Lyft AI는 미국에서 두 번째로 큰 라이드셰어링 기업인 Lyft, Inc.가 운영하는 머신러닝 및 인공지능 시스템 제품군을 포괄하며, 이 회사의 승차 호출, 전동 킥보드, 자전거 공유 서비스를 운영하는 데 사용된다. 이 회사는 미국, 캐나다, 그리고 Freenow 모바일 앱을 통해 유럽에서 2,500만 명의 활성 이용자를 위해 하루 900만 건의 승차를 조정한다. 이러한 AI 시스템은 기사-승객 매칭부터 동적 가격 책정과 경로 최적화에 이르는 핵심 기능을 처리하며, 수십억 건의 완료된 여정과 실시간 센서 입력에서 얻은 데이터 스트림을 활용한다.
Lyft AI 전략의 기반은 딥러닝 모델을 운영 백본에 통합하는 것이다. 이러한 모델은 과거 여정 기록, 교통 패턴, 지리 데이터를 학습하여 수요 급증을 예측하고, 도착 시간을 추정하며, 차량을 효율적으로 배치한다. 2024년, Lyft는 첫 GAAP 흑자를 보고했으며, 그 전환의 일부를 기사 유지와 물류에서 머신러닝 기반 효율성 덕분으로 돌렸다. 이 회사의 인간 디스패처에서 알고리즘 기반 조정으로의 전환은 2010년대 후반에 시작되었으며, 2021년 자율주행 부문 매각 이후 가속화되어 하드웨어보다 소프트웨어에 집중할 수 있게 되었다.
매칭 및 수요 예측
Lyft의 핵심 AI 문제는 밀집된 도시 환경에서 기사와 승객을 매칭하는 것으로, 기사 수입, 승객 대기 시간, 차량 활용도를 균형 있게 조정해야 하는 작업이다. 이 회사는 각 여정의 메타데이터를 시계열로 처리하는 시퀀스-투-시퀀스 모델 변형을 사용하여 픽업 위치, 목적지, 교통 상황과 같은 특징을 벡터화된 표현으로 변환한다. 이 출력은 다층 신경망에 전달되어 가능한 모든 기사-승객 쌍을 점수화하며, 기사 호환성 지표와 시간별 수요를 통합한다. 이는 대규모 언어 모델이 텍스트 완성에 대해 수행하는 방식과 유사하지만, 여기서 맥락은 승차이다.
수요 예측은 또 다른 핵심 응용 분야이다. 버클리 AI 연구소의 연구자들은 시간대와 계절 패턴에 따른 승차 요청 예측에 대한 초기 작업에 기여했으며, 이는 Lyft의 서지 가격 책정 시스템에 반영되었다. 가격 책정 엔진은 지역 공급 및 수요 곡선을 과거 여정 데이터와 대조하며, 서지는 생성 모델의 온도 스케일링과 유사한 학습된 평활화 요소를 사용하여 수익과 승객 유지율을 균형 있게 조정한다. 2018년 이후, 실시간 날씨 및 공공 이벤트 데이터가 지리 API와 병합되어 픽업 지점과 예상 대기 시간 예측을 개선했다.
기사 및 승객 안전 시스템
Lyft의 안전 모니터링은 여정 원격 측정과 기사 행동 데이터에 의존한다. 스마트폰 센서의 가속도계 판독값과 기사 간 채팅 기록은 기기 내 임베딩에 버퍼링된 후, 급제동이나 급회전을 플래그하는 잔차 네트워크에 의해 분류된다. 이러한 이상 징후 점수는 모든 기사 평점의 평균(각 여정마다 업데이트됨)과 결합되며, 임계값을 초과할 때 인간 검토로 에스컬레이션된다. 예를 들어, 낮은 평균 평점과 갑작스러운 급제동 이벤트가 있는 기사가 그 경우이다. 대화 로그의 RLAIF 스타일 피드백은 공격적인 언어 패턴을 감지하는 보호된 분류기에도 공급되며, 이는 매주 보고된 사건으로 정제된다.
안전 보관 체인은 승객 인증까지 확장된다. 기사 얼굴의 생체 인식 지도와 내장 ID는 시작 시 시각적 주의 모델에 의해 매칭되지만, 실제 얼굴 비교는 정체성 핵심 특징을 추출하는 특별히 훈련된 컨볼루션 네트워크를 사용한다. 승객이 익숙하지 않은 전화번호로 기사에게 전화하는 사기에서, Lyft 시스템은 중계를 통해 통화를 마스킹하며, 사기 분류기는 사기와 상관관계가 있는 반복 통화의 숫자 패턴을 플래그한다.
광고 및 데이터 수익화
Lyft의 AI는 승차를 넘어 확장된다. 2020년 3월 Halo Cars를 인수한 후, Lyft는 해당 플랫폼의 디지털 광고 디스플레이 시스템을 통합하여 기사가 차량 외부에 타겟 광고를 표시함으로써 수익을 얻을 수 있게 했다. 이러한 광고 모델의 모델 가지치기 파이프라인은 대상 고객 계층을 선택하며, 광고 시장의 신규 참여자는 사전 훈련된 위치 기반 클릭률 모델의 빠른 미세 조정을 통해 온보딩될 수 있다.
동일한 머신러닝 인프라는 프리미엄 서비스에 대한 승객의 지불 의향도 예측하며, 경로의 실시간 편차에 따라 각 차량의 광고 배치를 조정한다. 개인정보는 기기 내 추론으로 보호되며, 광고 방문 횟수만 시간 단위로 집계된 후 분기별 승차 재무 데이터와 혼합되어 외부 공간 채움을 보고한다.
