Uber AI Labs

연구에서 현실 세계의 영향으로

Uber AI Labs는 물리적 물류에서 기계 지능이 맡을 역할에 대한 전략적 베팅으로 시작되었습니다. 이 부서는 2016년 12월에 출범했으며, 인지과학자 Gary Marcus가 이끈 15인 규모의 AI 스타트업 Geometric Intelligence 인수를 중심으로 구축되었습니다.

창립 비전은 실제 이동에서 비롯되는 고차 지능 문제를 해결하는 데 초점을 맞췄습니다. 이러한 과제는 경로 최적화, 도착 시간 예측, 라이드 풀링, 자율 주행 내비게이션에 이르기까지 다양하며, 전통적인 알고리즘이 불확실성과 복잡성 때문에 어려움을 겪던 영역들입니다.

당시 Uber의 최고제품책임자였던 Jeff Holden은 연구소의 임무를 교통을 더 빠르고, 더 안전하며, 더 쉽게 이용할 수 있도록 하기 위해 기술의 선진 수준을 발전시키는 것으로 규정했습니다. 초기 팀은 샌프란시스코에 자리를 잡고, 학술 연구와 산업 규모의 배치가 만나는 지점에 자신을 위치시켰습니다.

핵심 연구 분야

연구소의 작업은 여러 AI 분야에 걸쳐 있으며, 각각은 특정한 운영상의 필요와 연결됩니다. 딥러닝 모델은 마켓플레이스 최적화를 구동해, 실시간으로 라이더 수요와 드라이버 공급의 균형을 맞춥니다. 강화학습 기법은 특히 공항 같은 교통량이 많은 위치에서 드라이버 가용성을 예측하는 데 도움을 줍니다.

확률적 모델링은 교통 패턴과 레스토랑 준비 시간 같은 변수를 고려해 라이드와 음식 배달의 도착 시간 추정에 정보를 제공합니다. 대규모 언어 모델과 생성 AI는 보다 최근에는 대화형 인터페이스, 코드 리뷰 자동화, 데이터 라벨링 품질 관리에 적용되고 있습니다.

최근 프로젝트들은 연구소가 연구와 제품을 연결하는 데 집중하고 있음을 보여줍니다. 검색 증강 생성 시스템은 설계 명세를 자동화해, 수작업 노력을 몇 시간에서 몇 분으로 줄입니다. 또 다른 이니셔티브는 순차 모델링을 활용해 광고를 개인화함으로써 사용자 경험을 해치지 않으면서도 관련성을 높입니다.

Uber 플랫폼 전반에서 AI 확장하기

연구소의 연구는 Uber의 글로벌 운영이 가진 규모와 복잡성을 직접적으로 다룹니다. 도시 중심지, 교외, 공항 등 다양한 환경에서 매일 수백만 건의 이동이 이뤄지며, 플랫폼은 방대한 데이터셋을 생성해 AI 모델에 입력됩니다. 이러한 현실 데이터는 시스템을 학습할 때 엣지 케이스와 롱테일 시나리오를 처리할 수 있게 해주는 독특한 이점을 제공합니다.

한 가지 예로, Uber의 배달 검색 플랫폼은 현재 초당 수백만 건의 쿼리를 처리합니다. 이 시스템은 머신러닝을 사용해 배달 시간, 레스토랑 인기도, 사용자 선호 같은 요소를 바탕으로 결과의 순위를 매깁니다. 또 다른 프로젝트인 uReview는 생성 AI를 활용해 코드 리뷰를 자동화함으로써, 프로세스에 대한 신뢰를 유지하면서도 효율을 높입니다.

이러한 모델을 규모 있게 배치하는 데는 인프라가 핵심적인 역할을 합니다. 연구소는 운영을 중단하지 않으면서도 최신 버전과의 호환성을 보장하기 위해 200만 개가 넘는 Spark 잡을 업그레이드하는 전략을 개발했습니다. 관측성 도구는 Uber의 페타바이트 규모 데이터 레이크를 모니터링하며, 데이터 품질과 모델 성능에 대한 통찰을 제공합니다.

자율성과 향후 방향

자율 시스템은 여전히 핵심 집중 분야이지만, 접근 방식은 진화했습니다. 2026년 Uber는 자율성 생태계를 데이터 기반 학습으로 가속하기 위해 AV Labs를 출범시켰습니다. 이 이니셔티브는 시뮬레이션에서 재현하기 어려운 드문 실제 주행 시나리오를 포착하기 위해 Uber의 운영 규모를 활용합니다.

AV Labs는 머신러닝, 컴퓨터 비전, 시스템 엔지니어링 분야의 전문가들을 한데 모읍니다. 팀의 작업은 인식, 예측, 계획 역량을 향상시키는 데이터 플라이휠을 구축하는 데 중심을 둡니다. 여기에는 운영 데이터를 채굴하고, 시뮬레이션 환경을 정교화하며, 시스템 수준의 개선 사항을 검증하는 일이 포함됩니다.

연구소의 연구는 모델이 더 큰 자율성을 바탕으로 복잡한 작업을 해결하는 에이전틱 AI 시스템으로 계속 확장되고 있습니다. 대화형 AI 데이터 에이전트인 Finch 같은 프로젝트는 이러한 시스템이 금융 인사이트와 운영 의사결정 같은 영역에서 새로운 역량을 어떻게 열어줄 수 있는지를 보여줍니다.

채용은 연구와 엔지니어링 역할 전반에서 활발히 진행되고 있으며, 이론적 발전을 실제 배치로 연결할 수 있는 후보자에 초점을 맞춥니다. 연구소의 구조는 이러한 이중 임무를 반영해, 학술적 엄밀함과 매일 수백만 사용자를 지원하는 글로벌 플랫폼이 요구하는 조건을 함께 결합합니다.