Uber nggawe OpenAI bantu golek dhuwit kanthi pinter & pesen cepet

Saben dina, yuta-yuta wong ngandelake Uber kanggo mesen tumpangan, mesen panganan, ngirim paket, lan entuk penghasilan kanthi fleksibel. Ing balik saben tutul ana pasar wektu nyata sing kompleks, sing dipengaruhi dening lalu lintas, cuaca, tekane pesawat ing bandara, acara lokal, lan panjaluk. Uber beroperasi kanthi skala sing gedhe banget: 40 yuta lelungan saben dina, 10 yuta supir lan kurir ing 15.000 kutha ing luwih saka 70 negara. Saben kutha nduweni dinamika operasional, regulasi, lan prilaku penumpang dhewe-dhewe, saéngga nggawe sistem sing kudu terus adaptasi ing skala global.

Uber wis suwe nggunakake pembelajaran mesin kanggo ndhukung pasar. Lan saiki, kanthi kauntungan saka model basa sing gedhe lan model tapel wates OpenAI, Uber bisa nalar liwat sinyal sing kompleks kanthi luwih cepet, menehi respon obrolan sing cepet, lan nguatake pengalaman swara ing njero aplikasi kasebut.

Kolaborasi antarane Uber lan OpenAI mbantu Uber nggawe produk sing didhukung AI kanggo nggampangake kesempatan penghasilan kanggo supir lan kurir, uga nyuda hambatan kanggo penumpang. Lan kanthi nggunakake model OpenAI, Uber bisa ngirim produk lan pengalaman sing luwih efisien kanthi luwih cepet tinimbang sadurunge.

Kanggo supir, fleksibilitas minangka salah siji kaluwihan paling gedhé saka Uber. Ana supir penuh-wektu, liyane mung ing akhir minggu, dene ana uga sing nyupir ing sela-sela kelas utawa giliran kerja. Fleksibilitas iki uga tegese para supir terus-terusan ngevaluasi pilihan lan takon: Saiki aku kudu manggon ing endi? Apa bandara pantes ditekani? Apa aku kudu ngalih saka nglayani penumpang menyang nganter pesenan nalika jam nedha awan? Napa penghasilanku dina iki katon beda?

Kanggo mbantu njawab pitakonan-pitakonan kuwi, Uber ngembangake Uber Assistant, asisten sing didhukung AI sing dirancang kanggo mbantu supir sajrone kabeh tahapan ing platform—wiwit orientasi lan perjalanan kapisan nganti ngoptimalake penghasilan saben dina.

"Kita pengin para supir bisa nggawe keputusan sing luwih apik kanggo awake dhewe kanthi menehi ringkesan babagan pasar lan wawasan wektu nyata," ujare Dharmin Parikh, Direktur Manajemen Produk ing Uber.

Asisten iki mbantu supir ing ngendi lan kapan kudu entuk penghasilan kanthi ngowahi data kompleks kaya tren penghasilan lan heatmap dadi wawasan posisi sing prasaja lan bisa ditindakake. Banjur, dheweke bisa takon pitakonan tindak lanjut nganggo basa sing gampang dingerteni, nampa wangsulan sing cocog karo kabutuhané, lan gampang njelajah aplikasi.

Tujuané Uber yaiku nyuda beban kognitif—upaya sing dibutuhake kanggo napsiraké data pasar sing kompleks nalika nyoba golek penghasilan.

Kuwi wis kabukten utamané migunani banget kanggo supir anyar. Uber nemokake yen nggunakake AI kanggo ngringkes lan nyampekake data Uber saka donya nyata kanthi gampang bisa nyepetake proses adaptasi kanthi mbantu supir sinau alur kerja lan dinamika pasar luwih cepet tinimbang mung liwat nyoba-nyoba lan sinau saka kesalahan.

Sanajan wiwitane Uber Assistant dikarepake kanggo mbantu supir anyar, supir sing wis pengalaman uga bola-bali bali kanggo takon pitakonan tindak lanjut lan ngoptimalake wektu ing platform—mbuktekake yen produk iki minangka sarana migunani jangka panjang, ora mung alat orientasi.

“Asisten kasebut mbantu supir supaya cepet paham, tinimbang kudu nglakoni pirang-pirang atus perjalanan kanggo ngerti cara kerjane platform,” ujare Parikh.

Kanggo Uber, akurasi, keamanan, keandalan, lan kacepetan dadi prioritas utama nalika ngetrapake sistem AI apa wae sing output-e bakal interaksi karo supir lan kurir. Pertimbangan kritis kalebu tanggapan tetep selaras karo kabijakan, lan latensi nyukupi standar sing diarepake pangguna saka aplikasi seluler wektu nyata.

Mula, Uber ngrancang Uber Assistant adhedhasar telung prinsip inti: keamanan, kapercayan, lan latensi endhek.

Tim engineering Uber mbangun arsitektur multi-agen sing ngarahake saben panjaluk pangguna menyang sistem khusus sing paling cocog. Contoné, pitakonan babagan penghasilan bisa ditangani kanthi cara sing béda karo pitakonan orientasi, lan pandhuan pasar mbutuhake penalaran sing béda karo tumindak transaksional.

Arsitektur iki nggampangake Uber ngarahake saben tugas menyang model sing paling cocog karo kabutuhan operasional tartamtu, njamin saben pitakon ditangani kanthi fokus sing cocog karo apa sing paling penting.

Kanggo klasifikasi ringan lan respons cepet, Uber nggunakake model nano/mini sing luwih cepet. Kanggo tugas sing luwih kompleks, Uber migunakaké model penalaran sing luwih gedhé.

