物流管理人工智能应用蓝图：智慧物流离不开
物流管理人工智能应用蓝图：智慧物流离不开这些数据并不能直接给企业带来价值，那怎样处理它们才能给企业带来价值呢？我们认为大概有三个步骤：首先是数据的采集和管理。当然采集与管理之后，你要能够描述数据，把数据刻画出来，这一步通常是计算机科学、信息科学完成的。下一步是，挖掘数据中隐藏的一些规律，并且通过这些规律对未来进行更好的预测，就是所谓规律性分析或者预测性分析。这一步更多的是由统计学或人工智能来完成的。在讨论智慧物流之前，我们应该讨论更大的一个话题：我们如何在“大数据时代”做智慧决策。现在跟以前最大的不同是，我们有大量的数据。这些数据可能来源于生产之中，可能来源于消费者，可能来源于各个方面，我们有很多方法储存、处理这些数据。但是对一个企业来说，如何发挥这些数据的最终价值，是最为重要的。在这几年里，人工智能和“大数据”发展的很快，已经成为了科技行业的“香饽饽”。实际上，人工智能早在几十年前就已经有人做了很多研究，只不过得益于计算机技术
衫数科技 CTO 王子卓
钛媒体按：本文整理自王子卓在钛媒体 AI 大师圆桌会·深圳站关于“AI 与智慧物流”的演讲。
王子卓是明尼苏达大学助理教授，同时也是杉数科技 CTO。“AI 大师圆桌系列”是钛媒体联合杉数科技举办的深度 AI 系列论坛，也是钛媒体大师圆桌会的重要组成部分（点击报名参加 AI 大师圆桌会）。在大数据初创公司杉数科技的支持下，2017 年系列“AI 大师圆桌会”邀请到了人工智能、运筹学等专业领域具有极高话语地位的多位国际知名学者和教授来到中国，巡回北京、上海、深圳三地，旨在共同探讨 AI 对产业的颠覆性影响。
上海站的AI大师圆桌会系列之——“AI时代，博弈与行为分析”，钛媒体和杉数科技将邀你来和“冷扑大师之父”面对面（报名链接），请拉到文末看详情。
在这几年里，人工智能和“大数据”发展的很快，已经成为了科技行业的“香饽饽”。实际上，人工智能早在几十年前就已经有人做了很多研究，只不过得益于计算机技术的发展，它由重回人们的视野。而随着互联网的发展，各家企业积累了大量的数据。利用人工智能与“大数据”相结合，能够促进很多行业的革新。物流行业就是其中之一。
杉树科技 CTO 王子卓认为，这两者相结合，再辅以统筹学“最优解”核心思想，能帮助物流行业解决非常多的问题——比如最常见的路径规划问题，中转枢纽选址问题，以及定制物流服务的定价问题等等。当然在实际应用场景中，也有很多不确定的因素。除了“优化模型”之外，统筹学中的“随机建模”理念也能帮助物流行业实现“智慧化”。
以下为王子卓在钛媒体联合杉树科技举办的“AI 大师圆桌会”上的演讲实录：
今天我也简单跟大家分享一下我们杉数科技怎么样去用人工智能，机器学习，优化方法去解决物流的问题，最终实现智慧物流。
在讨论智慧物流之前，我们应该讨论更大的一个话题：我们如何在“大数据时代”做智慧决策。现在跟以前最大的不同是，我们有大量的数据。这些数据可能来源于生产之中，可能来源于消费者，可能来源于各个方面，我们有很多方法储存、处理这些数据。但是对一个企业来说，如何发挥这些数据的最终价值，是最为重要的。
“大数据”如何帮助企业做决策？
这些数据并不能直接给企业带来价值，那怎样处理它们才能给企业带来价值呢？我们认为大概有三个步骤：首先是数据的采集和管理。当然采集与管理之后，你要能够描述数据，把数据刻画出来，这一步通常是计算机科学、信息科学完成的。下一步是，挖掘数据中隐藏的一些规律，并且通过这些规律对未来进行更好的预测，就是所谓规律性分析或者预测性分析。这一步更多的是由统计学或人工智能来完成的。
然而在很多商业场景里面，仅仅通过这些数据做预测，是没有完全发挥这些数据的价值的。想要完全发挥其实际价值，我们就需要把这些预测转换为决策。这个过程中有些场景是比较简单的，如果有了可循规律，那么就比较容易做出一个好的决策。但在实际商业领域中，比如说物流行业，它非常复杂，有很多需要考虑的因素。在这个场景下，很多时候，从规律到决策仍然有很多工作需要做，这部分就是我们所说的决策的建模与分析。这部分可能通常用到一些运筹学和优化技术。
