据首席科学家Zoubin Ghahramani称，Uber使用数千种机器学习模型来告知其业务的各个方面。他在VentureBeat的Transform 2020峰会上的一次会议上透露了这一消息，他在讲话中谈到了Uber在全球边缘和数据中心使用AI和物联网(IoT)技术的情况。
与普遍看法相反，自动驾驶汽车并不是Uber的AI和机器学习的主要驱动器，据Ghahramani称。(自2015年以来，Uber的Advanced Technologies Group就一直在开发和测试用于接送乘客的自动驾驶汽车。)相反，该公司的大部分算法都旨在处理Uber移动应用程序之间的自然语言交互，并检测欺诈和其他问题。例如，5月份，Uber推出了一个AI系统，以根据该公司的大流行健康和安全政策来验证驾驶员是否戴着口罩。
Ghahramani说，某些算法比云中的处理更适合设备上边缘处理。如果可以完全部署，基于Internet的解决方案在世界某些地区的可靠性要差得多。对于负责从驾驶员文档和识别照片中识别眩光，模糊和截断的那种系统，Uber使用“非常小”的移动优化模型来实时工作。
这些模型和其他模型(在线和离线)均由Uber的内部平台Michelangelo提供服务，该平台使团队能够大规模构建，部署和监视AI。Ghahramani说，米开朗基罗可以帮助跟踪模型的性能，为工程师和高管提供透明度。而且，它提供了Uber数据管道的可见性，使数据科学家可以花时间跟踪并确保数据质量。
运营AI
当被问及Uber在2019年5月的首次公开募股是否改变了其对AI的方法时，Ghahramani说，该公司将其重点从长期研究转移到了可以应对大流行等冲击的更灵活的方法。该公司在4月表示，全球的乘车要求下降了80%。在同一季度，餐厅外卖收入同比增长了50%以上。
“我们专注于显示投资回报。我们试图无情地优先考虑我们创造的产品的价值。” Ghahramani说。“人工智能和机器学习并不是魔术，它与您拥有的数据，用于从该数据中提取价值的工具以及操作这些工具的人员一样出色。”
其中一种工具是Ludwig，它是在Google TensorFlow之上构建的库，Uber内部使用该库来训练无需代码的模型。其他还包括对话式AI开发套件Plato。Piranha，一种自动删除陈旧代码的工具;Manifold，用于调试AI的可视工具;和Neuropod，一个抽象层旨在像TensorFlow和Facebook的PyTorch统一不同的框架。所有这些都可以在开源中获得。
Ghahramani说：“您必须投资于开源-拥抱它。”“这就是人们做事的方式。”