“一騎紅塵妃子笑，無人知是荔枝來。”這是中國古代對“快遞”最廣為人知的描述。時(shí)至今日，品嘗一顆鮮美的荔枝已不再困難，物流服務(wù)也不再只是簡單地將東西送達(dá)。如何讓快遞的每個(gè)環(huán)節(jié)效率最大化，找到運(yùn)送貨物的最優(yōu)路徑，減少理賠，成為快遞企業(yè)需要解決的問題。
近日，在北京舉辦的“微軟亞洲研究院創(chuàng)新論壇2019”上，微軟亞洲研究院分享了利用人工智能(AI)技術(shù)推動快遞業(yè)務(wù)高效運(yùn)轉(zhuǎn)的兩個(gè)案例。在人工智能技術(shù)幫助下，針對個(gè)人用戶快遞業(yè)務(wù)，順豐公司已做到了智能理賠預(yù)警，將準(zhǔn)確率提升了60%。海上航運(yùn)方面，東方海外航運(yùn)在AI的幫助下，可在毫秒內(nèi)完成實(shí)時(shí)路徑優(yōu)化，大大提高了航運(yùn)效率。
智能理賠預(yù)警，準(zhǔn)確率提升60%
對順豐來說，每天需面對大量的個(gè)人用戶快遞業(yè)務(wù)，會出現(xiàn)一定幾率的需求風(fēng)險(xiǎn)，如惡意騙賠等。微軟亞洲研究院與順豐的合作就從這一業(yè)務(wù)場景切入。
微軟亞洲研究院副院長劉鐵巖在接受媒體采訪時(shí)稱：“微軟亞洲研究院與順豐合作的具體任務(wù)是做理賠預(yù)警。合作過程中，我們發(fā)現(xiàn)如果現(xiàn)實(shí)中做簡單的分類任務(wù)，比如做基礎(chǔ)研究，數(shù)據(jù)都是非常規(guī)整的，有標(biāo)準(zhǔn)的數(shù)據(jù)集?？墒堑搅藢?shí)際業(yè)務(wù)中，絕大部分的訂單是正常的，只有萬分之幾甚至是十萬分之幾的訂單是有問題的，所以拿到的數(shù)據(jù)會是一個(gè)嚴(yán)重不平衡的數(shù)據(jù)，大量的樣本針對這一問題其實(shí)都沒有價(jià)值，只有少量的樣本有價(jià)值，是非常不平衡的，這是在合作中很明顯的一個(gè)鴻溝和挑戰(zhàn)。”
什么樣的快遞訂單有風(fēng)險(xiǎn)?該如何去判斷?傳統(tǒng)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(xué)習(xí)理賠預(yù)警模型。然而，當(dāng)模型達(dá)到一定準(zhǔn)確率后，繼續(xù)提升模型性能會付出極大的人工代價(jià)。另外，當(dāng)線上數(shù)據(jù)分布發(fā)生變化時(shí)，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。
為了構(gòu)建合適的優(yōu)化方案，微軟亞洲研究院的研究員對數(shù)據(jù)進(jìn)行了深入分析，發(fā)現(xiàn)方案構(gòu)建的核心難點(diǎn)在于，歷史數(shù)據(jù)中理賠訂單僅占全部訂單的萬分之幾，極度不平衡的樣本比例使得傳統(tǒng)機(jī)器學(xué)習(xí)方法無法達(dá)到理想效果。目前已知的處理不均衡數(shù)據(jù)的解決方案，無論在學(xué)術(shù)界還是工業(yè)界，均達(dá)不到智能理賠預(yù)測問題的要求。
為了解決這個(gè)難題，微軟亞洲研究院采用了“深度因子分解+基于精度的級聯(lián)”方案，利用多次選擇交叉驗(yàn)證集減少由于分布變化造成的影響。通過對歷史數(shù)據(jù)的測試，目前該模型在固定召回率的前提下，準(zhǔn)確度已經(jīng)比原始方法提升了約60%。
智能航運(yùn)：實(shí)現(xiàn)毫秒內(nèi)完成實(shí)時(shí)路徑優(yōu)化
在微軟亞洲研究院與東方海外航運(yùn)的合作中，則覆蓋了供需預(yù)測和路徑優(yōu)化這兩個(gè)物流行業(yè)的主要業(yè)務(wù)場景，通過運(yùn)用深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等最新的人工智能技術(shù)，來優(yōu)化現(xiàn)有的航運(yùn)網(wǎng)絡(luò)運(yùn)營。
在過去的幾十年里，航運(yùn)企業(yè)通常采用基于運(yùn)籌學(xué)的組合優(yōu)化方法來實(shí)現(xiàn)路徑規(guī)劃。這種方法一般需要首先對供需進(jìn)行預(yù)測，然后基于預(yù)測結(jié)果，將有關(guān)客戶、港口、航線、區(qū)域的限制信息人為設(shè)置成現(xiàn)有商業(yè)軟件的約束條件，并用其進(jìn)行求解。
