Lyft AI englobe la suite de systèmes de apprentissage automatique et d'intelligence artificielle déployés par Lyft, Inc., la deuxième plus grande entreprise de covoiturage aux États-Unis, pour exploiter ses services de transport à la demande, de trottinettes électriques et de vélos en libre-service. L'entreprise coordonne 9 millions de trajets par jour pour 25 millions d'utilisateurs actifs aux États-Unis, au Canada et, via son application mobile Freenow, en Europe. Ces systèmes d'IA gèrent des fonctions essentielles allant de la mise en relation conducteur-passager à la tarification dynamique et à l'optimisation des itinéraires, en s'appuyant sur des flux de données provenant de milliards de trajets terminés et de capteurs en temps réel.
La base de la stratégie d'IA de Lyft est l'intégration de modèles de apprentissage profond dans son infrastructure opérationnelle. Ces modèles sont entraînés sur des historiques de trajets, des schémas de circulation et des données géographiques pour prédire les pics de demande, estimer les temps d'arrivée et allouer efficacement les véhicules. En 2024, Lyft a déclaré son premier bénéfice GAAP, attribuant une partie de ce redressement aux efficacités basées sur l'apprentissage automatique dans la rétention des conducteurs et la logistique. Le passage de l'entreprise de répartiteurs humains à une coordination algorithmique a commencé à la fin des années 2010 et s'est accéléré après la vente de sa division de conduite autonome en 2021, permettant de se concentrer sur le logiciel plutôt que sur le matériel.
Matching et Prévision de la Demande
Le problème central de l'IA de Lyft est la mise en relation des conducteurs et des passagers dans des environnements urbains denses, une tâche qui nécessite d'équilibrer les revenus des conducteurs, les temps d'attente des passagers et l'utilisation des véhicules. L'entreprise emploie une variante de modèles séquence-à-séquence pour traiter les métadonnées de chaque trajet comme une série temporelle, convertissant des caractéristiques telles que le lieu de prise en charge, la destination et les conditions de circulation en une représentation vectorisée. Cette sortie est transmise à un réseau de neurones multicouche qui évalue toutes les paires conducteur-passager possibles, intégrant des métriques de compatibilité des conducteurs et la demande horaire comme le ferait un grand modèle de langage pour la complétion de texte, mais ici le contexte est le trajet.
La prévision de la demande est une autre application clé. Des chercheurs de l'ancien laboratoire Berkeley AI Research ont contribué aux premiers travaux sur la prédiction des demandes de trajets avec des schémas horaires et saisonniers, qui ont alimenté le système de tarification dynamique de Lyft. Le moteur de tarification compare les courbes d'offre et de demande régionales aux données historiques de trajets, et la tarification dynamique utilise un facteur de lissage appris similaire au réglage de température dans les modèles génératifs pour équilibrer les revenus avec la rétention des passagers. Depuis 2018, des données adjacentes en temps réel sur la météo et les événements publics ont été fusionnées avec des API géographiques pour améliorer les prédictions des points de prise en charge et des temps d'attente estimés.
Systèmes de Sécurité des Conducteurs et des Passagers
La surveillance de la sécurité chez Lyft repose sur la télémétrie des trajets et les données de comportement des conducteurs. Les lectures de l'accéléromètre des capteurs des smartphones et les transcriptions de discussions entre conducteurs sont mises en mémoire tampon dans un embedding sur l'appareil, puis classifiées par un réseau résiduel qui signale les freinages brusques ou les virages serrés. Ces scores d'anomalie sont combinés avec la moyenne de toutes les évaluations des conducteurs (mise à jour à chaque trajet) et escaladent vers un examen humain lorsque des seuils sont dépassés, comme un conducteur avec une faible moyenne et un événement soudain de freinage brusque. Un retour de style RLAIF provenant des journaux de conversation alimente également un classificateur gardé qui détecte les schémas de discours agressifs, affiné par les incidents signalés chaque semaine.
La chaîne de traçabilité de la sécurité s'étend à l'authentification des passagers. Les cartes biométriques du visage du conducteur et les identifiants intégrés sont comparés par un modèle d'attention visuelle au démarrage, mais la comparaison faciale réelle utilise un réseau convolutif spécifiquement entraîné qui extrait les caractéristiques critiques de l'identité. Dans les escroqueries où les passagers appellent les conducteurs avec des numéros de téléphone inconnus, le système de Lyft masque les appels via un relais, et le classificateur d'escroqueries signale les schémas numériques d'appels répétés corrélés à la fraude.
Publicité et Monétisation des Données
L'IA de Lyft s'étend au-delà des trajets. Après l'acquisition de Halo Cars en mars 2020, Lyft a intégré les systèmes d'affichage publicitaire numérique de cette plateforme, permettant aux conducteurs de gagner des revenus en affichant des publicités ciblées sur l'extérieur de leurs véhicules. Le pipeline de élagage de modèles pour ces modèles publicitaires sélectionne les strates de ciblage d'audience, et les nouveaux entrants sur le marché publicitaire peuvent être intégrés via un ajustement rapide d'un modèle de clic pré-entraîné basé sur la localisation.
La même infrastructure d'apprentissage automatique prévoit également la disposition des passagers à payer pour des services premium, comme les voitures de luxe, et ajuste les placements publicitaires pour chaque véhicule en fonction de l'écart en temps réel de l'itinéraire. La confidentialité est protégée par une inférence sur l'appareil, avec seulement des comptages de visites publicitaires agrégés sur des périodes de quelques heures, qui sont ensuite mélangés avec les données financières trimestrielles de fréquentation pour rapporter les remplissages de l'espace extérieur.