所以利用大数据做智能决策，我们需要这三个步骤：数据收集与管理，规律性分析，决策性分析。如果从另外一个角度来看待这三个步骤，我们会认为这是认识世界，理解世界，最终改变世界的过程。
这几年，机器学习人工智能有了极大的发展，并且在很多应用领域获得极大成功。而且提到了图象识别，人工语言识别，智能游戏等一些这样的应用，当然这些应用确实是非常令人震撼。这些都不是新概念，这些在三十年前甚至更久之前都被人研究过了。但是由于两个方面：首先我们有了更强的计算能力，允许我们对大量数据进行计算。只有能在有效时间内进行计算，才会有深度、神经网络，否则不可能在有限时间内得到好的结果。另外我们有了大量数据，这些数据很多适用于我们信息技术的发展，收集大量数据之后，然后通过这些数据训练能够得到一个更好的模型。
这些方法应用到商业场景里面，比如应用到物流场景里，我们需要的不仅仅是一个模型。不同的行业里的每一个问题，都有它不同的一些特点，我们需要了解各个商业环境里的不同点。那么如果只是把一个简单的模型，比如说直接把一些数据扔到深度学习的网络里面，几乎是不可能有很好的效果。要得到很好的效果，要有深度场景的了解，然后根据场景选择一个模型。
所谓的神经网络，深度学习，只是众多机器学习里面的一种，很多时候可能并不是最合适的一个。我们希望根据实际场景思考，到底用什么模型能达到最好的预测效果。在选择模型之后，最重要的是要选择高效的办法。有的模型比较简单可以处理大量数据，有的模型需要非常复杂的方法才可以得到模型参数，使这个模型发挥作用。这里面涉及到大量的运筹学和优化方面的问题。只有结合这几个要点之后，我们才能做出一个好的预测。
那么如何把一个预测的结果，转化成实际的价值，转化成实际中更优的一个决策？比如智慧物流，我们关心的不仅仅是，可以预测未来的快递件数，或者未来的发展，这里的“智慧物流”是决策上的事——一个物流公司如何能让资源更好分配，更有效把货物运到消费者手里，更低的成本去转运不同货物。刚开始我们可能更多的会应用到一些优化和技术上。
运筹学，智慧物流的重要助力
接下来，我想要和大家分享的是运筹学的一些背景。比如在这三个场景下，如何将这三个方法进行结合，最终更好的解决物流当中的决策问题。
简而言之，运筹学就是将实际问题转化成数学模型，并高效求解的一套方法。运筹学大约起源于上世纪四十年代，第二次世界大战的时候。当时军队有很多关于资源调配的问题：如何去部署雷达，如何去调配军队，投炸弹等等，这些问题需要一个系统的方法来解决，所以当时人们研究出了一系列运筹学的方法。
值得一提的是 1947 年，研究出的线性优化的单纯算法，直到到现在它仍然被广泛使用——它被列举为 20 世纪十大算法。战争结束之后，人类就想如何把这个优化方法，用到生产生活中，尤其用到商业中。于是这个学科也得到了高速的发展，产生了各种各样的分支，物流也是其中之一。
在过去二十年里，运筹学和优化领域获得了非常高速发展，其主要的原因是计算机技术的智能化。1947 年以前我们有算法，但可能仍然是人在进行运算，计算机只是提供了系统的方法。但是现在，我们可以真正用计算机和算法解决一些实际规模的问题。这两者的结合能解决成百上千，甚至百万级的问题——全部都在几秒内完成。然后在过去几年里，大数据产生推动了这个领域的发展，拓广了更多的应用。这些数据可以去运用我们的模型，使得我们的模型可以真正做出对企业有价值的决策。
在运筹学里面，我想跟大家简单介绍一下有两个非常非常重要的工具，第一个工具是优化工具：大家考虑优化问题之时，只需要记住三个点：第一，这个问题里面你要做的决策是什么，你可以控制的因素是哪些；第二，通过这个决策能达到什么样的一个目标——比如说最大化效益，最小化成本，或者缩减送货时间；第三个，就是这个决策可能受到哪些方面的约束。把这三点考虑起来就是一个优化问题。
