035棋牌

2019-06-06 | 作者:劉鐵岩

"一騎紅塵妃子笑,無人知是荔枝來。”這是中國古代對快遞最廣爲人知的描述。良駒日行千裏,馬不停蹄從嶺南到長安,只爲確保荔枝的鮮美。時至今日,品嘗一顆鮮美的荔枝已不再困難,同城快遞甚至半小時就能送到家中。物流行業的蓬勃發展,也加劇了企業之間的競爭,如何利用創新科技推動業務跳出紅海,是很多物流企業都在思考的問題。

随着时代的发展,人工智能成为了决定性的技术,我们所谈的企業数字化转型也正在从“互联网+”向“AI+”递进,“AI+行业”正成为不可忽视的变革力量。正因为如此,微軟亞洲研究院在2017年11月成立了“創新彙”,旨在與各個行業的專家,基于最領先的人工智能技術與行業經驗,一起探索人工智能和行業融合的新模式。其中,東方海外航運(OOCL)就是“創新彙”的首批成員企業之一,經過一年多的合作研究,現在已經取得了相當喜人的合作成果。今年,國內領先的快遞物流綜合服務商順豐速運旗下的順豐科技也正式加入了“創新彙”,成爲第二期的會員,並開始了具體的合作規劃。可見,物流行業與人工智能的深度融合之旅已經開啓。

微軟亞洲研究院副院长 刘铁岩

很多人認爲人工智能是一組現成的工具,可以直接打包提供解決方案;而從事人工智能研究多年的我們則認爲,更應該把人工智能視爲一種方法論,需要根據具體問題進行定制化設計,才能真正成爲可用的技術工具。每個行業所面臨的痛點不同,每個應用場景的特點不同,因此人工智能想要真正落地,需要結合行業的領域知識,進行深入的定制。物流行業也不例外。而我有幸深度參與到了“AI+物流”的跨行業研究中,希望借此機會與大家分享一些心得,給更多的行業企業帶來一些啓發。

用AI抽象物流業務的本質:供給與需求的智能化匹配

物流行業要解決的最根本問題,是供給與需求的匹配。無論是像順豐這樣的快遞業務,還是像東方海外航運這樣的海上運輸,都是在解決供給與需求匹配的問題,即把東西送達到需要的人手裏。如果將整個大物流行業的業務場景高度抽象,我們就可以得到以下幾個最基本的應用場景:

場景一,供需預測。物流企業並不是在業務訂單來了之後才開展業務的,而是會在客戶下單之前就要預估站點訂單的數量,並事先規劃運輸工具或是預測每個港口運送的貨物數量、空箱數量等。爲此,需要利用時序數據,結合曆史經驗,考慮節假日等因素進行預測;而當有意外情況發生,如道路擁堵、船只遭遇風暴等,還要能夠根據具體狀況進行動態調整。

場景二,供需評價。絕大部分的物流需求是善意的,但仍然存在遇到惡意需求的風險,比如蓄意騙保等。所以,如何做到異常檢測、事先預警,也成爲物流企業亟待解決的課題之一。

場景三,路徑優化。這是物流行業的核心應用場景。當知道供給和需求分別在哪裏後,就要決定在什麽地點,派什麽車輛、船只,走什麽路線,如何運輸貨品效率最高、成本最低,是否需要設立中轉站、集散中心,或是建立自己的倉儲等等,這些都是路徑規劃需要考慮的問題。同時,一旦遇到了突發狀況,也要能夠及時調整,重新快速優化路線。此外,如果某條路徑所對應的供需關系存在惡意風險,還需要在路徑上多加入一些審查或校驗的機制,以實現必要的風險控制。

其實,上述供需匹配的問題並不是物流行業所獨有的,現實世界中很多問題都可以歸約成供需匹配問題。這不僅包括泛物流行業(例如電商、倉儲、出租車派單業務、共享單車擺放等等),也包含非物流行業(例如推薦系統、搜索引擎、雲計算的數據中心管理等等)。前面提到的各個場景在這些問題裏也都有特例化的表現。因此,我們對于智能物流的研究,其實並不局限在物流行業本身,而是會對更多行業起到輻射作用。

