作者 | 張浩
AI前線出品｜ ID：ai-front
關(guān)于我
大家早上好，很高興有機(jī)會(huì)在這里分享。我對(duì)谷歌比較熟悉，我曾經(jīng)在谷歌工作一段時(shí)間。之前在硅谷的時(shí)候，那個(gè)時(shí)候谷歌在我們對(duì)面，當(dāng)時(shí)很羨慕谷歌公司的食堂，工程師文化和特別福利，我覺得在硅谷，這個(gè)不僅是獨(dú)樹一幟，而且在全世界作為工程師的話這里是一個(gè)夢(mèng)想之地，我特別榮幸世界上有谷歌這樣偉大的公司。前面一位分享講到了 TensorFlow，我一會(huì)兒不會(huì)講具體的工具，但是我會(huì)著重講這些工具的應(yīng)用，比如在“餓了么”就是大量應(yīng)用了 TensorFlow.
我今天主題是關(guān)于人工智能在 “餓了么” 的應(yīng)用實(shí)踐，所以今天主要是三部分，第一是 “餓了么” 簡(jiǎn)介，第二是 “餓了么” 的應(yīng)用場(chǎng)景，第三講運(yùn)籌優(yōu)化與機(jī)器學(xué)習(xí)的應(yīng)用實(shí)例，這部分會(huì)講一些算法。
關(guān)于餓了么
剛才主持人提到，在座所有人大部分都點(diǎn)過外賣，現(xiàn)在外賣成了中國(guó)吃飯的方式，點(diǎn)外賣是什么樣的量級(jí)，說起來大家嚇一跳，中國(guó)最大領(lǐng)域是電商，淘寶、京東，其次就是出行行業(yè)，滴滴、UBER 緊接是共享單車，這幾家公司加起來是一天兩三千萬訂單量左右。在外賣行業(yè)大家都知道，這個(gè)行業(yè)到今天為止已經(jīng)每天 2500 萬單，所以可以想象這個(gè)行業(yè)在飛速發(fā)展。為什么數(shù)據(jù)和算法起到那么大的作用，因?yàn)槲覀兌贾涝诨ヂ?lián)網(wǎng)+ 的情況下，有這么大的單量，至少是在數(shù)據(jù)行業(yè)我們有非常多事情要做。
第二部分就是大家也可以看見這張圖就是騎手小哥拿著箱子，要么走路，或者騎著電動(dòng)車。其實(shí)這就是本地物流平臺(tái)，為什么要強(qiáng)調(diào)本地，因?yàn)槲覀冃袠I(yè)特殊性跟其他物流行業(yè)不一樣，他們幾天時(shí)間到達(dá)，我們這個(gè)行業(yè)的本地物流一定是希望 30 分鐘送到手里，所以我們?cè)O(shè)計(jì)這個(gè)架構(gòu)的時(shí)候就有很大的挑戰(zhàn)，這個(gè)有一些不同，一會(huì)兒講到算法模型的時(shí)候就清楚了，我們是做一些本地的物流，所以時(shí)間上有非常嚴(yán)格的限制。
到今天為止的話，我們配送員已經(jīng)是 300 萬，平均每天在任何時(shí)刻全國(guó)都有 30 萬到 40 萬的騎手活躍線下，隨時(shí)準(zhǔn)備接單，這個(gè)跟滴滴是一樣的運(yùn)營(yíng)模式，現(xiàn)在已經(jīng)覆蓋了全國(guó) 2 千多個(gè)城市。
關(guān)于 AI @ 餓了么
這個(gè)跟大家簡(jiǎn)單過一下：首先是淘寶，我相信大部分都會(huì)用淘寶，淘寶是大家在線上買東西最常用的一個(gè)平臺(tái)，里面主要是以用戶和商戶為主，線下大家知道是同城當(dāng)日達(dá)更多定單是走開放平臺(tái)，大家下了定單送到大家的手里，這個(gè)是三通一達(dá)，也可以菜鳥自己，或者順豐，這個(gè)是開放平臺(tái)，最重要的一點(diǎn)是時(shí)效性，通常以天來計(jì)算，超時(shí)不會(huì)有所謂的賠償，這個(gè)是淘寶的情況。
