Lyft AIは、米国第2位のライドシェアリング企業であるLyft, Inc.が配車、電動スクーター、自転車シェアリングサービスを運営するために展開する機械学習および人工知能システム群を包含する。同社は、米国、カナダ、およびFreenowモバイルアプリを通じて欧州で、2500万人のアクティブライダーに対して1日あたり900万回の乗車を調整している。これらのAIシステムは、ライダーとドライバーのマッチングから動的価格設定、ルート最適化までの中核機能を処理し、数十億件の完了したトリップとリアルタイムのセンサー入力からのデータストリームを活用している。
LyftのAI戦略の基盤は、深層学習モデルを運用のバックボーンに統合することである。これらのモデルは、過去のトリップ記録、交通パターン、地理データに基づいて訓練され、需要の急増を予測し、到着時間を推定し、車両を効率的に配分する。2024年、Lyftは初のGAAPベースの黒字を報告し、その回復の一部をドライバー維持と物流における機械学習主導の効率化に帰した。同社の人間のディスパッチャーからアルゴリズムベースの調整への移行は2010年代後半に始まり、2021年の自動運転部門売却後、ハードウェアではなくソフトウェアに集中できるよう加速した。
マッチングと需要予測
Lyftの中核的なAI課題は、密集した都市環境でのライダーとドライバーのマッチングであり、ドライバーの収入、ライダーの待ち時間、車両利用率のバランスを取る必要がある。同社はシーケンス・ツー・シーケンスモデルの変種を採用し、各トリップのメタデータを時系列として処理し、ピックアップ場所、目的地、交通状況などの特徴をベクトル化された表現に変換する。この出力は多層のニューラルネットワークに渡され、すべての可能なライダーとドライバーのペアをスコアリングし、ドライバーの互換性指標と時間ごとの需要を統合する。これは大規模言語モデルがテキスト補完を行うのと同様だが、ここでのコンテキストは乗車である。
需要予測ももう1つの主要な応用である。かつてバークレーAI研究所に所属していた研究者たちは、時間帯と季節パターンに基づく乗車リクエスト予測の初期研究に貢献し、それがLyftのサージ価格設定システムに組み込まれた。価格設定エンジンは、地域の供給と需要の曲線を過去のトリップデータと照合し、サージは生成モデルにおける温度スケーリングに似た学習された平滑化係数を使用して、収益と乗客維持のバランスを取る。2018年以降、リアルタイムの天候や公共イベントデータが地理APIと統合され、ピックアップ地点と予想待ち時間の予測が改善されている。
ドライバーとライダーの安全システム
Lyftの安全監視は、トリップテレメトリとドライバーの行動データに依存している。スマートフォンセンサーからの加速度計の読み取り値とドライバー間のチャットトランスクリプトは、デバイス上の埋め込みにバッファリングされ、その後、急ブレーキや急旋回をフラグ付けする残差ネットワークによって分類される。これらの異常スコアは、全ドライバー評価の平均（各トリップごとに更新）と組み合わされ、しきい値を超えた場合（低い平均評価と突然の急ブレーキイベントを持つドライバーなど）に人間のレビューにエスカレーションされる。会話ログからのRLAIFスタイルのフィードバックも、攻撃的な発話パターンを検出するガード付き分類器に供給され、毎週報告されるインシデントによって洗練される。
安全の保管連鎖はライダー認証にも及ぶ。ドライバーの顔と埋め込みIDの生体認証マップは、起動時に視覚的注意モデルによって照合されるが、実際の顔比較は、アイデンティティに重要な特徴を抽出するために特別に訓練された畳み込みネットワークを使用する。ライダーが馴染みのない電話番号でドライバーに電話をかける詐欺では、Lyftのシステムはリレーを介して通話をマスクし、詐欺分類器は詐欺と相関する繰り返し通話の数値パターンをフラグ付けする。
広告とデータ収益化
LyftのAIは乗車を超えて拡張している。2020年3月にHalo Carsを買収した後、Lyftはそのプラットフォームのデジタル広告表示システムを統合し、ドライバーが車両の外装にターゲット広告を表示することで収益を得られるようにした。これらの広告モデルのモデル枝刈りパイプラインは、オーディエンスターゲティング層を選択し、広告市場への新規参入者は、事前訓練された位置ベースのクリックスルーモデルの迅速なファインチューニングを通じてオンボーディングできる。
同じ機械学習インフラストラクチャは、プレミアムサービス（ストリートカー・ルアーなど）への支払い意欲も予測し、ルートのリアルタイム偏差に基づいて各車両の広告配置を調整する。プライバシーはデバイス上の推論によって保護され、広告訪問のカウントのみが数時間の期間にわたって集計され、その後、四半期ごとの乗車財務データとブレンドされて外装スペースの充填率が報告される。