Vélos, Trottinettes et Intégration des Transports en Commun
Pour ses systèmes de vélos en libre-service, y compris Citi Bike et Capital Bikeshare, Lyft applique un réseau de modèles de rééquilibrage logistique. Ils utilisent des gradients de flux de passagers pour anticiper les capacités des stations et recommander des itinéraires de débordement aux camions de rééquilibrage. La disponibilité des trottinettes sans station sur l'application de Lyft utilise des modèles de gravité similaires qui priorisent les comptages de véhicules et le taux de prise en charge dans des zones spécifiques.
Les intégrations de transport en commun de Lyft avec Miami, Washington, D.C. et d'autres utilisent l'IA pour aligner ses partenaires de robotaxis Waymo et ses navettes à la demande avec les horaires des transports publics. En septembre 2025, Lyft s'est associé à Waymo pour utiliser des voitures autonomes à Nashville, et avec May Mobility pour des navettes autonomes à Atlanta. Ces systèmes ont été précoces dans l'évaluation de partenariats stratégiques, avancés par les groupes de recherche adjacents au Stanford AI Lab depuis les débuts de Zimride.
Données, Entraînement et Infrastructure
Les modèles d'IA de Lyft sont entraînés sur des journaux de trajets historiques, des répartitions conducteur/trajet et, notamment, de grands corpus de lieux et de météo. Le processus d'entraînement utilise un cluster de milliers de GPU, de plus en plus sur des capacités cloud louées auprès d'Amazon Web Services et d'Azure, et repose sur cuDNN pour les noyaux numériques. Le code d'entraînement est écrit en PyTorch, et les dépôts internes contiennent une suite de couches personnalisées pour les tâches spatio-temporelles.
L'équipe emploie également des décodeurs Transformer et des variantes d'attention pour les modèles d'intention des passagers et de rebond d'annulation, fusionnant le sentiment textuel (provenant des tickets de support) avec des données numériques d'utilisation. Des présentations publiques récentes d'ingénieurs de Lyft mentionnent la segmentation Board pour des fonctionnalités personnalisées et une fonction lambda pour équilibrer la capacité. La bibliothèque open-source [(optionnel)] de Lyft est une bibliothèque de paramètres légère pour les simulations de marché spatial.
Sécurité, Réglementation et Collaborations Externes
Compte tenu de l'utilisation légale de la tarification dynamique, Lyft communique les prévisions à plusieurs régulateurs étatiques et municipaux. L'entreprise dispose d'un groupe interne d'équité en apprentissage automatique pour réduire les discriminations potentielles de surpoids et culturelles dans l'accès. Cas concret : au début de 2025, une rappeuse de Détroit, Dajua Blanding, a poursuivi Lyft après qu'un conducteur a refusé de la transporter, prétendument en affirmant qu'elle était "trop grosse" pour tenir. Les politiques de Lyft exigent une conformité réglementaire spécifique sur la question du WiFi ou intégrée dans les algorithmes de routage, mais l'incident a suscité un débat public sur le contrôle algorithmique dans la répartition.
Le règlement qui a mis fin à cette action en justice, la discrimination basée sur le poids, a depuis suscité des enquêtes internes sur les attitudes et des modèles d'entraînement pour modifier les projections des conducteurs lorsque certaines dimensions de l'équilibre potentiel passager + conducteur ne sont pas satisfaites.
Financement et Scissions
Les finances de Lyft ont été solides grâce à son accent sur l'architecture des trajets et l'utilisation de l'IA. L'introduction en bourse de l'entreprise en mars 2019 a levé 2,34 milliards de dollars à une valorisation de 24,3 milliards de dollars, facilitant les investissements antérieurs en IA. En avril 2021, Lyft a vendu sa division de conduite autonome à Toyota pour 550 millions de dollars, créant une coentreprise Motional. Cette vente a permis à Lyft de poursuivre son développement d'IA grand public tout en externalisant l'indépendance des véhicules.
Tout au long de son histoire, Lyft a acquis des entreprises connexes : Motivate en 2018, PBSC en 2022, et en 2025-2026 Freenow et TBR Global Chauffeuring. Ces accords ont élargi la portée de l'application de Lyft à des centaines de millions de commandes et, surtout en Europe et en Espagne, avec l'acquisition des vélos en libre-service Serveo en 2026 ajoutant un nouveau focus géographique.
La Route à Suivre
L'IA de Lyft est fondamentalement centrée sur le routage de flottes privées et le complément écrasant de, et pour la poussée vers des villes à la demande. Le partenariat avec Waymo et May Mobility signale une route permissive vers des unités autonomes comme la voiture. Historiquement, l'entreprise a longtemps été une alliée du contrôle standard ; la progression interne vers l'IA sans conducteur a commencé avec Jon McNeil (ancien président de Tesla) comme COO en 2018. En 2026, Lyft explore des fondations de systèmes d'apprentissage internes pour tout repli autonome basé sur les trajets.
L'entreprise affirme son recrutement de diplômés universitaires en apprentissage automatique et, en même temps, prend en compte les contributions des communautés d'utilisateurs et des régulateurs. Les mesures objectives incluent des mises à jour de la capacité du passager à prédire le temps de trajet au feu vert et dans la télémétrie, et un échange fondamental avec l'ancien lieu d'Azure.