Uber uga ngembangake AI Guard, lapisan tata kelola internal sing mbantu nyaring pitunjuk lan tanggapan kanggo ningkatake keamanan, privasi, lan keamanan, ngetrapake kabijakan, nyuda halusinasi, lan njaga konsistensi ing antarane pengalaman.

Nalika supir nampa rekomendasi sing akurat lan migunani, dheweke bakal bali maneh. Dheweke takon luwih akeh pitakonan. Padha melu bola-bali. Lan dheweke ngentèkaké wektu sing luwih produktif ing platform.

“Yen pangguna ora percaya marang sistem, njenengan bakal cepet kelangan wong-wong mau,” ujare Parikh. “Nanging nalika padha weruh ana manfaaté, padha bali maneh.”

Uber uga nerapaké API wektu nyata OpenAI kanggo salah siji owah-owahan gedhé sabanjuré ing antarmuka teknologi: swara.

Ngetik menyang aplikasi bisa efisien kanggo panjaluk sing prasaja. Nanging, akeh kabutuhan transportasi lan perdagangan sing luwih kompleks.

Wong lelungan bisa uga kepengin kandha, “Aku nggawa limang barang bawaan lan wong lima liyane bareng aku. Aku butuh tumpangan sing nyaman menyang bandara. Apa sing njenengan saranake?” Wong diwasa sing luwih tuwa utawa penumpang sing duwe gangguan paningal bisa uga luwih milih ngomong tinimbang nutul-nutul menu.

Pengalaman swara anyar Uber dirancang kanggo nggawe momen-momen kuwi lancar tanpa alangan. Pangguna bisa nutul ikon mikropon ing bilah telusur ‘arep menyang endi’ ing aplikasi Uber lan njaluk tumpangan nganggo wicara alami. Sistem iki nggunakake Realtime API lan model frontier liyane kanggo napsirake maksud, migunakaké lokasi sing disimpen lan konteks pelanggan, lan menehi rekomendasi—nalika nyinkronake tanggapan lisan lan visual ing njero aplikasi.

Kuwi bisa ateges nyaranake UberXL kanggo lelungan sing nggawa akeh bagasi utawa ngenali tujuan sing wis disimpen kaya “omah”.

“Swara mbusak alangan supaya bisa ngrampungake luwih saka siji tugas sekaligus,” ujare Parikh. “Panjenengan bisa ngandharaké maksud panjenengan kanthi lengkap lan alami, lan sistem bisa ngorkestrasi asilé.”

Swara uga ngluwasekake aksesibilitas lan mbukak alur kerja anyar ing saindenging ekosistem Uber. Ing sisih supir, fitur iki ngidini supir sesambungan karo aplikasi tanpa nganggo tangan. Ing sisih penumpang, iki bisa nyuda alangan kanggo pelanggan sing pengin interaksi sing luwih cepet lan luwih prasaja.

“Swara ngilangi alangan multi-tap amarga njenengan bisa ngomong pirang-pirang bab,” ujare Vidyasagar. “Iki mbukak kemampuan kanggo nyambungake manéka bagean saka ekosistem.”

Nalika kapabilitas LLM berkembang kanthi cepet, Uber uga wis ngganti cara tim mbangun.

Para insinyur ing saindenging organisasi nggarap pituduh, sistem retrieval, pipeline evaluasi, lan kerangka orkestrasi. Tim produk, hukum, operasi, lan desain kerja sama luwih raket kanggo nemtokake watesan kabijakan, nguji output, lan ningkatake pengalaman pangguna.

Tinimbang tim AI cilik sing terpusat sing nduweni inovasi, intelijen saiki bisa diterapake ing saindenging perusahaan.

“Iki wis dudu siji klompok khusus maneh sing nindakake kabeh iki,” ujare Vidyasagar. “Akeh tim bisa menehi kontribusi amarga alangan kanggo mbangun wis saya suda.”

Pergeseran kuwi nyepetake eksperimen lan ngasilaké gagasan anyar ing ekosistem Uber.

“Saben nyopir, saben lelungan iku minangka rerangkening kedadeyan, lan mangerteni sarta ngolah nuansa kuwi sing mbukak wawasan kanggo kita liwat LLM,” ujare Vidyasagar. “Kuwi menehi akeh informasi marang kita babagan arah sabanjuré sing kudu kita tuju, lan wawasan sing kabukak kuwi–ing skala sing kita duwé–pancèn gedhé banget dayané.”

Uber Assistant saiki wis disebarluaskan ing saindenging jaringan supir A.S. minangka peluncuran eksperimen, nalika Uber terus nguji lan nyampurnakake pengalaman iki:

• Atusan ewu supir AS saiki wis bisa ngakses pengalaman beta Uber Assistant
• Ningkataké dhukungan kanggo supir ing tahap awal kariré, mbantu supir anyar supaya posisiné luwih apik kanggo entuk luwih akèh perjalanan
• Keterlibatan ulang sing kuwat, kanthi pangguna bali sawise interaksi sing sukses
• Pemanfaatan wektu sing luwih apik ing platform liwat wawasan pasar sing luwih cerdas
• Siklus iterasi produk sing luwih cepet liwat spesialisasi model lan sistem evaluasi kanthi terus-terusan

Saka mbantu supir anyar entuk perjalanan kapisan nganti nuntun supir sing wis pengalaman kanggo ngupaya kesempatan penghasilan sing luwih apik, Uber nggunakake model OpenAI kanggo nggawe kerja luwih produktif, transportasi luwih lancar, lan logistik saben dina luwih manusiawi.

“Minangka insinyur, OpenAI pancen mbukak kabisan kanggo ngrampungake masalah-masalah kuwi kanthi cara sing beda lan unik,” ujare Vidyasagar.