자전거, 킥보드 및 대중교통 통합
Citi Bike와 Capital Bikeshare를 포함한 자전거 공유 시스템의 경우, Lyft는 물류 재균형 모델 네트워크를 적용한다. 이들은 승객 흐름의 기울기를 사용하여 역 용량을 예측하고 재균형 트럭에 오버플로우 경로를 권장한다. Lyft 앱의 도크리스 킥보드 가용성은 특정 지역의 차량 수와 픽업률을 우선시하는 유사한 중력 모델을 사용한다.
마이애미, 워싱턴 D.C. 등의 대중교통 통합에서 Lyft는 AI를 사용하여 Waymo 로보택시 파트너와 온디맨드 셔틀을 대중교통 일정에 맞춘다. 2025년 9월, Lyft는 내슈빌에서 자율주행차를 사용하기 위해 Waymo와 파트너십을 맺었고, 애틀랜타의 자율 셔틀을 위해 May Mobility와 협력했다. 이러한 시스템은 초기 Zimride 시절의 스탠포드 AI 연구소 인접 연구 그룹에 의해 발전된 전략적 파트너십 평가 초기 단계에 있었다.
데이터, 훈련 및 인프라
Lyft의 AI 모델은 과거 승차 로그, 기사/승차 디스패치, 그리고 특히 대규모 위치 및 날씨 코퍼스로 훈련된다. 훈련 프로세스는 수천 개의 GPU 클러스터를 사용하며, 점점 더 아마존 웹 서비스와 애저의 임대 클라우드 용량에 의존하고, 수치 커널에 cuDNN을 사용한다. 훈련 코드는 PyTorch로 작성되며, 내부 저장소에는 시공간 작업을 위한 맞춤형 레이어 제품군이 포함되어 있다.
팀은 또한 승객 의도 및 취소 반등 모델을 위해 트랜스포머 디코더와 어텐션 변형을 사용하며, 텍스트 감정(지원 티켓에서)과 수치 사용 데이터를 병합한다. Lyft 엔지니어의 최근 공개 발표는 개인화 기능을 위한 보드 세분화와 용량 균형을 위한 람다 함수를 언급한다. Lyft의 오픈소스 [(선택 사항)]는 공간 시장 시뮬레이션을 위한 경량 매개변수 라이브러리이다.
안전, 규제 및 외부 협력
동적 가격 책정의 법적 사용을 고려하여, Lyft는 여러 주 및 도시 규제 기관에 예측을 전달한다. 이 회사는 접근에서 잠재적 과중 및 문화적 차별을 줄이기 위한 내부 ML 공정성 그룹을 보유하고 있다. 모든 사례: 2025년 초, 디트로이트 래퍼 Dajua Blanding은 기사가 그녀가 "너무 크다"고 주장하며 승차를 거부한 후 Lyft를 고소했다. Lyft의 정책은 라우팅 알고리즘에 내장된 WiFi 문제에 대한 특정 규제 준수를 요구하지만, 이 사건은 디스패치의 알고리즘 게이트키핑에 대한 공개 논쟁을 촉발했다.
그 법적 조치를 종결한 합의, 체중 기반 차별은 이후 내부 태도 조사와 훈련 모델을 촉발하여 잠재적 승객 + 기사 균형의 특정 차원이 충족되지 않을 때 기사 프로젝션을 수정하도록 했다.
자금 조달 및 분사
Lyft의 재정은 여정 아키텍처와 AI 사용에 대한 집중 덕분에 강세를 유지해 왔다. 이 회사의 2019년 3월 IPO는 243억 달러의 가치 평가로 23억 4천만 달러를 모금하여 초기 AI 투자를 촉진했다. 2021년 4월, Lyft는 자율주행 부문을 5억 5천만 달러에 Toyota에 매각하고 Motional 합작 투자를 분사했다. 이 매각으로 Lyft는 차량 독립성을 아웃소싱하면서 주류 AI 개발을 계속할 수 있었다.
역사를 통해 Lyft는 관련 사업을 인수해 왔다: 2018년 Motivate, 2022년 PBSC, 그리고 2025-2026년 Freenow와 TBR Global Chauffeuring. 이러한 거래는 Lyft 앱의 범위를 수억 건의 주문으로 확장했으며, 특히 유럽과 스페인에서는 2026년 Serveo 자전거 공유 인수로 새로운 지리적 초점이 추가되었다.
향후 전망
Lyft의 AI는 근본적으로 민간 차량 라우팅과 온디맨드 도시 진출의 압도적 보완에 중점을 둔다. Waymo 및 May Mobility와의 파트너십은 자율 주행 유닛으로의 허용적 경로를 의미한다. 역사적으로 이 회사는 표준 게이트키핑의 오랜 동맹자였으며, 무인 AI로의 내부 진행은 2018년 COO로 Jon McNeil(전 Tesla 사장)이 합류하면서 시작되었다. 2026년 현재, Lyft는 모든 승차 기반 자율 폴백을 위한 사내 학습 시스템 기반을 탐색하고 있다.
이 회사는 머신러닝 대학 졸업생 고용을 확약하면서 동시에 사용자 커뮤니티와 규제 기관의 입력을 고려한다. 객관적 지표에는 승객의 녹색 신호 여정 시간 예측 능력 업데이트와 원격 측정, 그리고 Azure 이전 장소와의 기초적 교류가 포함된다.