所谓优化问题就是我们要去寻找在满足约束条件下的决策，并尽量实现我们希望达到的目标。什么是你的决策，什么是你的目标，什么是你的约束，这三点都需要通过数学的方法表述出来。由于现实问题要比模型复杂得多，所以把这个实际的问题转化成描述，并不那么简单，而在这里面却是非常重要的一步，并且需要相当的经验。
智能决策
有了数学的表述之后，就需要寻找一套算法帮助我们找到合适的决策目标。这就是求解的过程。这其中涉及到很多优化算法的问题——如何在最短时间内，最精确的找到一个问题的最优解。大家可以看优化问题被我写成一个数学形式，可以通常写成右边这样一个形式。你要有一个目标函数——需要达到多少，最大化目标或最小化目标，还要满足一些约束。在运筹学里面，一个好的模型可以很好的刻画和提问，并且可以支持大模型求解，这是优化运筹里面最重要的一项技术。当然，有时候也需要自己设计一个算法去求解，这也是运筹学里面第一项非常重要的技术。
另外除了优化以外，运筹学里面另外一个非常重要的技术是随机建模的技术。我们知道生活中很多事情，包括商业中，都是不确定的。再怎么精确预算，也不能准确预算某一天的需求量，而这正是随机建模关心的事情。这里面我简单列举了几个模型：比如随机优化模型，鲁棒优化，随机模型、马尔科夫决策过程，这些都会适用于我们物流行业。运筹学主要是这两大块技术，优化和随机建模。将它们结合起来可以解决很多非常复杂的实际问题。
物流场景中，它们都需要运筹学和人工智能来帮忙
接下来，我想和大家讨论一下，在这些场景里面如何用这些方法，结合一些机器学习，统计人工智能的方法，解决物流行业中的一些重要的问题：首先是有关这个区域的划分和选址的问题。显然对物流行业而言，这个问题还是非常重要的。因为我们可能需要制定每一个送货小哥负责哪个区域，每一辆车负责哪个区域，这会直接影响我们物流效益。
实际上，这就是一个优化问题，为什么说是优化的问题呢？这里面要做的决策，就是如何划分区域，或者说每一个点到底应该属于哪个区域。这个问题目标是保证划分的区域大致面积相同，里面需求量大致相同，每一个车辆需要投递时间相同，我们尽可能保证每个区域平衡。但是我们会把这样一个目的写成一个数学的形式。第二个，在划分过程中，可能有很多实际约束，比如说某两个点属于同一个区域，某两个点不属于同一个区域等等。这就有了我们第三个重要部分，这需要一些优化。在这个场景中最简单的是二维优化。
我们只考虑在平面上做固定的划分，但是实际中我们还会靠时间纬度，因为有时候投递是有时间窗口的，这个会导致对区域划分不仅仅是静态，还会随着时间的变化，甚至考虑到一些其他因素，比如说有一些是送货，一些是取货，这都会使得问题划分更多元化。实际上，这个用到的都是我说的优化技术，在这个需求点上我们会用到机器学习，人工智能的方法，将这个结合之后可能得到最好的一个划分。
有的时候在进行区域划分之后，我们还有一件事情要做，就是对区域中进行一些选址决策。我的区域里面哪些地方是网点，哪些地方是投送点，我的目标送货员哪里出发最近，或者来我这个站的距离最短。这些问题，大家可以看又是一个优化的不同。
选址问题公式
这里我给大家放一个简单的公式，意思就是这样一个形式，我们需要去定义我的决策变量，定义我的目标函数，定义我的约束，把它写成一个数据形式，通过这样的优化问题，我们可以得出最终选址在什么地方。但是也有一些约束，库存约束，同时我们考虑一些不确定的因素。比如说怎么样平均送货时间最短，最长的送货时间最短等等，考虑一些这样的元素。
刚刚说的是区域的选址问题，作为更高层的还有枢纽选址问题。我们在全世界都有一些物流，我们需要设立一些枢纽。如果选址枢纽使得我送货最优化，这跟刚才一样，可以转化为问题，你的目标和你的约束。在格式确定之后转化为问题，再配以一个合适的算法，最终可以得到很好的一个决策。当然这也很复杂，我们会考虑到很多约束，不管是多少约束，只要通过合适的方法都可以尽量建模。最终给你一个答案。这是我想讲的第一个应用。
