Gamit ang OpenAI mas smart kumita at mas mabilis mag-book sa Uber

Araw-araw, milyon-milyon ang umaasa sa Uber para mag-book ng rides, umorder ng pagkain, magpadala ng package, at kumita nang flexible. Sa likod ng bawat tap ay isang complex at real time na marketplace na hinuhubog ng traffic, weather, mga airport arrival, local event, at demand. Napakalaki ng operation ng Uber: 40 million na biyahe kada araw, 10 million na driver at courier sa 15,000 na city sa mahigit 70 na bansa. Bawat city ay may kani-kaniyang operating dynamics, mga regulation, at behavior ng sumasakay, at lumilikha ito ng isang system na dapat tuloy-tuloy at malawakang nag-a-adapt.

Matagal nang gumagamit ng machine learning ang Uber para suportahan ang marketplace nito. At ngayon, sa tulong ng mga large language model at frontier model ng OpenAI, mas mabilis nang nakakapag-analyze ng mga complex signal ang Uber, mabilis na nakaka-respond nang conversational, at may mga voice experience na sa app.

Dahil sa collaboration ng Uber at OpenAI, nakakapag-build ang Uber ng mga AI-powered product na pinasisimple ang mga earning opportunity para sa mga driver at courier at nakakabawas ng abala sa mga rider. At gamit ang mga model ng OpenAI, mas mabilis nang nakakapaglabas ng pinasimpleng mga product at experience ang Uber.

Para sa mga driver, flexibility ang isa sa biggest strength ng Uber. May ilan na nagda-drive nang full-time, ang iba tuwing weekend lang, at ang iba naman pagkatapos ng klase o shift nila. Kaya, ibig sabihin din ng flexibility na ito, laging nag-iisip ng mga option ang mga driver at nagtatanong: Saan kaya ako dapat pumuwesto ngayon? Sulit bang magpunta sa airport? Lilipat ba ako sa deliveries kapag tanghalian na? Ba't ganito ang kita ko ngayon?

Para makatulong sa pagsagot sa mga tanong na iyon, dinivelop ng Uber ang Uber Assistant, isang AI-powered assistant na dinisenyo para tulungan ang mga driver sa buong lifecycle nila sa platform, mula sa onboarding at mga unang biyahe hanggang sa araw-araw na pag-optimize ng kita nila.

“Gusto naming makapagdesisyon nang mas maayos ang mga drive para sa kapakanan nila gamit ang isang naka-summarize na view ng marketplace at mga real-time na insight,” sabi ni Dharmin Parikh, Director of Product Management sa Uber.

Tinutulungan ng Assistant ang mga driver kung saan at kailan kikita. Ginagawa nitong simple at actionable na mga positioning insight ang mga complex data na kagaya ng mga trend ng kita at heatmap. Makakapag-follow-up question sila gamit ang simpleng mga salita, makatanggap ng mga response na ibinagay sa kanila, at madaling makakapag-navigate sa app.

Ang goal ng Uber ay mabawasan ang cognitive overhead—ang effort na kailangan para ma-interpret ang complex na data ng marketplace habang nagsisikap kumita.

Napatunayang mahalaga ito lalo na sa mga bagong driver. Natuklasan ng Uber na sa paggamit ng AI para ma-summarize at mai-communicate nang madali ang real-world data ng Uber, puwedeng mapabilis ang ramp-up sa pamamagitan ng pagtulong sa mga driver na matutuhan ang mga workflow at dynamics ng marketplace nang mas mabilis kaysa sa trial and error lang.

Noong una, inaasahang mga bagong driver ang kadalasang matutulungan ng Uber Assistant, pero paulit-ulit din itong binabalikan ng mga makaranasang driver para mag-follow-up question at ma-optimize ang panahon nila sa platform. Pinatutunayan nito na magagamit nang mahabang panahon ang produktong ito at hindi lang ito isang onboarding tool.

“Tinutulungan ng Assistant ang mga driver na mabilis na makapag-ramp up, kumpara sa daan-daang beses munang pagbyahe para maintindihan kung paano gumagana ang platform,” sabi ni Parikh.

Pangunahin para sa Uber ang accuracy, safety, pagiging mapagkakatiwalaan, at bilis kapag nag-i-implement ng kahit anong AI system na ang output ay makikipag-interact sa mga driver at courier. Kasama sa mahahalagang konsiderasyon ang pananatili ng mga response sa policy, at ang latency na nakakaabot sa standard na inaasahan ng mga user sa isang real-time na mobile app.

Iyan ang dahilan kung bakit dinisenyo ng Uber ang Uber Assistant batay sa tatlong pangunahing prinsipyo: safety, tiwala, at mababang latency.

Nag-build ang mga engineering team ng Uber ng multi-agent architecture na nira-route sa pinakaangkop na specialized system ang bawat request ng user. Halimbawa, iba ang puwedeng maging pag-handle sa mga tanong tungkol sa kita kaysa sa mga tanong sa onboarding, at ibang reasoning ang kailangang sa marketplace guidance kaysa sa mga transactional action.

Dahil sa architecture na ito, naira-route ng Uber ang bawat task sa model na pinakabagay sa mga specific na operational need nito, kaya nasisigurong bawat query ay naha-handle nang may tamang focus sa pinakamahalagang bagay.

Para sa lightweight classification at mabibilis na response, gumagamit ang Uber ng mas mabibilis at nano/mini na mga model. Para sa mas complex na task, gumagamit ang Uber ng mas malalaking reasoning model.

