【51CTO.com原创稿件】2017年7月21日-22日，由51CTO主办的以人工智能为主题的WOTI2017全球创新技术峰会在北京富力万丽酒店隆重举行。峰会期间，30+AI明星，数十场围绕人工智能主题的精彩演讲与圆桌论坛缓缓揭开面纱。除了场内的精彩演讲，场外还有专门为AI爱好者搭建的动手实验室和科技体验区，这一切都让本次大会亮点十足。
7月21日下午WOTI2017主会场，顺丰科技人工智能技术总监刘志欣进行了主题为《人工智能助力物流升级》的精彩演讲。以下是演讲实录，让我们先睹为快！
顺丰科技人工智能技术总监刘志欣
大家好！非常感谢主办方提供这么一个机会，让我们来分享一些事情，和大家进行交流。物流这个词最早来源是什么呢？物流最早是Logistics，源于希腊文意为计算的科学。这个词最早被提出来是拿破仑战争失败以后，法国人总结经验提出了这个词，它是军事术语，咱们中国古人很早就提出了类似的想法，比如粮草先行，运筹帷幄等等。现在物流的概念是美国人提出来的。后来传到日本，日本断章取义，翻译成了物的流通，把计算取消了，再传到中国就是物流，感觉就是搬运货物，其实后面有非常多的优化与计算。接下来跟大家聊一聊，比如顺丰这样的行业龙头，怎么把快递的各种策略、优化等等做好，并且能够保障我们货物时效、高效有保证，新技术如何帮助我们做的更好，具体的案例再和大家分享一下。
刚才提到的计算还是需要很多数据支撑的，顺丰也积累了很多优质的数据，其中就包括运单本身，运单本身就会带出来从哪寄到哪，谁给谁的，还有运单本身，比如托寄物品，物流时间点等等，除此之外，还有很多其他领域的，比如商业的，比如金融方面的数据。同时顺丰有二三十万人的地面部队，散布在全国各个城市的小区、写字楼，他们的所听所闻所感，最接近我们真实世界的数据，这些数据我们怎么运用好，帮助我们更进一步的应用，也是我们需要考虑的内容。所以我们运用技术，在数据和业务基础上做了一些工作，其中包括智能物流，这个主要是支撑这个业务链条的很多智能硬件，还有智能决策，决策方面很多的策略和规划，还有智能管理，公司的管理等等。
今天主要跟大家分享的是智能决策方面的工作，分三个层次。第一个层次，如果我们从普通物流业务来说，它是很长的链条，最早从下单开始，之后运单，有些手写运单，到后面送货员去收，后面一系列的支线运输、干线运输，包括中转场，分拣分流，还有整个系统规范的问题。既有运输又有分拣等等，综合在一起考虑更加有效，同时还有场地管理方面的问题。第二个层次，面对客户，客户有toC的，也有toB的，比如说运单，我们运单都有理赔风险，还有客户的流失，客户的异动，还有月结客户是否安全，月结客户是跟我们合作，有资质的大客户，其实就是短期贷款，贷款就会有一些风险问题。同时还有类似于产品推荐等等。最后是排班、任务分配、计提计算，今天因为时间关系，我选取其中几个产品和大家进行交流。
第一个案例是线路规划的问题。线路规划不仅仅是做一个导航，拓扑里面有很多很多点，怎么高效的把这些点串在一起，我们需要在一个时间窗口内既有放又有提，还有整体的优化。优化这个问题是很难做的，为什么很难做？我如果列一个规划的方程出来其实是比较容易的，最大的难点在于求解，因为解空间非常非常巨大。
同时，加上很多约束之后，可求解的区域有些时候不一定是凸的，这就造成我们做工程上可用的系统，能够比较快的反映出来，就是难度所在。除了列方程求解之外，大家普遍采用求近似，不一定最优，比如大领域搜索，比如剪枝问题等等，这都是我在一个范围内用一些策略做剪枝，找到比较优的解。很多时候它的效果有时候好，有时候不见得特别好。所以说，这个问题归根到底，把它看成是巨大空间里的剪枝问题，和AlphaGo下围棋的道理是一样的。所以除了传统这些领域之外，也用了（英文）方法来做一个剪枝的策略。我们这套算法系统已经在一些实际场景中使用了。
它的特点是同时支持静态的规划和动态实时规划，实际上很多时候我们既需要动态又需要静态，比如大干线，需要有班次的支撑，但是我在一个小范围，比如城市里动态规划，能够提供非常高的效率。我们目前也在试点过程中。这样做，我们就需要把静态和动态灵活的无缝衔接在一起，比如在一个区域内做动态优化，支线大干线在一起，这是我们需要解决的一个问题。实际中，如果做动态线路规划，需要很快的插入到现在的线路，或者新的线路出来，这是实时计算工程上的问题，我们怎么样让剪枝策略非常快的突破。