第二个是定价和收益管理的应用。实际上对物流行业非常重要，那么什么是定价与收益管理问题呢？当然名字很简单，无非就是这些商家怎么去做一些定价和销售，这样的一些决策，或者说这个定价与收益管理的目标，就是在正确的时间，把正确的商品以正确的价格卖给正确的人，这句话里面可以看到我们所需要做的一些决策。就是说要去选择合适的时间，把合适的不同的商品推荐给合适的人，然后给你一个合适的价格。
想做一个很好的收益管理，在智能决策里面第一个步骤我们要对数据进行一个采集以及整理，这里面最需要的是有关消费者对你服务价值的一些数据，包括消费之前的一些选择，消费之前面临的一些情况，这些都是有关数据，我们需要收集的一些数据。然后有了这些数据之后，我们可能会用一些机器学习的方法，去预测新来的消费可能对我们的服务，对我们产品的一些价格，这里我们会用到刚才所说的统计，机器学习的方法。
最后有了这样一个预测之后，我们要去决定对这样的产品，这样的消费制定什么样的价格，甚至包括我们的菜单怎么制定，这都需要通过刚才预测的结果，加以优化模型，最终得到战略的某些目标。
不管是哪一类目标，我们都可以写成这样一个决策问题，最终优化的这样一个方法进行求解。这里具体的几个实例也提到了，物流行业很重要一个问题是如何制定它的产品线，或者这个目录，消费者在选择中会从你的目录里面选择一种服务，对不同服务里面有相关性，可能要拉这个里面的相关性。
然后你要决定选择哪些商品展示给消费者，这是一个选址问题。然后还有定价决策，比如说在目录里面，整体的一个最大化的收入，这里要考虑到不同服务，不同产品之间一些影响因素等等，但是最终通过一些建模和求解。
另外我们开始可能没有很多关于消费者的数据，在这种情况下我们需要动态进行学习，对数据进行积累和分析，在这里设计一个动态机器学习的过程。这里需要做决策的就是如何去学习这些消费者的一些行为，消费者选择的一些规律，那么这里就也是一个机器学习的问题，怎么样决策呢？比如说我是多少不同的价格，每一个多长时间，然后通过这些结果如何去制定一个未来最优的决策，这个问题需要机器学习和人工智能结合。
最后一个部分我想讲一下路径优化的问题。那么显然在物流行业里面，路径优化是最基本的一项技术。如何设计一个路线满足定制的需求，实现成本最小化，最短时间内拿到派单，还有车辆调度问题等等。
在实际场景中，这些问题会变得非常复杂，因为有非常多的因素要考虑。比如说首先有多个需求，多个送货员，多个出发点。第二，实时需求，有的是时间窗口，有的是取货，有的是送货，会有不同的限制。另外因为中国的承重限制，这会有很多路程上的不确定性，时间上的不确定性，以及每单的不确定性，这样情况下如何制定一个路线可以更好的服务消费者，也是一个非常重要的问题。这需要很多运筹学优化技术以及机器学习的技术。预测更准确的时间，也是在物流中一个非常重要的应用的场景。
当然最后路径优化除了路上的优化，还有仓库内的摆放，取货送货，这些实际上也是一个优化问题，同样我们需要机器学习的方法去预测每个货物出货次数以及需求，然后用运筹优化方法设计摆放方案，路径方案，这也是可以将机器学习和运筹学优化结合到一起的场景。
我想说的就是真正实现智慧物流，我们需要结合多个方面，一些技术，需要机器学习人工智能的方法去预测未来的规律，我们也需要运筹优化帮助大家将这些规律转化为实际决策，最终使我们物流更加有效率，最终为咱们中国的企业、产业创造更大的价值。（本文首发钛媒体，整理/唐植潇）
--------------下一场精彩预告-------------
AI大师圆桌会之“AI时代，博弈与行为分析”，与“冷扑大师之父”面对面
时间：7月20日下午 地点：上海财大豪生大酒店
钛媒体AI大师圆桌会·上海站日程
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