那麽如何才能利用人工智能技術解決物流的問題呢?我們需要人工智能領域的科學家與物流行業專家深度融合,相互分享各自的專業領域知識,將專業洞察整合到人工智能的解決方案之中。这也是微軟亞洲研究院在与东方海外航运以及顺丰科技在合作过程中的切身感受。

智能航运:竞合多智能体强化学习毫秒完成实时路徑優化

在微軟亞洲研究院与东方海外航运的合作中,我们覆盖了供需預測和路徑優化这两个物流行业的主要业务场景,通过运用深度学习和强化学习等最新的人工智能技术,来优化现有的航运网络运营。

事实上,过去的几十年里,航运企業通常采用基于运筹学的组合优化方法来实现路径规划。这种方法一般需要首先对供需进行预测,然后基于预测结果,将有关客户、港口、航线、区域的限制信息人为设置成现有商业软件的约束条件,并用其进行求解。但对于东方海外航运来说,其全球港口数量众多、船只数目也很大,采用这种方法会让商业软件不堪重负。作为一种折中,人们通常需要将几个港口划成一个片区进行处理,而即便如此,实现一次优化仍然费时费力,每天可能需要花费数个小时来计算路徑優化的方案。而一旦外部条件发生变动,就不得不重新执行如此费时费力的优化过程,才能做出合理的应激反应,这种延时对于航运公司会造成不小的损失。此外,对货品和空箱的供需預測,很难做到非常高的精准度。这种情况下,先预测再优化的方式或造成误差传导,导致整个优化过程的效果受损。

爲了突破方法的局限性,我們在與東方海外航運的合作中探索出了一套全新的解決方法——竞合多智能体强化学习技术(Coopetitive Multi-Agent Reinforcement Learning)。傳統的運籌學思路是希望在全局上求解優化問題,而競合多智能體強化學習技術則把每一個港口和船只建模成智能體,對原來的複雜問題分而治之,以去中心化的方式進行求解。我們在各個智能體之間建立了高效的通信機制,通過協調智能體之間的利益分配與轉移,來促進智能體之間的合作,同時協調他們之間的競爭,最終起到全局優化的目的。

通過采用這種競合多智能體強化學習技術,我們可以在以下方面取得長足的進步:

  • 路徑優化的时间减少至毫秒级。每个智能体的局部运算可以并发进行,传统运筹学方法需要好几个小时进行的路徑優化,利用竞合多智能体强化学习技术则可以缩短到毫秒级。当某个智能体遇到突发状况时,系统只需调动周围相关的几个智能体自己协调就能解决,无需从头开始重新计算。
  • 自動學習、適應變化,可與環境持續交互。當某個港口停運或者某一航線發生變化時,多智能體模型可以實時獲得信息,並動態調整和反饋,快速適應新的環境。無需像傳統運籌學方式那樣,人爲重寫規則,再做優化。
  • 實現預測和優化的端到端學習,消除誤差傳導。在競合多智能體強化學習中,預測環節與優化環節是一體化進行的,不需要分階段、按順序執行,因此,也就不存在誤差傳導的情況。

智能體的訓練可以利用實際運營數據,也可以通過自我博弈的方式來獲得提升。我們爲此設計了複雜的仿真系統和分布式計算框架,可以使模型訓練又快又好,目標每年可爲東方海外航運節省1,000萬美元的運營成本。今年,東方海外航運將正式在其部分航運業務網絡中運行該人工智能解決方案,預計將會對其業務效率帶來大幅度提升。

