Mensen verdienen slimmer en boeken sneller met Uber en OpenAI

Elke dag vertrouwen miljoenen mensen op Uber om ritten te boeken, maaltijden te bestellen, pakketten te versturen en flexibel geld te verdienen. Achter elke tik schuilt een complexe realtime marktplaats die wordt gevormd door verkeer, weer, aankomsten op luchthavens, lokale evenementen en vraag. Uber opereert op enorme schaal: 40 miljoen ritten per dag, 10 miljoen chauffeurs en koeriers in 15.000 steden in meer dan 70 landen. Elke stad heeft zijn eigen operationele dynamiek, regelgeving en passagiersgedrag, waardoor een systeem ontstaat dat zich op wereldwijde schaal voortdurend moet aanpassen.

Uber gebruikt al lange tijd machine learning ter ondersteuning van zijn marktplaats. En nu, dankzij large language models en grensverleggende modellen van OpenAI, kan Uber sneller redeneren over complexe signalen, snelle conversationele antwoorden geven en spraakervaringen binnen de app mogelijk maken.

De samenwerking tussen Uber en OpenAI helpt Uber AI-gestuurde producten te bouwen die verdienmogelijkheden voor chauffeurs en koeriers vereenvoudigen en frictie voor passagiers verminderen. En met de modellen van OpenAI kan Uber gestroomlijnde producten en ervaringen sneller dan ooit uitbrengen.

Voor chauffeurs is flexibiliteit een van de grootste sterke punten van Uber. Sommigen rijden fulltime, anderen alleen in het weekend, terwijl weer anderen rijden tussen lessen of diensten door. Deze flexibiliteit betekent ook dat chauffeurs voortdurend opties afwegen en vragen stellen: Waar moet ik me op dit moment positioneren? Is het de moeite waard om naar het vliegveld te rijden? Moet ik tijdens de lunch overschakelen van ritten naar bezorgingen? Waarom zagen mijn inkomsten er vandaag anders uit?

Om die vragen te helpen beantwoorden, ontwikkelde Uber Uber Assistant, een AI-gestuurde assistent die chauffeurs gedurende hun hele levenscyclus op het platform helpt, van onboarding en de eerste ritten tot dagelijkse optimalisatie van inkomsten.

"We willen chauffeurs in staat stellen betere beslissingen voor zichzelf te nemen door een samengevat overzicht van de marktplaats en realtime inzichten te bieden", zegt Dharmin Parikh, Director of Product Management bij Uber.

De Assistant helpt chauffeurs bepalen waar en wanneer ze kunnen verdienen door complexe data zoals inkomenstrends en heatmaps om te zetten in eenvoudige, bruikbare positioneringsinzichten. Daarna kunnen ze vervolgvragen in gewone taal stellen, op maat gemaakte antwoorden ontvangen en eenvoudig door de app navigeren.

Het doel van Uber is om de cognitieve belasting te verlagen: de inspanning die nodig is om complexe marktplaatsdgegevens te interpreteren terwijl je probeert geld te verdienen.

Dat bleek vooral waardevol voor nieuwe chauffeurs. Uber ontdekte dat het gebruik van AI om praktijkdata van Uber samen te vatten en eenvoudig te communiceren de opstart kan versnellen door chauffeurs workflows en marktplaatsdynamiek veel sneller te laten leren dan alleen via trial-and-error.

Hoewel aanvankelijk werd verwacht dat Uber Assistant vooral nieuwere chauffeurs zou helpen, keerden ervaren chauffeurs ook herhaaldelijk terug om vervolgvragen te stellen en hun tijd op het platform te optimaliseren, wat het product bevestigde als een hulpmiddel voor de lange termijn, niet alleen als onboardingstool.

"De Assistant helpt chauffeurs snel op gang te komen, vergeleken met het maken van honderden ritten om te begrijpen hoe het platform werkt", zegt Parikh.

Voor Uber zijn nauwkeurigheid, veiligheid, betrouwbaarheid en snelheid topprioriteiten bij de implementatie van elk AI-systeem waarvan de output interacteert met chauffeurs en koeriers. Belangrijke overwegingen zijn onder meer dat antwoorden binnen het beleid blijven en dat de latentie voldoet aan de standaard die gebruikers verwachten van een realtime mobiele app.

Daarom heeft Uber Uber Assistant ontworpen rond drie kernprincipes: veiligheid, vertrouwen en lage latentie.

De engineeringteams van Uber bouwden een multi-agentarchitectuur die elk gebruikersverzoek naar het meest geschikte gespecialiseerde systeem routeert. Zo kunnen vragen over inkomsten anders worden afgehandeld dan onboardingsvragen, en vereist begeleiding binnen de marktplaats een andere redenering dan transactionele acties.

Deze architectuur stelt Uber in staat elke taak te routeren naar het model dat het best geschikt is voor de specifieke operationele behoeften ervan, zodat elke query wordt afgehandeld met de juiste focus op wat het belangrijkst is.

Voor lichte classificatie en snelle antwoorden gebruikt Uber snellere nano-/mini-modellen. Voor complexere taken maakt Uber gebruik van grotere, redenerende modellen.