我們看攜程，它可以定旅館，酒店，線上以用戶和商戶為主，不會(huì)有線下訂單的。
跟外賣行業(yè)特別接近的就是滴滴，其實(shí)在國(guó)外優(yōu)步也做的非常好，從業(yè)務(wù)形態(tài)來講，像滴滴和外賣是非常接近。滴滴線下線上始終是用戶和司機(jī)，定單形式也是眾包的形式，要么通過加盟商，要么通過司機(jī)網(wǎng)上注冊(cè)來承擔(dān)運(yùn)力，超時(shí)也不會(huì)懲罰司機(jī)，因?yàn)檎l也不會(huì)預(yù)料到會(huì)不會(huì)出現(xiàn)車禍，這個(gè)時(shí)效沒有保證，所以說它和餓了么是極其相似的。最后提到 “餓了么” 和外賣行業(yè)。
首先線上以用戶和商戶為主，線下訂單部分比較多，藍(lán)色騎手有一部分是 “餓了么” 的員工，就是自營(yíng)，還有團(tuán)隊(duì)和加盟商的形式，當(dāng)然還有一種是眾包，比如說今天開一個(gè)會(huì)，下午還有四個(gè)小時(shí)，我可以送幾單，這是一種眾包的形式。時(shí)效性以分鐘來計(jì)算，我們的目標(biāo)其實(shí)在很長(zhǎng)時(shí)間已經(jīng)做到了，全國(guó)平均半個(gè)小時(shí)可以把訂單送到手里，還有超時(shí)賠付，如果 30 分鐘之后超過 10 分鐘沒有到，有一個(gè)紅包的賠償，超時(shí)賠付的壓力是比較大的，不過這樣對(duì)客戶來說算是一種服務(wù)不足的補(bǔ)償。
根據(jù)上面所述，我們進(jìn)入了一個(gè)大的框架，就是在外賣這個(gè)行業(yè)是三個(gè)大東西，一個(gè)是機(jī)器學(xué)習(xí)，運(yùn)籌優(yōu)化其實(shí)也是跟機(jī)器學(xué)習(xí)密不可分的。講到其中運(yùn)籌優(yōu)化，大數(shù)據(jù)作為運(yùn)籌優(yōu)化的基礎(chǔ)起到了非常關(guān)鍵的作用，現(xiàn)在大家看這個(gè)圖挺有意思，我會(huì)多花兩分鐘講一講在業(yè)務(wù)中的算法問題，大概有三個(gè)層面。底層的外賣行業(yè)希望 30 分鐘把食物送到手里，不可能送到二十或者三十公里之外，除非你會(huì)飛，否則半個(gè)小時(shí)不可能送 10 公里。基于這種情況，所有行業(yè)都是基于當(dāng)前打開 APP 定位，定位可能 3 公里或者 5 公里的半徑，LBS 保證在運(yùn)營(yíng)商做各種推薦或者搜索為基礎(chǔ)，再往上兩層就是機(jī)器學(xué)習(xí)和優(yōu)化。所以現(xiàn)在來具體講一下這三部分。
第一：交易
大家可以看一下中間這個(gè)模塊是用戶商戶分層，推薦搜索以及智能補(bǔ)貼，這幾個(gè)大的方向是任何電商都必須做的。
在有很精細(xì)的用戶畫像體制上，我們希望對(duì)用戶和商戶的生命周期做嚴(yán)格的管理，在這個(gè)基礎(chǔ)上我們做相應(yīng)的推薦、搜索、補(bǔ)貼，比如說有一個(gè)用戶進(jìn)入沉睡期，我們會(huì)通過一定的方式對(duì)客戶進(jìn)行刺激。
第二：線下