除了线路规划之外，它联动的是什么，我把线路重新算了之后，不可避免的带来线路终点在哪里，线路终点就是在中转场，怎么把线路结合在一起，这也是优化的问题。
刚才谈到了线路规划，其实很类似的很接近的一个问题是网点规划，我选择这些点，比如说城市里各个网点，中转场选址等等，这个选点优化的结果最终会很大程度上影响我们的效率。做这件事情的时候里面的一个问题，比如我们如果用聚类或者什么方法做，算起来也是很痛苦的事情，所以需要训练策略网络。
我们怎么才能够对中转场做一些规划，线路最好的结合在一起，现在所有的中转场都面临同样的问题，也就意味着，中转场放100个、200个、300个人，我的货物堆在那能不能及时处理，人工的线有没有塞，如果大家有机会去中转场看的话就会看到一片忙碌的景象。综合刚才说的这些问题，目前的现状就是传统中转场是靠人来识别，主管经理在办公室看这个装卸需要多少人，货物多，需要多开几个口等等。所以用计算机视觉方法能够把这些实时拿出来，包括人的轨迹，这些人是不是在他工作的地方，货物堆在那是不是长时间没有处理，包括我们用双目摄像头做车厢内装载率的扫描，这也能降低我们的成本。
在此基础上，把这套数字化构建好之后，后面就可以和我们的线路做联合优化。举一个例子，我们之前中转场开了七个班次，但是我们整个支线和干线的线路做了优化之后发现不需要那么多班次，只需要五个班次就可以了，但对中转场就造成一个问题，这些货物集中在五个班次内完成的话，会不会造成堆在那处理不了，造成爆仓。所以数字化工作做好以后，我们可以用一些仿真把它计算出来，对这种情况我们需要开多少口，需要开多少皮带机，这都是需要做的。
整个中转场环节是非常典型的应用场景。
还有，和整个运输中转密切相关的是件量预测，包括每个点收的件预测，我们对资源进行很好的安排，进行整体的组合优化，但是物流行业里的预测是一件非常难做的事情。我列了三个维度，空间维度、时间维度、产品维度。空间维度，我们的空间是一层一层往前的，从城市到地区，城市之间经济圈再到全国，还要加上一些流向，变成两个方向。时间维度，也是很复杂的事情，它不光是一个简单的时间序列问题，因为时间序列预测之前整个业界在做，但时间维度难点在于有三个时间轴，第一个是公历，第二个是农历，第三个是时令，各种时令产品，比如最近最好吃的樱桃，再过几个月就是大闸蟹，每年都是有波动的。所以这也是一个时间轴，前两个还比较好弄，第三个是很难判断的。所以这是时间维度上的难点。产品维度，要预测出各种产品出来，这方面也做了大量工作。针对不同情况用了很多不同的模型，比如传统意义上的序列模型，再是最近Facebook提出的一个模型。对有一些比较特殊的产品，我们用改进的方法来做。我们希望做出选择和预测。
最后一个例子是关于手写运单识别与纠偏的问题，地址的纠偏。第一个是人力资源的投入，需要很多输单员操作；第二个是信息的前置，手写运单很难做到这一点，就算再快的人，每天几百万上千万的单涌入，处理起来还是需要时间的。所以我们做的工作包括手写单的识别，最重要是地址识别，包括地址纠偏。
下面是几个例子，做识别的时候，给它进行复原，把有文字的地方识别出来，用一个比较常规的模型，接下来给大家讲一下地址纠偏的问题，很可能这个人自己写了错别字，这是很常见的。第二个，可能把很潦草的字识别错了，或者有的字漏掉了，我们做分词，再一级一级做纠偏就面临一个尴尬的情况，比如很多错别字，关键字漏掉之后，不太容易做。所以我们这边用了一个蛮超新的想法，它是基于积攒的海量数据库来做的。
这边是几个事例，我们看看它到底能做的多好，上面黑色的是识别出来有错的地址文本行，同时我们人为加一些噪声进去，看看能不能纠错回来，我们可以看到，这个有很多错字的地址行连人类自己都很难把正确的地址识别纠正过来，但红色的字是我们纠过来的结果，下面一行字是真实的地址，大家可以看到是完全纠正过来了的。第二个例子是漏掉了关键字，同时我们也人为加了很多噪声，这个地址基本上已经纠错过来了，唯一错的就是门牌号。
刚才和大家分享了一下我们做的一些工作，我们是很年轻的团队，不到一年，大半年时间，我们在这个行业里发现，这是一个计算密集的行业，大量的工作需要做优化。第二个，不只人工智能技术，包括优化问题、网络问题等等是比较有意思的。谢谢。
51CTO记者将持续为您带来WOTI2017全球创新技术峰会前方精彩报道，敬请期待！
【51CTO原创稿件，合作站点转载请注明原文作者和出处为51CTO.com】
