Lyft AI में मशीन-लर्निंग और कृत्रिम-बुद्धिमत्ता प्रणालियों का सूट शामिल है, जो संयुक्त राज्य अमेरिका की दूसरी सबसे बड़ी राइडशेयरिंग कंपनी Lyft, Inc. द्वारा अपनी राइड-हेलिंग, ई-स्कूटर और बाइक-शेयरिंग सेवाओं को संचालित करने के लिए तैनात किया गया है। कंपनी संयुक्त राज्य अमेरिका, कनाडा और, अपने Freenow मोबाइल ऐप के माध्यम से, यूरोप में 25 मिलियन सक्रिय सवारों के लिए प्रतिदिन 9 मिलियन राइड्स का समन्वय करती है। ये AI प्रणालियाँ राइडर-ड्राइवर मिलान से लेकर गतिशील मूल्य निर्धारण और मार्ग अनुकूलन तक के मुख्य कार्यों को संभालती हैं, जो अरबों पूर्ण यात्राओं और वास्तविक समय के सेंसर इनपुट से डेटा स्ट्रीम पर आधारित हैं।
Lyft की AI रणनीति की नींव डीप-लर्निंग मॉडलों का इसके परिचालन बैकबोन में एकीकरण है। ये मॉडल ऐतिहासिक यात्रा रिकॉर्ड, यातायात पैटर्न और भौगोलिक डेटा पर प्रशिक्षित होते हैं ताकि मांग में उछाल की भविष्यवाणी की जा सके, आगमन समय का अनुमान लगाया जा सके और वाहनों का कुशलतापूर्वक आवंटन किया जा सके। 2024 में, Lyft ने अपना पहला GAAP लाभ दर्ज किया, जिसमें उसने ड्राइवर प्रतिधारण और लॉजिस्टिक्स में मशीन-लर्निंग-संचालित दक्षताओं को इस बदलाव का आंशिक श्रेय दिया। मानव डिस्पैचर से एल्गोरिदम-आधारित समन्वय की ओर कंपनी का बदलाव 2010 के दशक के अंत में शुरू हुआ और 2021 में इसके स्व-ड्राइविंग डिवीजन की बिक्री के बाद तेज हो गया, जिससे हार्डवेयर के बजाय सॉफ्टवेयर पर ध्यान केंद्रित करना संभव हो गया।
मिलान और मांग पूर्वानुमान
Lyft की मुख्य AI समस्या घने शहरी वातावरण में राइडर और ड्राइवरों का मिलान है, एक ऐसा कार्य जिसमें ड्राइवर की कमाई, राइडर की प्रतीक्षा समय और वाहन उपयोग को संतुलित करना आवश्यक है। कंपनी प्रत्येक यात्रा के मेटाडेटा को एक समय श्रृंखला के रूप में संसाधित करने के लिए सीक्वेंस-टू-सीक्वेंस मॉडलों का एक प्रकार नियोजित करती है, जो पिकअप स्थान, गंतव्य और यातायात स्थितियों जैसी विशेषताओं को एक वेक्टराइज़्ड प्रतिनिधित्व में परिवर्तित करती है। यह आउटपुट एक बहु-परत न्यूरल-नेटवर्क को दिया जाता है जो सभी संभावित राइडर-ड्राइवर जोड़ों को स्कोर करता है, ड्राइवर संगतता मेट्रिक्स और प्रति घंटा मांग को एकीकृत करता है, जैसे बड़ा-भाषा-मॉडल पाठ पूर्णता के लिए करता है, लेकिन यहाँ संदर्भ राइड है।
मांग पूर्वानुमान एक और प्रमुख अनुप्रयोग है। बर्कले AI रिसर्च लैब के पूर्व शोधकर्ताओं ने दिन के समय और मौसमी पैटर्न के साथ राइड अनुरोधों की भविष्यवाणी पर प्रारंभिक कार्य में योगदान दिया, जो Lyft की सर्ज प्राइसिंग प्रणाली में शामिल हुआ। मूल्य निर्धारण इंजन क्षेत्रीय आपूर्ति और मांग वक्रों को ऐतिहासिक यात्रा डेटा के विरुद्ध तौलता है, और सर्जिंग राजस्व को यात्री प्रतिधारण के साथ संतुलित करने के लिए जनरेटिव मॉडलों में तापमान-स्केलिंग के समान एक सीखा हुआ स्मूथिंग कारक का उपयोग करती है। 2018 से, वास्तविक समय के मौसम और सार्वजनिक कार्यक्रम डेटा को भौगोलिक APIs के साथ विलय कर पिकअप बिंदु और अपेक्षित प्रतीक्षा समय की भविष्यवाणियों में सुधार किया गया है।