當(dāng)交易行為發(fā)生時(shí)，我們希望 30 分鐘將外賣送到用戶手里，這里面涉及到機(jī)器學(xué)習(xí)的規(guī)劃，我會(huì)詳細(xì)講智能的調(diào)度，也會(huì)詳細(xì)講到出餐時(shí)間和送餐時(shí)間的預(yù)估，以及動(dòng)態(tài)定價(jià)等這幾個(gè)模塊。智能調(diào)度是調(diào)度的一部分，我們 30 分鐘包括了準(zhǔn)備的時(shí)間和路上的時(shí)間，甚至保證了送到樓下，等電梯到你手上的時(shí)間等等，所以 30 分鐘有很多不可預(yù)估的東西。那么壓力平衡是什么意思？大家都知道，線上交易和我們物流是矛盾的，對(duì)于線上交易來說我們當(dāng)然希望訂單越多越好，我們希望有上千萬的用戶一下子幾秒鐘進(jìn)來。但是 30 分鐘內(nèi)把訂單全部送出去，這個(gè)是不太可能一下子解決的問題，為了達(dá)到壓力平衡，就要保證交易和物流、配送等保持平衡，既達(dá)到交易質(zhì)量，也不損失用戶的積極性。
第三：底層
講到這兩個(gè)之后就是一些底層的東西，現(xiàn)在讓我們看上一張圖，左邊包括選址推薦等等，剛才講到配送是本地，當(dāng)一個(gè)商家定下準(zhǔn)備配送的地方就會(huì)畫一個(gè)圈，比如說我送一個(gè)圓圈或者六邊形，這個(gè)不是隨便畫的，首先有可能這個(gè)地方是高速路或者高架橋，不是每個(gè)人平臺(tái)都是一樣，有的用戶也有可能老是定便宜訂單，我們?cè)诰W(wǎng)格和站點(diǎn)規(guī)劃的時(shí)候會(huì)考慮所有因素，這個(gè)涉及很多運(yùn)籌優(yōu)化的問題，最后一個(gè)例子就會(huì)講到選址和網(wǎng)格規(guī)劃的問題。簡(jiǎn)單講一下我們?nèi)齻€(gè)部分包含了我們?cè)谌斯ぶ悄芊矫嫠幸恍﹪L試，這對(duì)我們業(yè)務(wù)是非常重要的。
關(guān)于運(yùn)籌優(yōu)化與應(yīng)用實(shí)例
這一部分我會(huì)分兩種來說，分別是機(jī)器學(xué)習(xí)的應(yīng)用案例和機(jī)器學(xué)習(xí)應(yīng)酬優(yōu)化的案例。
案例 1 : 出餐時(shí)間預(yù)估
第一個(gè)是出餐時(shí)間預(yù)估，我在這里用滴滴做比較，什么是等待時(shí)間預(yù)估，比如我們?cè)诘蔚螆?chǎng)景下下了一個(gè)訂單，比如說我想去浦東機(jī)場(chǎng)，它會(huì)告訴你這個(gè)車離這里兩公里，3 分鐘會(huì)到，3 分鐘就是等待時(shí)間預(yù)估?！梆I了么” 相當(dāng)于下了一個(gè)單，大概 20 分鐘才能做好，我希望來的早不如來的巧，作為我平臺(tái)騎手剛好在20分鐘就到，如果早了騎手等在那兒是浪費(fèi)，但是去晚了，就可能訂單超過了時(shí)間。
最后現(xiàn)在用的方法是深度學(xué)習(xí)，我們是用 LSTM，右邊這圖大家可以看一下這個(gè)文章。我們通過時(shí)間相關(guān)性把預(yù)測(cè)做的更加準(zhǔn)確，毫無疑問出餐時(shí)間一定會(huì)跟過去訂單有關(guān)系，這個(gè)不用解釋，但是為什么跟未來有關(guān)系，我們預(yù)估未來 3 到 5 分鐘有新的訂單，但是跟現(xiàn)有的訂單有共同之處，有可能是同樣的菜品，有可能是共同的地方，同樣的菜品對(duì)廚房是一個(gè)訂單，可以把菜一起做，我們學(xué)到了，通過這個(gè)模型也可以捕捉這些特征，對(duì)訂單分配有一定的幫助，同樣對(duì)訂單打包也有一定的幫助。
案例 2 ：行程時(shí)間預(yù)估
行程時(shí)間的預(yù)估就是這樣，當(dāng)訂單完成了以后，騎手把訂單拿到手里，他會(huì)跑到辦公室或者家里也好，這個(gè)是行程時(shí)間的預(yù)估，滴滴從 A 點(diǎn)到 B 點(diǎn)，交通方式肯定就是車，而且有大量的地圖數(shù)據(jù)，像高德或者谷歌地圖或者百度地圖，這些數(shù)據(jù)會(huì)實(shí)時(shí)上傳給服務(wù)器。
