央广网北京5月17日消息(记者 牛谷月)5月17日,由搜狐科技主办、央广网作为战略支持媒体参与的“2021搜狐科技5G&AI峰会”在北京开幕。峰会大咖齐聚,共同探讨5G和AI技术的最前沿发展以及应用落地情况。

  下午,货拉拉CTO张浩带来了以《运筹优化在互联网物流领域的应用》为题的主题演讲。

  张浩表示,物流是非常大的领域,物流在国民生产总值里面占15%,其中物流分成很多种类,不管天上飞的还是水里走的,这里面有很多组织形态,从时间和空间都是不一样的。

  张浩指出,货拉拉接下来的困难跟所在的行业密切相关。货拉拉是一家从事同城和跨城的物流公司,主要用户并不是大的国营企业,而是一些中小型企业,运输形式也不是专有物流公司,或者专有的车辆飞机。

  他表示,货拉拉主要是一个众包平台,是轻资产的物流企业,企业的运力来自社会的闲散运力。货运场景本质上是供过于求的行业,如果我们想通过平台的方式把运力调动起来,面临的问题是如何在松散的运力情况下保证整体的效率,同时达到友好的服务。

  以下为张浩演讲全文:

  各位下午好!感谢搜狐科技的邀请,很高兴今天有机会在最后这场跟大家分享一下我们作为在行业方面的实践。我以前在饿了吗工作过,我的领域主要在O2O这块如何通过算法,通过规模来提高人的效率,提高整个体系的效率。

  今天我分享的内容是运筹优化,运筹优化只是一个框架,在运筹优化基础之上还有很多AI和人工智能的内容。为了能够更好地解释运筹优化,我必须要讲一下货拉拉。

  物流是非常大的领域,物流在国民生产总值里面占15%,其中物流分成很多种类,不管天上飞的还是水里走的,从to B大的企业都算物流,这里面有很多组织形态,从时间和空间都是不一样的。

  货拉拉接下来的困难跟我们所在的行业密切相关。货拉拉是一家从事同城和跨城的物流公司,它主要的用户在今天并不是大的国营企业,主要是一些中小型的企业,它的运输形式也不是我们今天讲的专有物流公司,或者专有的车辆飞机。

  货拉拉主要是一个众包平台,是轻资产的物流企业,企业的运力来自社会的闲散运力。货运场景本质上是供过于求的行业,如果我们想通过平台的方式把运力调动起来,面临的问题是如何在松散的运力情况下保证整体的效率,同时达到友好的服务。

  我们通过调度来实现运力和用户之间的匹配,这里面最重要一点就是分担。当你在系统下单以后,我们的系统通过算法分给附近最优秀的司机,大家可以说这是一个匹配问题,确实也是比较简单。

  在货运场景里面可以清楚看到,因为是众包关系,定单的组效率很高,100单定单下单之后,司机接单可以取消。取消在我们平台占15%左右,100个定单下单之后有15单被取消掉,1/3的原因车货不匹配,各种面包车、货运车、大车,这是司机的自有车,车不是标准的,同时货也不标准,可能是桌子,可能是两三米长的钢条,可能是水泥,车货不匹配是货运最大的问题,定单被完成之后有1/3的定单到了门口发现,车装不上货或者货运太重或者太长而被取消掉。

  还有1/3的原因我们的地图问题,中国整个行业对货运的基础设施支持相对比较少,不管常用的地图商还是我们自己,在很多地方的限高限行,包括上海还有一些路权的问题等等,数字化做得不太好,经常车到了门口过不去。跟人不太一样,人可以走过来,滴滴有司乘共享可以打电话,但是货重达一吨至少几百斤,车过不去这个定单直接取消掉。

  怎么实现智能分担?第一种做法是路径优化,可以通过把我们的车和路每种路径都算一遍得到最优方法。还有一种方法,在不同的场景下通过图匹配的方法,这种方法最大的问题,没有办法对司机的路径进行规划,只能说这个定单分给你或者分给另外的人。

