Uber bruker OpenAI for å hjelpe folk å tjene smartere
Uber bruker OpenAI til AI-assistenter og talefunksjoner som hjelper sjåfører å tjene smartere og passasjerer å bestille raskere i en global markedsplass i sanntid.
Hver dag er millioner av mennesker avhengige av Uber for å bestille turer, bestille mat, sende pakker og tjene penger fleksibelt. Bak hvert trykk ligger en kompleks markedsplass i sanntid, formet av trafikk, vær, flyankomster, lokale arrangementer og etterspørsel. Uber opererer i enorm skala: 40 millioner turer per dag, 10 millioner sjåfører og bud i 15 000 byer i over 70 land. Hver by har sin egen driftsdynamikk, egne reguleringer og sin egen passasjeratferd, noe som skaper et system som må tilpasse seg kontinuerlig i global skala.
Uber har lenge brukt maskinlæring for å støtte markedsplassen sin. Og nå, med fordelene ved store språkmodeller og OpenAIs frontier-modeller, kan Uber resonnere raskere på tvers av komplekse signaler, levere raske samtalebaserte svar og drive stemmeopplevelser i appen.
Samarbeidet mellom Uber og OpenAI hjelper Uber med å bygge AI-drevne produkter som forenkler inntjeningsmuligheter for sjåfører og bud og reduserer friksjon for passasjerer. Og ved å bruke OpenAIs modeller kan Uber lansere strømlinjeformede produkter og opplevelser raskere enn noen gang.
«For første gang er det teknologien som leder an i hva som kan løses. Problemer som en gang virket utenfor rekkevidde, er nå mulige å håndtere.»
For sjåfører er fleksibilitet en av Ubers største styrker. Noen kjører på heltid, andre bare i helgene, mens noen kjører mellom forelesninger eller vakter. Denne fleksibiliteten betyr også at sjåfører hele tiden vurderer alternativer og stiller spørsmål: Hvor bør jeg plassere meg akkurat nå? Er det verdt å kjøre til flyplassen? Bør jeg bytte fra turer til leveringer i lunsjen? Hvorfor så inntektene mine annerledes ut i dag?
For å hjelpe med å svare på disse spørsmålene utviklet Uber Uber Assistant, en AI-drevet assistent som er utviklet for å hjelpe sjåfører gjennom hele livssyklusen på plattformen – fra onboarding og de første turene til daglig optimalisering av inntekter.
«Vi vil gjøre det mulig for sjåfører å ta bedre beslutninger for seg selv ved å gi dem et oppsummert bilde av markedsplassen og innsikt i sanntid», sier Dharmin Parikh, Director of Product Management i Uber.
Assistenten hjelper sjåfører med hvor og når de bør tjene penger ved å gjøre komplekse data som inntektstrender og varmekart om til enkle, handlingsrettede plasseringsinnsikter. De kan deretter stille oppfølgingsspørsmål på vanlig språk, få skreddersydde svar og enkelt navigere i appen.
Ubers mål er å redusere kognitiv belastning – innsatsen som kreves for å tolke komplekse markedsplassdata mens man prøver å tjene penger.
Det har vist seg å være særlig verdifullt for nye sjåfører. Uber fant ut at bruk av AI til å oppsummere og enkelt formidle Ubers data fra den virkelige verden kan fremskynde oppstarten ved å hjelpe sjåfører med å lære arbeidsflyter og markedsdynamikk mye raskere enn bare gjennom prøving og feiling.
Selv om Uber Assistant i utgangspunktet var forventet å hjelpe nyere sjåfører mest, kom også erfarne sjåfører stadig tilbake for å stille oppfølgingsspørsmål og optimalisere tiden sin på plattformen – noe som bekreftet produktet som et langsiktig verktøy, ikke bare et onboardingverktøy.
«Assistenten hjelper sjåfører med å komme raskt i gang, sammenlignet med å måtte ta flere hundre turer for å forstå hvordan plattformen fungerer», sier Parikh.
For Uber er nøyaktighet, sikkerhet, pålitelighet og hastighet de høyeste prioriteringene når de implementerer et AI-system der utdataene skal samhandle med sjåfører og bud. Viktige hensyn omfatter at svarene holder seg innenfor retningslinjene, og at ventetiden møter standarden brukerne forventer av en mobilapp i sanntid.
Derfor utformet Uber Uber Assistant rundt tre kjerneprinsipper: sikkerhet, tillit og lav ventetid.
Ubers ingeniørteam bygget en arkitektur med flere agenter som ruter hver brukerforespørsel til det mest passende spesialiserte systemet. For eksempel kan spørsmål om inntekter håndteres annerledes enn onboarding-spørsmål, og veiledning for markedsplassen krever annen resonnering enn transaksjonelle handlinger.
Denne arkitekturen gjør det mulig for Uber å rute hver oppgave til den modellen som passer best til de spesifikke driftsbehovene, og sikrer at hver forespørsel håndteres med riktig fokus på det som betyr mest.