在這種交通情況預(yù)測(cè)已經(jīng)是比較準(zhǔn)確，相對(duì) “餓了么” 場(chǎng)景遠(yuǎn)遠(yuǎn)沒有那么多的信息，首先騎手是有可能步行，有可能走電梯，或者走上下樓梯，或者騎電動(dòng)車，或者換交通工具，這個(gè)直接造成了我們?cè)跀?shù)據(jù)搜集是極不準(zhǔn)確的，還有一點(diǎn)提到了在樓宇內(nèi)的交通復(fù)雜，這個(gè)數(shù)據(jù)很難獲取。我們上班的時(shí)候，餐廳和顧客都是在大樓里面，大樓里面沒有 GPS 信號(hào)或者不大好，我們收到的數(shù)據(jù)或者定位誤差高達(dá)幾百米。
所以提前時(shí)間預(yù)估，我們需要把軌跡建立起來，因?yàn)闀r(shí)間預(yù)估在高德地圖或者騰訊百度地圖是基于歷史數(shù)據(jù)的，我們第一步做的是歷史數(shù)據(jù)清洗，室內(nèi)定位不準(zhǔn)甚至完全缺失，這個(gè)情況下我們想了各種各樣的辦法，我們用 WIFI 信號(hào)，GPS 信號(hào)，或者大家互相定位最大程度減少定位缺失的問題，其次即使定位有了，它的位點(diǎn)也是有 GPS 軌跡，也是有很多的噪音，所以需要去噪音，所以需要去噪。我們通過定位的算法把相關(guān)的時(shí)間，把 O 點(diǎn)和 D 點(diǎn)合起來，最后進(jìn)行軌跡聚類。
案例 3 ：智能分單
當(dāng)你給一個(gè)訂單，在騎手容量和成本固定的情況下，我們需要找到匹配的線路，每個(gè)訂單承諾時(shí)間是不一樣的，就是不能超時(shí)。默認(rèn)模式下, 一個(gè)騎手可以同時(shí)送 5 到 10 單, 每單都有嚴(yán)格的時(shí)效要求, 并且訂單在午高峰爆發(fā)式增加。
方案 1 就是車輛路徑規(guī)劃，輸入：訂單，騎手，容量，成本。
輸出：訂單和騎手間的匹配以及行走路線；
優(yōu)化目標(biāo)：最小化時(shí)間或者行駛距離；
我們用了模擬退火算法，模擬退火算法 ( Simulated Annealing，SA )? 是基于 Monte-Carlo 迭代求解策略的一種隨機(jī)尋優(yōu)算法，通過賦予搜索過程一種時(shí)變且最終趨于零的概率突跳性，從而可有效避免陷入局部極小并最終趨于全局最優(yōu)的串行結(jié)構(gòu)的優(yōu)化算法。從理論上來說這算法具有概率的全局優(yōu)化性能,目前已在工程中得到了廣泛應(yīng)用，諸如 VLSI ，生產(chǎn)調(diào)度、控制工程、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、信號(hào)處理等領(lǐng)域就是用它來做訂單的分配，但是最后結(jié)果不是特別好，因?yàn)闀r(shí)間預(yù)估存在不準(zhǔn)備性，在路徑規(guī)劃的時(shí)候，先走 A 單還是 B 單，在時(shí)間一旦出現(xiàn)誤差的情況下，這個(gè)路徑規(guī)劃會(huì)非常差。
左下角是個(gè)矩陣，每一行是一個(gè)訂單，每一列是一個(gè)騎手，我們希望通過一些規(guī)則和一些機(jī)器學(xué)習(xí)的算法算出來，右邊是一個(gè)定單匹配的結(jié)果。
