekse markedspladsdata, mens man prøver at tjene penge.

Det har vist sig at være særligt værdifuldt for nye chauffører. Uber fandt, at brugen af AI til at opsummere og let formidle Ubers virkelige data kan forkorte indkøringsperioden ved at hjælpe chauffører med at lære arbejdsgange og markedspladsdynamik meget hurtigere end gennem forsøg og fejl alene.

Selvom Uber Assistant oprindeligt forventedes især at hjælpe nyere chauffører, vendte erfarne chauffører også gentagne gange tilbage for at stille opfølgende spørgsmål og optimere deres tid på platformen – hvilket bekræfter produktet som et langsigtet værktøj, ikke kun et onboardingværktøj.

“Assistenten hjælper chauffører med hurtigt at komme i gang sammenlignet med at skulle tage flere hundrede ture for at forstå, hvordan platformen fungerer,” siger Parikh.

For Uber er nøjagtighed, sikkerhed, troværdighed og hastighed topprioriteter, når virksomheden implementerer ethvert AI-system, hvis output skal interagere med chauffører og bude. Kritiske hensyn omfatter, at svarene holder sig inden for politikkerne, og at latenstiden lever op til den standard, brugerne forventer af en mobilapp i realtid.

Derfor designede Uber Uber Assistant ud fra tre kerneprincipper: sikkerhed, tillid og lav latenstid.

Ubers ingeniørteams byggede en multi-agent-arkitektur, der sender hver brugerforespørgsel til det mest passende specialiserede system. Spørgsmål om indtjening kan for eksempel håndteres anderledes end onboarding-spørgsmål, og vejledning til markedspladsen kræver anden ræsonnering end transaktionelle handlinger.

Denne arkitektur gør det muligt for Uber at sende hver opgave til den model, der er bedst egnet til dens specifikke driftsbehov, så hver forespørgsel håndteres med passende fokus på det, der betyder mest.

Til letvægtsklassificering og hurtige svar bruger Uber hurtigere nano-/mini-modeller. Til mere komplekse opgaver bruger Uber større ræsonneringsmodeller.

Uber udviklede også AI Guard, et internt governance-lag, der hjælper med at screene prompts og svar for at fremme tryghed, beskyttelse af persondata og sikkerhed, håndhæve politikker, reducere hallucinationer og bevare konsistens på tværs af oplevelser.

Når chauffører modtager præcise og nyttige anbefalinger, kommer de tilbage. De stiller flere spørgsmål. De engagerer sig igen og igen. Og de bruger mere produktiv tid på platformen.

“Hvis brugerne ikke stoler på systemet, mister man dem hurtigt,” siger Parikh. “Men når de ser værdien, vender de tilbage.”

Uber anvender også OpenAI Realtime API’er på et af de næste store interfaceskift i teknologi: stemme.

Det kan være effektivt at skrive i en app ved enkle forespørgsler. Men mange behov inden for transport og handel er mere komplekse.

En rejsende vil måske sige: “Jeg har fem stykker bagage og fem andre personer med mig. Jeg har brug for en god tur til lufthavnen. Hvad anbefaler du?” En ældre person eller en synshandicappet passager foretrækker måske at tale frem for at trykke sig gennem menuer.

Ubers nye stemmeoplevelser er designet til at gøre disse øjeblikke til en god og enkel oplevelse. Brugere kan trykke på mikrofonikonet i søgefeltet “hvorhen” i Uber-appen og bestille en tur med naturlig tale. Systemet bruger Realtime API og andre frontier-modeller til at fortolke hensigten, udnytter gemte lokationer og kundekontekst og kommer med anbefalinger – samtidig med at talte og visuelle svar synkroniseres i appen.

Det kan for eksempel betyde, at systemet foreslår UberXL til ture med meget bagage eller genkender gemte destinationer som “hjem”.

“Stemme fjerner barrieren ved kun at kunne udføre én opgave ad gangen,” siger Parikh. “Du kan naturligt udtrykke din fulde hensigt, og systemet kan orkestrere resultatet.”

Stemme udvider også tilgængeligheden og åbner nye arbejdsgange på tværs af Ubers økosystem. På chaufførsiden lader det chauffører interagere med appen håndfrit. På passagersiden kan det reducere besvær for kunder, der ønsker hurtigere og enklere interaktioner.

“Stemme fjerner barrieren med flere tryk, fordi du kan sige flere ting,” siger Vidyasagar. “Det åbner den mulighed for at forbinde de forskellige dele af økosystemet.”

I takt med at LLM-kapaciteter udvikler sig hurtigt, har Uber også ændret måden, teams bygger på.

Ingeniører i hele organisationen arbejder med prompting, retrieval-systemer, evalueringspipelines og orkestreringsframeworks. Produkt-, jura-, drifts- og designteams samarbejder tættere for at definere politiske grænser, teste output og forbedre brugeroplevelser.

I stedet for at et lille centraliseret AI-team ejer innovationen, kan intelligens nu indlejres i hele virksomheden.

“Det er ikke længere én specialiseret gruppe, der gør alt dette,” siger Vidyasagar. “Mange teams kan bidrage, fordi barriererne for at bygge er blevet lavere.”

Det skifte accelererer eksperimentering og skaber nye idéer på tværs af Ubers økosystem.

“Hver køretur, hver tur er en sekvens af begivenheder, og det er forståelsen og behandlingen af den nuance, som LLM giver os mulighed for,” siger Vidyasagar. “Det giver os en masse information om, hvor vi skal bevæge os hen næste gang, og den åbning – i den skala, vi har – er usædvanligt kraftfuld.”

Uber Assistant er nu blevet udvidet til hele det amerikanske chaufførnetværk i en eksperimentel udrulning, mens Uber fortsætter med at teste og forfine oplevelsen:

• Hundredtusindvis af amerikanske chauffører har nu adgang til betaoplevelser med Uber Assistant
• Forbedret support til chauffører tidligt i deres livscyklus, så nye chauffører bedre kan placere sig til flere ture
• Stærkt gentaget engagement, hvor brugere vender tilbage efter vellykkede interaktioner
• Bedre tidsudnyttelse på platformen gennem smartere markedspladsindsigter
• Hurtigere produktiterationscyklusser gennem modelspecialisering og kontinuerlige evalueringssystemer

Fra at hjælpe en ny chauffør med at få sin første tur til at guide en erfaren chauffør, der søger bedre indtjeningsmuligheder, bruger Uber OpenAI-modeller til at gøre arbejdet mere produktivt, transporten mere gnidningsfri og hverdagens logistik mere menneskelig.

“Som ingeniør åbner OpenAI bare muligheden for at løse disse problemer på forskellige og unikke måder,” siger Vidyasagar.