除了可以提高效率,新的解決方案中的每個智能體模型還可以針對港口的調度員進行模仿學習。在过去,航运调度员会根据自己的经验对商业软件给出的调度方案进行调整,方案的实际采用率甚至不足50%。但竞合多智能体的模仿學習能力,可以学习不同调度员的行为习惯,生成更易于被调度员所接纳的方案。人工智能作为助手,结合调度人员的专业经验,将进一步提升东方海外航运的运输调度效率。这种人工智能(AI)與人類智能(HI)的結合,也將是未來人工智能普及的常見模式。

智能理賠預警,准確率提升60%

顺丰有大量面对个人用户的快递业务,因此会出现一定几率的需求风险,如恶意骗赔等。在前期与顺丰展开的合作中,我们的切入点正是供需評價这一业务场景。顺丰科技在加入微軟亞洲研究院“創新彙”之后,希望与我们一起探索理赔预警模型的建设。

什麽樣的快遞訂單有風險?該如何去判斷?傳統做法是從訂單信息中提取人工特征,利用梯度提升樹方法學習理賠預警模型。然而,當模型達到一定准確率後,繼續提升模型性能會付出極大的人工代價。另外,當線上數據分布發生變化時,原來的人工特征也容易在新的場景下失效,造成線上模型性能的下降。

为了构建合适的优化方案,微軟亞洲研究院的研究员对数据进行了深入分析,发现方案构建的核心难点在于,历史数据中理赔订单仅占全部订单的万分之几,极度不平衡的样本比例使得传统机器学习方法无法达到理想效果。目前已知的处理不均衡数据的解决方案,无论在学术界还是工业界,均达不到智能理赔预测问题的要求。

爲了解決這個難題,我們采用了“深度因子分解+基于精度的級聯”方案,利用多次選擇交叉驗證集減少由于分布變化造成的影響。通過對曆史數據的測試,目前該模型在固定召回率的前提下,准確度已經比原始方法提升了約60%。

未来,微軟亞洲研究院的研究员将和顺丰科技的行业专家一起继续探索元学习、对抗学习、分布式机器学习等先进的机器学习技术在理赔预警中的应用,进一步提升预警模型效果。同时双方还将研究其他物流行业的创新应用场景。

企業數字化轉型:需要行業專家與AI科學家的化學反應

每次與企業合作夥伴交流時,大家問得最多的問題是“人工智能到底能幫我們做什麽?可以怎麽做?”如今大家都知道人工智能技術的重要性,但在行業中能做好真的不容易。其中,最根本的原因在于:行業專家對人工智能技術的了解有限,而人工智能科學家很難有機會深入到行業一線。只有雙方專家的深度融合,才能實現行業數字化轉型的落地與創新。

微軟亞洲研究院“創新彙”就提供了这样一个让行业专家和人工智能科学家可以无缝协作的平台及创新合作的机制。在与东方海外航运等“創新彙”第一期成员企業的合作过程中,我们与行业专家们充分实现了“開放、平等、信任”的研究合作模式。行业专家放心传授行业洞察、分享真实业务数据,研究员则毫无保留地贡献模型、算法以及调参技巧等。正是基于良好的研究合作模式以及微軟亞洲研究院在人工智能领域20多年的积累,我们的研究员才可以在短时间内针对不同的行业问题找到最佳的人工智能解决方案。

同时,微軟亞洲研究院也在合作中收获良多。一方面,我们的研究员得到了成长,行业洞察力大幅提升,成为了拥有复合型创新能力的人工智能人才;另一方面,我们形成了人工智能研究的閉環,使得人工智能的科研工作不只是停留在理論和學術論文層面,而是能夠真正地解決更多的實際問題,這也是人工智能技術本身的最佳歸宿。

逆水行舟,不進則退,當下緊跟人工智能的發展節奏尤爲重要。只有真正深入、全面地擁抱人工智能,企業才有可能在未來領先同行10年甚至20年。未來,我們希望與更多行業企業分享人工智能的前沿技術,共同探索“AI+行業”更廣闊的發展前景,一起迎接數字化轉型新時代!

?