Uber使用人工智能来了解用户的支付意愿

简介:

Uber承认已经使用人工智能来根据客户的支付意愿向他们收取费用。据彭博社报道,Uber公司表示,基于人工智能和新算法系统能够根据目的地、时间和位置来估算客户群愿意支付的费率。

Uber使用人工智能来了解用户的支付意愿

过去,你的费用是依据里程、时间和地理需求计算出来的。然而,新的“基于路线的定价”系统利用机器学习技术,参考很多社会学因素调整定价。

新系统目前在14个城市开展业务。如这份出版物所指出的,例如,如果有乘客预定从一个富裕地区乘车去另一个富裕地区,他被要求的费用可能会高于另一个前往不那么富裕地区的乘客——无论距离长短、里程数或需要出行的时间。

此外,尽管调整的价格可能会上涨,但这并不意味着驾驶员会看到收入的上涨。

这个问题来自于Uber所说的“前期定价”,它保证客户在预订之前获得固定的票价。乘客知道他们预计要支付多少钱,但驾驶员们却表示他们还没有看到人工智能系统产生的调高价格产生的额外补偿。

在一份声明中,Uber一位发言人表示,路线的定价不一样,“这是根据我们对驾驶员的理解”进行的选择,所以我们可以在更多的地方为更多的人提供他们能够负担的起的价格。

该发言人补充表示:“乘客一直是在乘车之前就知道行程的费用,驾驶员将会以完全透明的方式获得工作,他们会知道乘客为每次搭车支付的费用以及Uber在每次出行中挣多少钱。”

Uber的产品总监Daniel Graf表示,这个人工智能系统是去年首次推出试用的。

可能基于算法的定价可以帮助Uber在面对不仅是传统的出租车公司,而且在面对诸如Lyft之类竞争对手公司时保持领先。

Uber在驾驶员的工资和客户支付的费用之间留下了额外的金额,Graf称之为创造“可持续”业务的方式,这位高管认为这有可能是有朝一日弥合盈利能力和银行余额赤字之间的差异的途径。

为了减轻驾驶员的疑虑,Uber计划报告乘客为每次乘车支付的价格,更新的服务协议将规定新系统的结构。

Uber表示,上述资金用于支付驾驶员奖金,并在整个系统中投入更多的资金,但还有待观察的是,由数据分析驱动的票价模式是否会疏远驾驶员。

据相关消息,在过去一年中,Uber和Google拥有的Waymo已经卷入与Uber的自驾车项目前任主管——即前任Google工程师Anthony Levandowski——盗用商业秘密的法律纠纷中。

这位高管现在已经离开了管理岗位,但拒绝否认或承认窃取与Google的LiDAR传感器和映射技术有关的文件。

为了摆脱这件事情,Uber要求Levandowski要么返还据称被盗的文件,要么就正式否认盗窃——否则就会失去他的工作。

更新时间——格林尼治标准时间17:44 :更新后变得更为清晰。


原文发布时间为: 2017年5月23日

本文作者:李超

本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网。

相关文章
|
存储 人工智能 安全
大数据和人工智能如何彻底改变支付方式
通过解释和分析数据,企业可以了解和预测趋势、提高安全性,并做出数据驱动的决策。大数据和人工智能技术可以超越市场预测,企业可以使用数据来改进工作流程,并优化和提高投资回报率。本文探讨了企业如何利用大数据和人工智能工具来提高投资回报率。
749 0
为打造可自动驾驶单车与滑板车,Uber或成立新人工智能团队
新成立的Micromobility Robotics团队,将探索把传感器和机器人技术运用到电动自行车和滑板车中。
447 0
|
机器学习/深度学习 人工智能 算法
|
10月前
|
机器学习/深度学习 存储 人工智能
AI职场突围战:夸克应用+生成式人工智能认证,驱动“打工人”核心竞争力!
在AI浪潮推动下,生成式人工智能(GAI)成为职场必备工具。文中对比了夸克、豆包、DeepSeek和元宝四大AI应用,夸克以“超级入口”定位脱颖而出。同时,GAI认证为职场人士提供系统学习平台,与夸克结合助力职业发展。文章还探讨了职场人士如何通过加强学习、关注技术趋势及培养合规意识,在AI时代把握机遇。
|
9月前
|
机器学习/深度学习 人工智能 自然语言处理
人工智能应用领域有哪些
本文全面探讨了人工智能(AI)的应用领域和技术核心,涵盖医疗、交通、金融、教育、制造、零售等多个行业,并分析了AI技术的局限性及规避策略。同时,介绍了生成式人工智能认证项目的意义与展望。尽管AI发展面临数据依赖和算法可解释性等问题,但通过优化策略和经验验证,可推动其健康发展。未来,AI将在更多领域发挥重要作用,助力社会进步。
|
机器学习/深度学习 人工智能 运维
人工智能在事件管理中的应用
人工智能在事件管理中的应用
338 21
|
机器学习/深度学习 人工智能 搜索推荐
探索人工智能在现代医疗中的革新应用
本文深入探讨了人工智能(AI)技术在医疗领域的最新进展,重点分析了AI如何通过提高诊断准确性、个性化治疗方案的制定以及优化患者管理流程来革新现代医疗。文章还讨论了AI技术面临的挑战和未来发展趋势,为读者提供了一个全面了解AI在医疗领域应用的视角。
281 11
|
机器学习/深度学习 人工智能 自然语言处理
人工智能在医疗诊断中的应用与前景####
本文深入探讨了人工智能(AI)技术在医疗诊断领域的应用现状、面临的挑战及未来发展趋势。通过分析AI如何辅助医生进行疾病诊断,提高诊断效率和准确性,以及其在个性化医疗中的潜力,文章揭示了AI技术对医疗行业变革的推动作用。同时,也指出了数据隐私、算法偏见等伦理问题,并展望了AI与人类医生协同工作的前景。 ####
936 0
|
机器学习/深度学习 数据采集 人工智能
人工智能在变更管理中的应用:变革的智能化之路
人工智能在变更管理中的应用:变革的智能化之路
553 13
|
人工智能 缓存 异构计算
云原生AI加速生成式人工智能应用的部署构建
本文探讨了云原生技术背景下,尤其是Kubernetes和容器技术的发展,对模型推理服务带来的挑战与优化策略。文中详细介绍了Knative的弹性扩展机制,包括HPA和CronHPA,以及针对传统弹性扩展“滞后”问题提出的AHPA(高级弹性预测)。此外,文章重点介绍了Fluid项目,它通过分布式缓存优化了模型加载的I/O操作,显著缩短了推理服务的冷启动时间,特别是在处理大规模并发请求时表现出色。通过实际案例,展示了Fluid在vLLM和Qwen模型推理中的应用效果,证明了其在提高模型推理效率和响应速度方面的优势。
云原生AI加速生成式人工智能应用的部署构建

热门文章

最新文章