Lyft部署了一個AI驅動的在地化系統，透過批次翻譯管道處理99%的面向使用者內容，將大部分內容的周轉時間從數天縮短至數分鐘。雙路徑架構同時將原始字串傳送到基於LLM的工作器進行快速草稿生成和翻譯管理系統進行人工監督。該系統的目標是95%的翻譯達到30分鐘SLA，同時為行程聊天訊息維護獨立的即時工作流程，針對低延遲進行最佳化。

這代表了科技公司在大規模國際化方法上的重大轉變。Lyft之前主要依賴手動工作流程，在擴張期間成為瓶頸，現在他們已經自動化了翻譯管道，同時保持人工參與品質控制。該架構將生成與評估分離——Drafter建立多個候選翻譯，而Evaluator評估準確性、流暢度和品牌一致性。這種分工減少了偏見並改善了錯誤偵測，解決了生產AI系統的關鍵挑戰。

值得注意的是這如何融入更廣泛的企業AI採用模式。Lyft與Smartling在Contentful整合上的合作表明他們正在利用現有的翻譯基礎設施，而不是內部建構所有內容。對安全、法律和風格約束的確定性防護措施的強調反映了面向消費者的公司不能承受可能造成法律或品牌問題的翻譯錯誤的現實。在全面部署前對小批次測試新AI策略的快速推出能力展示了成熟的MLOps實務。

對於建構類似系統的開發者，Lyft的方法提供了實用藍圖：帶有人工備份的並行處理、分離的生成和評估角色，以及強大的測試基礎設施。30分鐘SLA目標表明這不僅僅關於速度——而是關於可預測的、生產就緒的效能，能夠支援持續部署週期。