后來是 KM 算法，但是這個(gè)基礎(chǔ)框架界定了以后，還有很多工作量需要做。訂單實(shí)際上有相似性，因?yàn)橛唵问强梢源虬?，一個(gè)人稍微等幾分鐘，也許這個(gè)訂單出來跟那個(gè)訂單很相似的性質(zhì)，就是去同一個(gè)地方，就可以把訂單給同一個(gè)人拿走。所以訂單打包和吸水是我們做的第一件事情，但是訂單靠什么規(guī)則在高峰期和非高峰期的時(shí)候是不一樣的，存在兩個(gè)方向的路和兩個(gè)方向的夾角不一樣的地方，所以定單匹配模型是在 2.2 版本之上做出來的，用機(jī)器學(xué)習(xí)通過歷史數(shù)據(jù)來訓(xùn)練，在這里我們也碰到一些挑戰(zhàn)，由于在不同的站點(diǎn)配送員習(xí)慣不一樣，我們推廣的時(shí)候會(huì)遇到一個(gè)問題，在 A 站點(diǎn)大家覺得是 OK，但是在 B 站點(diǎn)不行，我們現(xiàn)在做到千站千面的東西，根據(jù)類似的站點(diǎn)歷史過去分擔(dān)一些情況，我們把這些模型用來做訓(xùn)練，做到類似的站點(diǎn)它有類似分單的方式。所以不會(huì)出現(xiàn)說你特別不喜歡這個(gè)分單的方式，多多少少有一點(diǎn)類似性，所以做到了 2.3 這個(gè)版本?，F(xiàn)在做的版本就是增強(qiáng)學(xué)習(xí)，我們根據(jù)實(shí)時(shí)的情況來進(jìn)行動(dòng)態(tài)地調(diào)整。
餐廳選址就不詳細(xì)講了，我們自己其實(shí)也和商家開始合作開一些餐廳，我們都希望選最好的地方，餐廳覆蓋最多的用戶，菜品不一樣，用戶群不一樣，所以這個(gè)選址是很重要的。
The End
我今天主題是應(yīng)用實(shí)踐，我個(gè)人感受，我做機(jī)器學(xué)習(xí)做了十幾年，工作挑戰(zhàn)是來自于基礎(chǔ)數(shù)據(jù)的完整性和準(zhǔn)確性。剛才講到數(shù)據(jù)不準(zhǔn)確，餐廳不規(guī)則的情況，我們無法知道一些準(zhǔn)確的情況，我們花了大量時(shí)間來做基礎(chǔ)數(shù)據(jù)的調(diào)整。第二點(diǎn)我講到算法的提升和對(duì)人的行為的理解比較重要，因?yàn)樵谕赓u行業(yè)都需要人去執(zhí)行，以前人工分配通過打電話，有大量溝通在里面，現(xiàn)在機(jī)器一下子分?jǐn)偭耍麄冸y以理解，而且機(jī)器考慮全局最優(yōu)而不是局部最優(yōu)，人是做不到這點(diǎn)。在算法提升和產(chǎn)品運(yùn)營(yíng)綜合起來，才能把這個(gè)事情最后推下去讓大家形成習(xí)慣。第三點(diǎn)優(yōu)化算法與機(jī)器學(xué)習(xí)在我們行業(yè)是相輔相成的，不僅是機(jī)器學(xué)習(xí)，跟重要的是我們?cè)谶@么短時(shí)間怎么樣把人力分布最好，在最少的時(shí)間情況下把訂單完成。
謝謝大家！
如果您有想法的話，可在底部留言。謝謝！
－全文完－
關(guān)注人工智能的落地實(shí)踐，與企業(yè)一起探尋 AI 的邊界，AICon 全球人工智能技術(shù)大會(huì)火熱售票中，8 折倒計(jì)時(shí)一周搶票，詳情點(diǎn)擊：
《深入淺出TensorFlow》迷你書現(xiàn)已發(fā)布，關(guān)注公眾號(hào)“AI前線”，ID：ai-front，回復(fù)關(guān)鍵字：TF，獲取下載鏈接！
－全文完－
關(guān)注人工智能的落地實(shí)踐，與企業(yè)一起探尋 AI 的邊界，AICon 全球人工智能技術(shù)大會(huì)火熱售票中，8 折倒計(jì)時(shí)一周搶票，詳情點(diǎn)擊：
《深入淺出TensorFlow》迷你書現(xiàn)已發(fā)布，關(guān)注公眾號(hào)“AI前線”，ID：ai-front，回復(fù)關(guān)鍵字：TF，獲取下載鏈接！