  常见的范围里面不管从外卖还是跑腿还是干线运输,它的效益都是在这个时间、距离曲线上不断上升,当时效上升的时候,需要定单在30分钟内完成,需要算法能够实时进行定单匹配,而且分给最优的骑手。当我们范围很大的时候,跑到10公里、20公里时间不是最重要的,而是分得准,失之毫厘差之千里,这两种方法各有各的挑战,我们在业务场景里面两种方法都有使用。

  定单接收以后司机可以取消。怎么知道把定单分给最好的人最好接单不取消?这是最头疼的问题,即取消率的预测。有点像电商的场景,电商场景里面可以看到三个绿色空间,当你看到广告之后,可以点击,但是并不意味着最后会买这个东西,实际这个空间分成三层。我们把定单推送给周围50个司机,司机可以打开之后进行抢单。当司机到了这个地方之后,他能够很准确知道这个货他能运,他准确知道这条路很熟,最后完单,这基本是三个层面的数据预测。

  分单里面最大的问题抢单和不取消率的建模。整个物流就是一个资源优化的问题,就是司机、车辆和货物怎样保证三种资源能够实现最好的优化。这是物流里面最重要的问题。

  帕累托曲线是做运筹优化最主要的曲线,投入产出基本在这个区间之内。我们找到这个曲线最佳的点很多时候理论上是不可能的,我们希望固定一个产出最小投入,找到这个点,或者固定投入找到最大的产出。使用场景营销不管是电商还是O2O行业,营销都是必不可少的,最大的资源毫无疑问就是营销预算,当你有这么多的钱这么多的券发给谁?找到最大的输出。

  当你有多种券,基本就是0和1,这个券给这个人或者不给这个人,给了这个人之后给他一块钱的券还是五块钱的券,要对价格敏感性进行预估。给券的同时如何保证线下的取消率等等不超过预估,可以用背包问题来解决。不管众包还是背包还是货运,都和这个框架相关。如何细分进一步的场景,不同的城市、不同的人群供需状况和人群的价格敏感度非常不一样,一个模型一个做法是解决不了的,提高模型的精度,数据的隐私也是目前面临比较大的问题。

  除此之外的AI设计,招募司机的时候,像司机的审核、司机认证、司机服装,线下也经常看我们的司机到底有没有完成服务,有一些视频抽查。驾驶的时候安全也是非常重要的一点,司机的状态以及违禁品还有证照还有载人图象识别,小动物、液压液爆等等需要通过视觉的方式识别。

  NLP自然语言处理在我们的场景当中有很多的应用,跟O2O公司没有太大的区别。货运场景是不标准化的,比如出行为例,一个车坐四个人,不管你胖瘦都能坐得下,不会送特别多的水泥或者特别长的钢筋,甚至有时候送羊驼各种各样的动物都有,怎么分配最合适的定单?这依然是我们最大的挑战。

  我们有一种办法,通过备注的方式实现,我们尽量把个性化的需求通过标签的方式实现。平台上拍的照片很有趣,各种狗、猫,还有羊驼、马,怎么实现最佳匹配?通过备注。备注里面有很多内容,如果没有完成备注要求,最后导致司机取消或者定单处罚,到底是谁的原因?这里面通过智能客服,通过对语音的观测,对备注的挖掘进行取消原因的判定,都会是NLP发挥作用的场合。

  在货运场景基本上就是人、车、货、路、仓的数字化,人的数字化做得比较好,通过移动端,他的喜好基本有一些了解。货,相对做得比较差,刚才提到在众包货运场景的货运千奇百怪特别不一样。路,在出行两轮或者四轮场景做得比较好,货运场景假以时日也能跟上。仓,这个场景在专有的物流公司做得比较好。车是最大的困难,对众包场景最大的挑战,这个车不是我们自己的车,任何人拿着这个车满足条件都可以给他机会去我们平台上接单。

  人、车、货、路、仓的基本数字化和在这个基础上对它的调度是核心的能力。通用能力运筹优化、CV、NLP,车解决的最终场景除了车载设备以外,路的地图能力,还有电动智能物流车也是一个比较好的解决方案。

  我的分享就到这里,谢谢大家!