Nag-develop din ang Uber ng AI Guard, isang internal governance layer na tumutulong para ma-screen ang mga prompt at response para ma-promote ang safety, privacy, at security, maipatupad ang mga policy, mabawasan ang mga hallucination, at ma-maintain ang consistency sa iba’t ibang experience.

Kapag nakakatanggap ang mga driver ng tama at useful na mga recommendation, bumabalik sila. Nagtatanong pa sila. Paulit-ulit silang nakikipag-interact. At gumugugol ng mas maraming productive na oras sa platform.

“Kapag walang tiwala sa system ang mga user, mabilis silang mawawala,” sabi ni Parikh. “Pero kapag nakakakita sila ng value, bumabalik sila.”

Inia-apply rin ng Uber ang mga OpenAI Realtime API sa isa sa susunod na malalaking pagbabago sa interface sa teknolohiya: ang voice o boses.

Efficient naman ang pagta-type ng mga simpleng request sa app. Pero marami sa mga pangangailangan ng transportation at commerce ang mas complex.

Baka gustong sabihin ng isang traveler, “Lima ang luggage ko at may lima pa akong kasama. Kailangan ko ng maayos na sasakyan papuntang airport. Ano ang maire-recommend mo?” Baka mas gusto ng isang may-edad nang adulto o pasaherong may kapansanan sa paningin na magsalita na lang kaysa mag-tap sa mga menu.

Dinisenyo ang mga bagong voice experience ng Uber para maging mas madali ang mga sitwasyong iyon. Puwedeng i-tap ng mga user ang icon ng microphone sa search bar na ‘where to’ sa Uber app at mag-request ng ride gamit ang natural na pananalita. Gumagamit ng Realtime API at iba pang mga frontier model ang system para i-interpret ang intent, ginagamit nito ang mga naka-save na lokasyon at context ng customer, at gumagawa ng mga recommendation, habang isini-synchronize ang spoken at visual na mga response sa app.

Puwedeng mangahulugan ito ng pagsa-suggest ng UberXL para sa mga biyahe na maraming luggage o pag-recognize sa mga naka-save na destinasyon gaya ng “home”.

“Inaalis ng voice ang hadlang para matapos ang isang task,” sabi ni Parikh. “Natural mong masasabi ang lahat ng gusto mo, at aayusin na ng system ang outcome.”

Pinapalawak din ng voice ang accessibility at nagbubukas ito ng mga bagong workflow sa ecosystem ng Uber. Sa panig ng driver, nagagawa nilang makipag-interact sa app nang hands-free. Sa panig naman ng pasahero, nababawasan ang abala para sa mga customer na gusto ng mas mabilis at mas simpleng interactions.

“Inaalis ng voice ang hadlang na kailangang mag-tap ng maraming beses kasi marami ka nang puwedeng sabihin ngayon,” sabi ni Vidyasagar. “Dahil dito, mapagco-connect na ang iba’t ibang bahagi ng ecosystem.”

Habang mabilis na nag-e-volve ang mga LLM capability, binago rin ng Uber ang pag-build sa mga team.

Nagtulungan ang mga engineer sa buong organization pagdating sa prompting, mga retrieval system, evaluation pipeline, at pagbuo ng framework. Nag-collaborate naman ang mga product, legal, operations, at design team para magawa ang mga boundary ng policy, mga test output, at i-improve ang mga user experience.

Sa halip na isang maliit at centralized na AI team ang nagma-manage ng innovation, mai-embed na ngayon sa buong kumpanya ang intelligence.

“Hindi na isang specialized na grupo lang ang gumagawa ng lahat ng ito,” sabi ni Vidyasagar. “Maraming team na ang makaka-contribute kasi naalis na ang mga hadlang sa pagbi-build.”

Pinabibilis ng pagbabagong iyon ang experimentation at lumilikha ito ng mga bagong idea sa ecosystem ng Uber.

“Bawat drive, bawat biyahe ay isang magkakasunod na mga event, at ang pag-unawa at pagproseso sa nuance na iyon ang naitulong ng LLM sa amin,” sabi ni Vidyasagar. “Binibigyan kami nito ng maraming impormasyon tungkol sa kung saan kami pupunta sa susunod, at sa lawak na mayroon kami, talagang napaka-poweful nito .”

Ini-expand na ngayon sa isang experimental rollout ang Uber Assistant sa buong network ng mga driver sa U.S., habang patuloy na tini-test at nire-refine ng Uber ang experience:

• Daan-daang libong driver na sa U.S. ang may access sa mga beta experience ng Uber Assistant
• Nai-improve nito ang support para sa mga early lifecycle driver, at tinutulungan ang mga bagong driver na makapuwesto para sa mas maraming biyahe
• Malakas at paulit-ulit na engagement, kung saan bumabalik ang mga user pagkatapos ng succesful na mga interaction
• Mas mahusay na paggamit ng oras sa platform gamit ang mas smart na mga insight sa marketplace
• Mas mabilis na mga product improvement cycle gamit ang model specialization at tuloy-tuloy na mga evaluation system

Mula sa pagtulong sa bagong driver na makakuha ang unang biyahe niya hanggang sa pag-guide sa makaranasang driver na makahanap ng mas magandang oportunidad para kumita, ginagamit ng Uber ang mga OpenAI model para maging mas productive ang trabaho, mas smooth ang transportation, at mas makatao ang araw-araw na logistics.

“Bilang engineer, binubuksan ng OpenAI ang kakayahang malutas ang mga problemang iyon sa naiiba at unique na mga paraan,” sabi ni Vidyasagar.