Uber ontwikkelde ook AI Guard, een interne governancelaag die helpt prompts en antwoorden te screenen om veiligheid, privacy en beveiliging te bevorderen, beleid af te dwingen, hallucinaties te verminderen en consistentie tussen ervaringen te behouden.

Wanneer chauffeurs nauwkeurige, nuttige aanbevelingen ontvangen, komen ze terug. Ze stellen meer vragen. Ze blijven herhaaldelijk betrokken. En ze besteden productiever tijd op het platform.

"Als gebruikers het systeem niet vertrouwen, raak je ze snel kwijt", zegt Parikh. "Maar wanneer ze waarde zien, komen ze terug."

Uber past OpenAI Realtime API’s ook toe op een van de volgende grote verschuivingen in technologie-interfaces: spraak.

Typen in een app kan efficiënt zijn voor eenvoudige verzoeken. Maar veel behoeften op het gebied van vervoer en commerce zijn complexer.

Een reiziger wil misschien zeggen: "Ik heb vijf stuks bagage en nog vijf andere mensen bij me. Ik heb een fijne rit naar het vliegveld nodig. Wat raad je aan?" Een oudere volwassene of een visueel beperkte passagier geeft mogelijk de voorkeur aan spreken boven tikken door menu’s.

De nieuwe spraakervaringen van Uber zijn ontworpen om zulke momenten frictieloos te maken. Gebruikers kunnen op het microfoonpictogram in de zoekbalk ‘waarheen’ in de Uber-app tikken en met natuurlijke spraak een rit aanvragen. Het systeem gebruikt de Realtime API en andere grensverleggende modellen om intentie te interpreteren, benut opgeslagen locaties en klantcontext en doet aanbevelingen, terwijl gesproken en visuele antwoorden in de app worden gesynchroniseerd.

Dat kan betekenen dat UberXL wordt voorgesteld voor ritten met veel bagage, of dat opgeslagen bestemmingen zoals ‘thuis’ worden herkend.

"Spraak haalt de drempel weg om maar één taak tegelijk uit te voeren", zegt Parikh. "Je kunt je volledige intentie op natuurlijke wijze uitdrukken, en het systeem kan de uitkomst orkestreren."

Spraak vergroot ook de toegankelijkheid en ontsluit nieuwe workflows binnen het ecosysteem van Uber. Aan de chauffeurskant kunnen chauffeurs zo handsfree met de app communiceren. Aan de passagierskant kan het frictie verminderen voor klanten die snellere, eenvoudigere interacties willen.

"Spraak neemt de barrière van meerdere tikken weg, omdat je meerdere dingen kunt zeggen", zegt Vidyasagar. "Het maakt die mogelijkheid vrij om de verschillende onderdelen van het ecosysteem met elkaar te verbinden."

Naarmate LLM-mogelijkheden zich snel ontwikkelen, heeft Uber ook veranderd hoe teams bouwen.

Engineers in de hele organisatie werken met prompting, retrievalsystemen, evaluatiepijplijnen en orkestratiekaders. Teams op het gebied van product, legal, operations en design werken nauwer samen om beleidsgrenzen te definiëren, output te testen en gebruikerservaringen te verbeteren.

In plaats van dat een klein gecentraliseerd AI-team eigenaar is van innovatie, kan intelligentie nu door het hele bedrijf worden ingebed.

"Het is niet langer één gespecialiseerde groep die dit allemaal doet", zegt Vidyasagar. "Veel teams kunnen bijdragen omdat de drempels om te bouwen lager zijn geworden."

Die verschuiving versnelt experimenten en creëert nieuwe ideeën binnen het ecosysteem van Uber.

"Elke rit, elke trip is een opeenvolging van gebeurtenissen, en het begrijpen en verwerken van die nuance is wat de LLM voor ons ontsluit", zegt Vidyasagar. "Dat geeft ons veel informatie over waar we hierna naartoe moeten, en die mogelijkheid, op de schaal waarop wij werken, is uitzonderlijk krachtig."

Uber Assistant is nu via een experimentele uitrol uitgebreid naar het chauffeursnetwerk in de VS, terwijl Uber de ervaring blijft testen en verfijnen:

• Honderdduizenden chauffeurs in de VS hebben nu toegang tot bètaversies van Uber Assistant
• Verbeterde ondersteuning voor chauffeurs vroeg in hun traject, zodat nieuwe chauffeurs zich beter kunnen positioneren voor meer ritten
• Sterke herhaalde betrokkenheid, waarbij gebruikers terugkeren na succesvolle interacties
• Beter tijdsgebruik op het platform dankzij slimmere marktplaatsinzichten
• Snellere productiteratiecycli dankzij modelspecialisatie en continue evaluatiesystemen

Van het helpen van een nieuwe chauffeur aan zijn eerste rit tot het begeleiden van een ervaren chauffeur die op zoek is naar betere verdienmogelijkheden: Uber gebruikt modellen van OpenAI om werk productiever te maken, vervoer soepeler te laten verlopen en alledaagse logistiek menselijker te maken.

"OpenAI geeft engineers simpelweg de mogelijkheid om dit soort problemen op verschillende en unieke manieren op te lossen", zegt Vidyasagar.