ड्राइवर और राइडर सुरक्षा प्रणालियाँ
Lyft में सुरक्षा निगरानी यात्रा टेलीमेट्री और ड्राइवर व्यवहार डेटा पर निर्भर करती है। स्मार्टफोन सेंसर से एक्सेलेरोमीटर रीडिंग और ड्राइवर-से-ड्राइवर चैट ट्रांसक्रिप्ट को एक ऑन-डिवाइस एम्बेडिंग में बफर किया जाता है, फिर एक अवशिष्ट-नेटवर्क द्वारा वर्गीकृत किया जाता है जो अचानक ब्रेकिंग या मोड़ को चिह्नित करता है। ये विसंगति स्कोर सभी ड्राइवर रेटिंग्स के औसत (प्रत्येक यात्रा पर अद्यतन) के साथ संयुक्त होते हैं और थ्रेसहोल्ड उल्लंघन होने पर मानव समीक्षा तक बढ़ जाते हैं, जैसे कम औसत और अचानक हार्ड ब्रेकिंग घटना वाला ड्राइवर। बातचीत लॉग से RLAIF-शैली फीडबैक भी एक संरक्षित क्लासिफायर में फीड करता है जो आक्रामक भाषण पैटर्न का पता लगाता है, जिसे प्रत्येक सप्ताह की रिपोर्ट की गई घटनाओं द्वारा परिष्कृत किया जाता है।
सुरक्षा की कस्टडी श्रृंखला राइडर प्रमाणीकरण तक फैली हुई है। ड्राइवर के चेहरे और एम्बेडेड IDs के बायोमेट्रिक मानचित्र स्टार्टअप पर एक दृश्य ध्यान मॉडल द्वारा मिलान किए जाते हैं, लेकिन वास्तविक चेहरे की तुलना एक विशेष रूप से प्रशिक्षित कन्वोल्यूशनल नेटवर्क का उपयोग करती है जो पहचान-महत्वपूर्ण विशेषताओं को निकालता है। उन घोटालों में जहां राइडर अपरिचित फोन नंबरों के साथ ड्राइवरों को कॉल करते हैं, Lyft की प्रणाली एक रिले के माध्यम से कॉल को मास्क करती है, और घोटाला क्लासिफायर धोखाधड़ी से संबंधित बार-बार कॉल के संख्यात्मक पैटर्न को चिह्नित करता है।
विज्ञापन और डेटा मुद्रीकरण
Lyft का AI राइड्स से परे फैला हुआ है। मार्च 2020 में Halo Cars का अधिग्रहण करने के बाद, Lyft ने उस प्लेटफ़ॉर्म की डिजिटल-विज्ञापन प्रदर्शन प्रणालियों को एकीकृत किया, जिससे ड्राइवर अपने वाहनों के बाहरी हिस्से पर लक्षित विज्ञापन प्रदर्शित करके राजस्व अर्जित कर सकते हैं। इन विज्ञापन मॉडलों के लिए मॉडल-प्रूनिंग पाइपलाइन दर्शक-लक्ष्यीकरण स्तरों का चयन करती है, और विज्ञापन बाजार में नए लोगों को पूर्व-प्रशिक्षित स्थान-आधारित क्लिक-थ्रू मॉडल के त्वरित फाइन-ट्यूनिंग के माध्यम से ऑनबोर्ड किया जा सकता है।
