央廣網(wǎng)北京5月17日消息（記者 牛谷月）5月17日，由搜狐科技主辦、央廣網(wǎng)作為戰(zhàn)略支持媒體參與的“2021搜狐科技5G&AI峰會”在北京開幕。峰會大咖齊聚，共同探討5G和AI技術(shù)的最前沿發(fā)展以及應(yīng)用落地情況。

　　下午，貨拉拉CTO張浩帶來了以《運(yùn)籌優(yōu)化在互聯(lián)網(wǎng)物流領(lǐng)域的應(yīng)用》為題的主題演講。

　　張浩表示，物流是非常大的領(lǐng)域，物流在國民生產(chǎn)總值里面占15%，其中物流分成很多種類，不管天上飛的還是水里走的，這里面有很多組織形態(tài)，從時(shí)間和空間都是不一樣的。

　　張浩指出，貨拉拉接下來的困難跟所在的行業(yè)密切相關(guān)。貨拉拉是一家從事同城和跨城的物流公司，主要用戶并不是大的國營企業(yè)，而是一些中小型企業(yè)，運(yùn)輸形式也不是專有物流公司，或者專有的車輛飛機(jī)。

　　他表示，貨拉拉主要是一個(gè)眾包平臺，是輕資產(chǎn)的物流企業(yè)，企業(yè)的運(yùn)力來自社會的閑散運(yùn)力。貨運(yùn)場景本質(zhì)上是供過于求的行業(yè)，如果我們想通過平臺的方式把運(yùn)力調(diào)動(dòng)起來，面臨的問題是如何在松散的運(yùn)力情況下保證整體的效率，同時(shí)達(dá)到友好的服務(wù)。

　　以下為張浩演講全文：

　　各位下午好！感謝搜狐科技的邀請，很高興今天有機(jī)會在最后這場跟大家分享一下我們作為在行業(yè)方面的實(shí)踐。我以前在餓了嗎工作過，我的領(lǐng)域主要在O2O這塊如何通過算法，通過規(guī)模來提高人的效率，提高整個(gè)體系的效率。

　　今天我分享的內(nèi)容是運(yùn)籌優(yōu)化，運(yùn)籌優(yōu)化只是一個(gè)框架，在運(yùn)籌優(yōu)化基礎(chǔ)之上還有很多AI和人工智能的內(nèi)容。為了能夠更好地解釋運(yùn)籌優(yōu)化，我必須要講一下貨拉拉。

　　物流是非常大的領(lǐng)域，物流在國民生產(chǎn)總值里面占15%，其中物流分成很多種類，不管天上飛的還是水里走的，從to B大的企業(yè)都算物流，這里面有很多組織形態(tài)，從時(shí)間和空間都是不一樣的。

　　貨拉拉接下來的困難跟我們所在的行業(yè)密切相關(guān)。貨拉拉是一家從事同城和跨城的物流公司，它主要的用戶在今天并不是大的國營企業(yè)，主要是一些中小型的企業(yè)，它的運(yùn)輸形式也不是我們今天講的專有物流公司，或者專有的車輛飛機(jī)。

　　貨拉拉主要是一個(gè)眾包平臺，是輕資產(chǎn)的物流企業(yè)，企業(yè)的運(yùn)力來自社會的閑散運(yùn)力。貨運(yùn)場景本質(zhì)上是供過于求的行業(yè)，如果我們想通過平臺的方式把運(yùn)力調(diào)動(dòng)起來，面臨的問題是如何在松散的運(yùn)力情況下保證整體的效率，同時(shí)達(dá)到友好的服務(wù)。

　　我們通過調(diào)度來實(shí)現(xiàn)運(yùn)力和用戶之間的匹配，這里面最重要一點(diǎn)就是分擔(dān)。當(dāng)你在系統(tǒng)下單以后，我們的系統(tǒng)通過算法分給附近最優(yōu)秀的司機(jī)，大家可以說這是一個(gè)匹配問題，確實(shí)也是比較簡單。