自転車、スクーター、交通機関統合
Citi BikeやCapital Bikeshareを含む自転車シェアリングシステムでは、Lyftはロジスティック再均衡化モデルのネットワークを適用している。ライダーの流れの勾配を使用してステーション容量を予測し、再均衡化トラックにオーバーフロールートを推奨する。Lyftアプリでのドックレススクーターの利用可能性は、特定エリアの車両数とピックアップ率を優先する同様の重力モデルを取る。
Lyftのマイアミ、ワシントンD.C.などとの交通機関統合は、AIを使用してWaymoロボタクシーパートナーとオンデマンドシャトルを公共交通機関のスケジュールに合わせる。2025年9月、Lyftはナッシュビルで自動運転車を使用するためにWaymoと提携し、アトランタではMay Mobilityと自動運転シャトルで提携した。これらのシステムは、初期のZimride時代からのスタンフォードAI研究所関連の研究グループによって進められた戦略的パートナーシップの評価において初期段階にあった。
データ、訓練、インフラストラクチャ
LyftのAIモデルは、過去の乗車ログ、ドライバー/乗車ディスパッチ、そして特に大規模な場所と天候のコーパスに基づいて訓練される。訓練プロセスは数千のGPUのクラスターを使用し、ますますAmazon Web ServicesやAzureからのレンタルクラウド容量に依存し、数値カーネルにはcuDNNを利用している。訓練コードはPyTorchで書かれており、内部リポジトリには時空間タスク用のカスタム層のスイートが含まれている。
チームはまた、ライダーの意図とキャンセルリバウンドモデルにTransformerデコーダーとアテンション変種を採用し、テキスト感情（サポートチケットから）と数値使用データをマージしている。Lyftエンジニアによる最近の公開講演では、パーソナライズ機能のためのボードセグメンテーションと、容量のバランスを取るためのラムダ関数について言及されている。Lyftのオープンソース（任意）は、空間市場シミュレーション用の軽量パラメータライブラリである。
安全性、規制、外部コラボレーション
動的価格設定の合法的な使用を考慮して、Lyftは複数の州および都市の規制当局に予測を伝達している。同社は、アクセスにおける潜在的な過体重と文化的差別を減らすための内部ML公平性グループを持っている。すべてのケース：2025年初頭、デトロイトのラッパー、Dajua Blandingは、ドライバーが彼女の乗車を拒否した後、Lyftを訴えた。ドライバーは彼女が「大きすぎる」と主張したとされる。Lyftのポリシーは、ルーティングアルゴリズムに組み込まれたWiFiまたは関連事項に関する特定の規制コンプライアンスを要求しているが、この事件はディスパッチにおけるアルゴリズムによるゲートキーピングについての公の議論を引き起こした。
その法的措置を終わらせた和解（体重ベースの差別）は、以来、内部の態度調査と、潜在的なライダー+ドライバーのバランスの特定の次元が満たされない場合にドライバー予測を修正するための訓練モデルを引き起こした。
資金調達とスピンオフ
Lyftの財務は、トリップアーキテクチャへの焦点とAIの使用により堅調である。同社の2019年3月のIPOは、243億ドルの評価額で23.4億ドルを調達し、初期のAI投資を促進した。2021年4月、Lyftは自動運転部門をトヨタに5億5000万ドルで売却し、Motional合弁事業をスピンオフした。この売却により、Lyftは車両の独立性を外部委託しながら、主流のAI開発を継続できた。
その歴史を通じて、Lyftは関連ビジネスを買収してきた：2018年のMotivate、2022年のPBSC、そして2025-2026年のFreenowとTBR Global Chauffeuring。これらの取引は、Lyftのアプリのリーチを数億件の注文に拡大し、特に欧州とスペインでは、2026年のServeoバイクシェア買収が新しい地理的焦点を追加した。
今後の展望
LyftのAIは、基本的に民間フリートのルーティングと、オンデマンド都市への進出の圧倒的な補完に集中している。WaymoとMay Mobilityとの提携は、自動運転ユニットへの許容的なルートを示している。歴史的に、同社は標準的なゲートキーピングの長年の同盟者であり、ドライバーレスAIへの内部的な進展は、2018年にCOOとしてJon McNeil（元テスラ社長）が就任したことから始まった。2026年現在、Lyftはすべての乗車ベースの自動運転フォールバックのための社内学習システム基盤を模索している。
同社は機械学習の大学卒業生の採用を確認し、同時にユーザーコミュニティと規制当局からの入力を考慮している。客観的な指標には、ライダーが青信号のトリップ時間を予測する能力の更新、テレメトリ、およびAzureの元拠点との基盤的な交流が含まれる。