वही मशीन-लर्निंग बुनियादी ढांचा प्रीमियम सेवाओं के लिए भुगतान करने की राइडर की इच्छा का भी पूर्वानुमान लगाता है, जैसे स्ट्रीटकार्स लुआर, और मार्ग में वास्तविक समय के विचलन के आधार पर प्रत्येक वाहन के लिए विज्ञापन प्लेसमेंट समायोजित करता है। गोपनीयता ऑन-डिवाइस अनुमान द्वारा संरक्षित है, केवल विज्ञापन विज़िट की गिनती घंटों की अवधि में एकत्रित की जाती है, जिसे फिर त्रैमासिक राइडरशिप वित्तीय आंकड़ों के साथ मिश्रित कर बाहरी स्थान पर भरने की रिपोर्ट किया जाता है।
बाइक, स्कूटर और ट्रांज़िट एकीकरण
अपनी बाइक-शेयरिंग प्रणालियों के लिए, जिसमें Citi Bike और Capital Bikeshare शामिल हैं, Lyft लॉजिस्टिक रीबैलेंसिंग मॉडलों का एक नेटवर्क लागू करता है। वे स्टेशन क्षमताओं का अनुमान लगाने और रीबैलेंसिंग ट्रकों के लिए ओवरफ्लो मार्गों की सिफारिश करने के लिए राइडर प्रवाह के ग्रेडिएंट्स का उपयोग करते हैं। Lyft के ऐप पर डॉकलेस स्कूटरों की उपलब्धता समान ग्रेविटी मॉडल लेती है जो विशिष्ट क्षेत्रों में वाहन गिनती और पिक-अप दर को प्राथमिकता देते हैं।
मियामी, वाशिंगटन, डी.सी. और अन्य के साथ Lyft के ट्रांज़िट एकीकरण सार्वजनिक परिवहन अनुसूचियों के साथ अपने Waymo रोबोटैक्सी भागीदारों और ऑन-डिमांड शटलों को संरेखित करने के लिए AI का उपयोग करते हैं। सितंबर 2025 में, Lyft ने नैशविले में स्व-ड्राइविंग कारों का उपयोग करने के लिए Waymo के साथ और अटलांटा में स्वायत्त शटलों के लिए May Mobility के साथ साझेदारी की। ये प्रणालियाँ रणनीतिक साझेदारियों का मूल्यांकन करने में प्रारंभिक थीं, जो प्रारंभिक Zimride दिनों से Stanford AI Lab-संबंधित अनुसंधान समूहों द्वारा आगे बढ़ाई गईं।
डेटा, प्रशिक्षण और बुनियादी ढांचा
Lyft के AI मॉडल ऐतिहासिक राइड लॉग, ड्राइवर/राइड डिस्पैच और, विशेष रूप से, स्थानों और मौसम के बड़े कोरपोरा पर प्रशिक्षित होते हैं। प्रशिक्षण प्रक्रिया हजारों GPUs के एक क्लस्टर का उपयोग करती है, जो तेजी से Amazon Web Services और Azure से किराए पर ली गई क्लाउड क्षमता पर निर्भर है, और संख्यात्मक कर्नेल के लिए cuDNN पर निर्भर करती है। प्रशिक्षण कोड PyTorch में लिखा गया है, और आंतरिक रिपॉजिटरी में स्पेटियोटेम्पोरल कार्यों के लिए कस्टम परतों का एक सूट शामिल है।
टीम राइडर इरादे और रद्दीकरण रिबाउंड मॉडल के लिए Transformer डिकोडर और ध्यान वेरिएंट भी नियोजित करती है, जो पाठ भावना (सहायता टिकटों से) को संख्यात्मक उपयोग डेटा के साथ विलय करती है। Lyft इंजीनियरों के हालिया सार्वजनिक व्याख्यानों में व्यक्तिगत सुविधाओं के लिए बोर्ड विभाजन और क्षमता को संतुलित करने के लिए एक लैम्ब्डा फ़ंक्शन का उल्लेख किया गया है। Lyft का ओपन-सोर्स [(वैकल्पिक)] स्थानिक बाजार सिमुलेशन के लिए एक हल्का पैरामीटर पुस्तकालय है।
सुरक्षा, विनियमन और बाहरी सहयोग