　　在貨運(yùn)場景里面可以清楚看到，因?yàn)槭潜姲�關(guān)系，定單的組效率很高，100單定單下單之后，司機(jī)接單可以取消。取消在我們平臺占15%左右，100個(gè)定單下單之后有15單被取消掉，1/3的原因車貨不匹配，各種面包車、貨運(yùn)車、大車，這是司機(jī)的自有車，車不是標(biāo)準(zhǔn)的，同時(shí)貨也不標(biāo)準(zhǔn)，可能是桌子，可能是兩三米長的鋼條，可能是水泥，車貨不匹配是貨運(yùn)最大的問題，定單被完成之后有1/3的定單到了門口發(fā)現(xiàn)，車裝不上貨或者貨運(yùn)太重或者太長而被取消掉。

　　還有1/3的原因我們的地圖問題，中國整個(gè)行業(yè)對貨運(yùn)的基礎(chǔ)設(shè)施支持相對比較少，不管常用的地圖商還是我們自己，在很多地方的限高限行，包括上海還有一些路權(quán)的問題等等，數(shù)字化做得不太好，經(jīng)常車到了門口過不去。跟人不太一樣，人可以走過來，滴滴有司乘共享可以打電話，但是貨重達(dá)一噸至少幾百斤，車過不去這個(gè)定單直接取消掉。

　　怎么實(shí)現(xiàn)智能分擔(dān)？第一種做法是路徑優(yōu)化，可以通過把我們的車和路每種路徑都算一遍得到最優(yōu)方法。還有一種方法，在不同的場景下通過圖匹配的方法，這種方法最大的問題，沒有辦法對司機(jī)的路徑進(jìn)行規(guī)劃，只能說這個(gè)定單分給你或者分給另外的人。

　　常見的范圍里面不管從外賣還是跑腿還是干線運(yùn)輸，它的效益都是在這個(gè)時(shí)間、距離曲線上不斷上升，當(dāng)時(shí)效上升的時(shí)候，需要定單在30分鐘內(nèi)完成，需要算法能夠?qū)崟r(shí)進(jìn)行定單匹配，而且分給最優(yōu)的騎手。當(dāng)我們范圍很大的時(shí)候，跑到10公里、20公里時(shí)間不是最重要的，而是分得準(zhǔn)，失之毫厘差之千里，這兩種方法各有各的挑戰(zhàn)，我們在業(yè)務(wù)場景里面兩種方法都有使用。

　　定單接收以后司機(jī)可以取消。怎么知道把定單分給最好的人最好接單不取消？這是最頭疼的問題，即取消率的預(yù)測。有點(diǎn)像電商的場景，電商場景里面可以看到三個(gè)綠色空間，當(dāng)你看到廣告之后，可以點(diǎn)擊，但是并不意味著最后會買這個(gè)東西，實(shí)際這個(gè)空間分成三層。我們把定單推送給周圍50個(gè)司機(jī)，司機(jī)可以打開之后進(jìn)行搶單。當(dāng)司機(jī)到了這個(gè)地方之后，他能夠很準(zhǔn)確知道這個(gè)貨他能運(yùn)，他準(zhǔn)確知道這條路很熟，最后完單，這基本是三個(gè)層面的數(shù)據(jù)預(yù)測。

　　分單里面最大的問題搶單和不取消率的建模。整個(gè)物流就是一個(gè)資源優(yōu)化的問題，就是司機(jī)、車輛和貨物怎樣保證三種資源能夠?qū)崿F(xiàn)最好的優(yōu)化。這是物流里面最重要的問題。

　　帕累托曲線是做運(yùn)籌優(yōu)化最主要的曲線，投入產(chǎn)出基本在這個(gè)區(qū)間之內(nèi)。我們找到這個(gè)曲線最佳的點(diǎn)很多時(shí)候理論上是不可能的，我們希望固定一個(gè)產(chǎn)出最小投入，找到這個(gè)點(diǎn)，或者固定投入找到最大的產(chǎn)出。使用場景營銷不管是電商還是O2O行業(yè)，營銷都是必不可少的，最大的資源毫無疑問就是營銷預(yù)算，當(dāng)你有這么多的錢這么多的券發(fā)給誰？找到最大的輸出。