For lettvektsklassifisering og raske svar bruker Uber raskere nano-/mini-modeller. For mer komplekse oppgaver bruker Uber større resonneringsmodeller.
Uber utviklet også AI Guard, et internt styringslag som hjelper med å kontrollere prompts og svar for å fremme sikkerhet, personvern og trygghet, håndheve retningslinjer, redusere hallusinasjoner og opprettholde konsistens på tvers av opplevelser.
Når sjåfører får nøyaktige, nyttige anbefalinger, kommer de tilbake. De stiller flere spørsmål. De bruker løsningen gjentatte ganger. Og de bruker mer produktiv tid på plattformen.
«Hvis brukerne ikke stoler på systemet, mister du dem raskt», sier Parikh. «Men når de ser verdi, kommer de tilbake.»
Uber bruker også OpenAI Realtime API-er på et av de neste store grensesnittskiftene i teknologi: stemme.
Å skrive inn i en app kan være effektivt for enkle forespørsler. Men mange transport- og handelsbehov er mer komplekse.
En reisende kan ønske å si: «Jeg har fem kolli bagasje og fem andre personer med meg. Jeg trenger en komfortabel tur til flyplassen. Hva anbefaler du?» En eldre person eller en passasjer med synshemming kan foretrekke å snakke fremfor å trykke seg gjennom menyer.
Ubers nye stemmeopplevelser er utviklet for å gjøre disse øyeblikkene friksjonsfrie. Brukere kan trykke på mikrofonikonet i «hvor skal du?»-søkefeltet i Uber-appen og be om en tur ved hjelp av naturlig tale. Systemet bruker Realtime API og andre frontier-modeller til å tolke intensjon, utnytter lagrede steder og kundekontekst, og kommer med anbefalinger – samtidig som talte og visuelle svar synkroniseres i appen.
Det kan for eksempel bety å foreslå UberXL for turer med mye bagasje eller å gjenkjenne lagrede destinasjoner som «hjem».
«Stemme fjerner barrieren ved å måtte fullføre én oppgave om gangen», sier Parikh. «Du kan uttrykke hele intensjonen naturlig, og systemet kan orkestrere utfallet.»
Stemme utvider også tilgjengeligheten og åpner for nye arbeidsflyter i hele Ubers økosystem. På sjåførsiden lar det sjåfører samhandle med appen håndfritt. På passasjersiden kan det redusere friksjon for kunder som ønsker raskere og enklere interaksjoner.
«Stemme fjerner barrieren med mange trykk fordi du kan si flere ting», sier Vidyasagar. «Det åpner for muligheten til å knytte sammen de ulike delene av økosystemet.»
Merk: Voice Booking-funksjonaliteten rulles ut i løpet av de kommende ukene
Etter hvert som LLM-funksjonene utvikler seg raskt, har Uber også endret hvordan team bygger.
Ingeniører i hele organisasjonen arbeider med prompting, innhentingssystemer, evalueringspipeliner og orkestreringsrammeverk. Team innen produkt, juss, drift og design samarbeider tettere for å definere policygrenser, teste utdata og forbedre brukeropplevelser.
I stedet for at et lite sentralisert AI-team eier innovasjonen, kan intelligens nå bygges inn i hele selskapet.
«Det er ikke lenger én spesialisert gruppe som gjør alt dette», sier Vidyasagar. «Mange team kan bidra fordi barrierene for å bygge har blitt lavere.»
Dette skiftet fremskynder eksperimentering og skaper nye ideer på tvers av Ubers økosystem.
«Hver kjøretur, hver tur er en sekvens av hendelser, og det er forståelsen og behandlingen av disse nyansene som LLM gir oss mulighet til», sier Vidyasagar. «Det gir oss mye informasjon om hvor vi bør gå videre, og det gjennombruddet – i den skalaen vi har – er usedvanlig kraftfullt.»
Uber Assistant er nå utvidet i et eksperimentelt utrullingsløp i hele det amerikanske sjåførnettverket, mens Uber fortsetter å teste og forbedre opplevelsen:
- Hundretusenvis av amerikanske sjåfører har nå tilgang til betaversjoner av Uber Assistant
- Forbedrer støtten til sjåfører tidlig i livssyklusen, og hjelper nye sjåfører med å plassere seg bedre for flere turer
- Stort gjentatt engasjement, der brukere kommer tilbake etter vellykkede interaksjoner
- Bedre tidsutnyttelse på plattformen gjennom smartere innsikt om markedsplassen
- Raskere sykluser for produktiterasjon gjennom modellspesialisering og kontinuerlige evalueringssystemer
Fra å hjelpe en ny sjåfør med å få sin første tur til å veilede en erfaren sjåfør som søker bedre inntektsmuligheter, bruker Uber OpenAI-modeller for å gjøre arbeid mer produktivt, transport mer sømløs og hverdagslogistikk mer menneskelig.
«Som ingeniør åpner OpenAI rett og slett muligheten til å løse disse problemene på ulike og unike måter», sier Vidyasagar.