गतिशील मूल्य निर्धारण के कानूनी उपयोग को देखते हुए, Lyft कई राज्य और शहर नियामकों को पूर्वानुमान संचारित करता है। कंपनी के पास पहुंच में संभावित अधिक वजन और सांस्कृतिक भेदभाव को कम करने के लिए एक आंतरिक ML निष्पक्षता समूह है। सभी मामले: 2025 की शुरुआत में, डेट्रोइट के एक रैपर, Dajua Blanding ने Lyft पर मुकदमा दायर किया, जब एक ड्राइवर ने उसकी राइड से इनकार कर दिया, कथित तौर पर यह दावा करते हुए कि वह "बहुत बड़ी" थी। Lyft की नीतियों को रूटिंग एल्गोरिदम में एम्बेडेड WiFi या इस मामले पर विशिष्ट नियामक अनुपालन की आवश्यकता होती है, लेकिन इस घटना ने डिस्पैच में एल्गोरिदमिक गेटकीपिंग के बारे में सार्वजनिक बहस छेड़ दी।
उस कानूनी कार्रवाई को समाप्त करने वाला समझौता, वजन-आधारित भेदभाव, ने तब से आंतरिक दृष्टिकोण सर्वेक्षण और प्रशिक्षण मॉडलों को प्रेरित किया है ताकि ड्राइवर-प्रोजेक्शन को संशोधित किया जा सके जब संभावित राइडर + ड्राइवर संतुलन के कुछ आयाम पूरे नहीं होते हैं।
वित्तपोषण और स्पिन-ऑफ
Lyft का वित्त यात्रा वास्तुकला और AI के उपयोग पर ध्यान केंद्रित करने के कारण मजबूत रहा है। मार्च 2019 में कंपनी का IPO $24.3 बिलियन मूल्यांकन पर $2.34 बिलियन जुटाया, जिससे प्रारंभिक AI निवेशों को सुविधा मिली। अप्रैल 2021 में, Lyft ने अपने स्व-ड्राइविंग डिवीजन को Toyota को $550 मिलियन में बेच दिया, जिससे एक Motional संयुक्त उद्यम स्पिन-ऑफ हुआ। इस बिक्री ने Lyft को वाहन स्वतंत्रता को आउटसोर्स करते हुए अपना मुख्यधारा AI विकास जारी रखने दिया।
अपने पूरे इतिहास में, Lyft ने संबंधित व्यवसायों का अधिग्रहण किया है: 2018 में Motivate, 2022 में PBSC, और 2025-2026 में Freenow और TBR Global Chauffeuring। इन सौदों ने Lyft के ऐप की पहुंच को सैकड़ों मिलियन ऑर्डर तक बढ़ाया और, विशेष रूप से यूरोप और स्पेन में, 2026 में Serveo बाइकशेयर के अधिग्रहण के साथ एक नया भौगोलिक फोकस जोड़ा।
आगे का रास्ता
Lyft का AI मौलिक रूप से निजी बेड़े रूटिंग और ऑन-डिमांड शहरों में धकेलने के लिए भारी पूरक पर केंद्रित है। Waymo और May Mobility के साथ साझेदारी कार के रूप में स्वायत्त इकाइयों के लिए एक अनुमेय मार्ग का संकेत देती है। ऐतिहासिक रूप से, कंपनी लंबे समय से मानक गेटकीपिंग की सहयोगी रही है; ड्राइवरलेस AI में आंतरिक प्रगति 2018 में COO के रूप में Jon McNeil (पूर्व Tesla अध्यक्ष) के साथ शुरू हुई। 2026 तक, Lyft सभी राइड-आधारित स्वायत्त फॉलबैक के लिए इन-हाउस लर्निंग सिस्टम नींव की खोज कर रहा है।
कंपनी मशीन-लर्निंग विश्वविद्यालय स्नातकों की भर्ती की पुष्टि करती है और साथ ही उपयोगकर्ता समुदायों और नियामकों से इनपुट पर विचार करती है। उद्देश्य उपायों में राइडर की हरी-बत्ती यात्रा समय की भविष्यवाणी करने की क्षमता और टेलीमेट्री में अद्यतन, और Azure के पूर्व स्थान के साथ मौलिक आदान-प्रदान शामिल हैं।