但對于東方海外航運(yùn)來說，其全球港口數(shù)量眾多、船只數(shù)目也很大，采用這種方法會讓商業(yè)軟件不堪重負(fù)。作為一種折中，人們通常需要將幾個(gè)港口劃成一個(gè)片區(qū)進(jìn)行處理，而即便如此，實(shí)現(xiàn)一次優(yōu)化仍然費(fèi)時(shí)費(fèi)力，每天可能需要花費(fèi)數(shù)個(gè)小時(shí)來計(jì)算路徑優(yōu)化的方案。而一旦外部條件發(fā)生變動，就不得不重新執(zhí)行如此費(fèi)時(shí)費(fèi)力的優(yōu)化過程，才能做出合理的應(yīng)激反應(yīng)，這種延時(shí)對于航運(yùn)公司會造成不小的損失。此外，對貨品和空箱的供需預(yù)測，很難做到非常高的精準(zhǔn)度。這種情況下，先預(yù)測再優(yōu)化的方式或造成誤差傳導(dǎo)，導(dǎo)致整個(gè)優(yōu)化過程的效果受損。
為了突破方法的局限性，微軟亞洲研究院在與東方海外航運(yùn)的合作中探索出了一套全新的解決方法——競合多智能體強(qiáng)化學(xué)習(xí)技術(shù)(Coopetitive Multi-Agent Reinforcement Learning)。它把每一個(gè)港口和船只建模成智能體，對原來的復(fù)雜問題分而治之，以去中心化的方式進(jìn)行求解。
微軟亞洲研究院的研究員們在各個(gè)智能體之間建立了高效的通信機(jī)制，通過協(xié)調(diào)智能體之間的利益分配與轉(zhuǎn)移，來促進(jìn)智能體之間的合作，同時(shí)協(xié)調(diào)他們之間的競爭，最終起到全局優(yōu)化的目的。
據(jù)劉鐵巖介紹，通過競合多智能體強(qiáng)化學(xué)習(xí)技術(shù)，可以做到航運(yùn)路徑優(yōu)化的時(shí)間減少至毫秒級。每個(gè)智能體的局部運(yùn)算可以并發(fā)進(jìn)行，傳統(tǒng)運(yùn)籌學(xué)方法需要好幾個(gè)小時(shí)進(jìn)行的路徑優(yōu)化，利用競合多智能體強(qiáng)化學(xué)習(xí)技術(shù)則可以縮短到毫秒級。當(dāng)某個(gè)智能體遇到突發(fā)狀況時(shí)，系統(tǒng)只需調(diào)動周圍相關(guān)的幾個(gè)智能體自己協(xié)調(diào)就能解決，無需從頭開始重新計(jì)算。
其次，自動學(xué)習(xí)、適應(yīng)變化，可與環(huán)境持續(xù)交互。當(dāng)某個(gè)港口停運(yùn)或者某一航線發(fā)生變化時(shí)，多智能體模型可以實(shí)時(shí)獲得信息，并動態(tài)調(diào)整和反饋，快速適應(yīng)新的環(huán)境。無需像傳統(tǒng)運(yùn)籌學(xué)方式那樣，人為重寫規(guī)則，再做優(yōu)化。
第三，實(shí)現(xiàn)預(yù)測和優(yōu)化的端到端學(xué)習(xí)，消除誤差傳導(dǎo)。在競合多智能體強(qiáng)化學(xué)習(xí)中，預(yù)測環(huán)節(jié)與優(yōu)化環(huán)節(jié)是一體化進(jìn)行的，不需要分階段、按順序執(zhí)行，因此，也就不存在誤差傳導(dǎo)的情況。
智能體的訓(xùn)練可以利用實(shí)際運(yùn)營數(shù)據(jù)，也可以通過自我博弈的方式來獲得提升。微軟亞洲研究院為此設(shè)計(jì)了復(fù)雜的仿真系統(tǒng)和分布式計(jì)算框架，可以使模型訓(xùn)練又快又好，目標(biāo)每年可為東方海外航運(yùn)節(jié)省1000萬美元的運(yùn)營成本。
除了可以提高效率，新的解決方案中的每個(gè)智能體模型還可以針對港口的調(diào)度員進(jìn)行模仿學(xué)習(xí)。在過去，航運(yùn)調(diào)度員會根據(jù)自己的經(jīng)驗(yàn)對商業(yè)軟件給出的調(diào)度方案進(jìn)行調(diào)整，方案的實(shí)際采用率甚至不足50%。但競合多智能體的模仿學(xué)習(xí)能力，可以學(xué)習(xí)不同調(diào)度員的行為習(xí)慣，生成更易于被調(diào)度員所接納的方案。人工智能作為助手，結(jié)合調(diào)度人員的專業(yè)經(jīng)驗(yàn)，將進(jìn)一步提升東方海外航運(yùn)的運(yùn)輸調(diào)度效率。這種人工智能(AI)與人類智能(HI)的結(jié)合，也將是未來人工智能普及的常見模式。
關(guān)鍵詞：