　　當(dāng)你有多種券，基本就是0和1，這個(gè)券給這個(gè)人或者不給這個(gè)人，給了這個(gè)人之后給他一塊錢的券還是五塊錢的券，要對價(jià)格敏感性進(jìn)行預(yù)估。給券的同時(shí)如何保證線下的取消率等等不超過預(yù)估，可以用背包問題來解決。不管眾包還是背包還是貨運(yùn)，都和這個(gè)框架相關(guān)。如何細(xì)分進(jìn)一步的場景，不同的城市、不同的人群供需狀況和人群的價(jià)格敏感度非常不一樣，一個(gè)模型一個(gè)做法是解決不了的，提高模型的精度，數(shù)據(jù)的隱私也是目前面臨比較大的問題。

　　除此之外的AI設(shè)計(jì)，招募司機(jī)的時(shí)候，像司機(jī)的審核、司機(jī)認(rèn)證、司機(jī)服裝，線下也經(jīng)�？次覀兊乃緳C(jī)到底有沒有完成服務(wù)，有一些視頻抽查。駕駛的時(shí)候安全也是非常重要的一點(diǎn)，司機(jī)的狀態(tài)以及違禁品還有證照還有載人圖象識別，小動(dòng)物、液壓液爆等等需要通過視覺的方式識別。

　　NLP自然語言處理在我們的場景當(dāng)中有很多的應(yīng)用，跟O2O公司沒有太大的區(qū)別。貨運(yùn)場景是不標(biāo)準(zhǔn)化的，比如出行為例，一個(gè)車坐四個(gè)人，不管你胖瘦都能坐得下，不會送特別多的水泥或者特別長的鋼筋，甚至有時(shí)候送羊駝各種各樣的動(dòng)物都有，怎么分配最合適的定單？這依然是我們最大的挑戰(zhàn)。

　　我們有一種辦法，通過備注的方式實(shí)現(xiàn)，我們盡量把個(gè)性化的需求通過標(biāo)簽的方式實(shí)現(xiàn)。平臺上拍的照片很有趣，各種狗、貓，還有羊駝、馬，怎么實(shí)現(xiàn)最佳匹配？通過備注。備注里面有很多內(nèi)容，如果沒有完成備注要求，最后導(dǎo)致司機(jī)取消或者定單處罰，到底是誰的原因？這里面通過智能客服，通過對語音的觀測，對備注的挖掘進(jìn)行取消原因的判定，都會是NLP發(fā)揮作用的場合。

　　在貨運(yùn)場景基本上就是人、車、貨、路、倉的數(shù)字化，人的數(shù)字化做得比較好，通過移動(dòng)端，他的喜好基本有一些了解。貨，相對做得比較差，剛才提到在眾包貨運(yùn)場景的貨運(yùn)千奇百怪特別不一樣。路，在出行兩輪或者四輪場景做得比較好，貨運(yùn)場景假以時(shí)日也能跟上。倉，這個(gè)場景在專有的物流公司做得比較好。車是最大的困難，對眾包場景最大的挑戰(zhàn)，這個(gè)車不是我們自己的車，任何人拿著這個(gè)車滿足條件都可以給他機(jī)會去我們平臺上接單。

　　人、車、貨、路、倉的基本數(shù)字化和在這個(gè)基礎(chǔ)上對它的調(diào)度是核心的能力。通用能力運(yùn)籌優(yōu)化、CV、NLP，車解決的最終場景除了車載設(shè)備以外，路的地圖能力，還有電動(dòng)智能物流車也是一個(gè)比較好的解決方案。

　　我的分享就到這里，謝謝大家！