央廣網北京5月17日消息（記者 牛谷月）5月17日，由搜狐科技主辦、央廣網作為戰略支持媒體參與的“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技術的最前沿發展以及應用落地情況。

　　下午，貨拉拉CTO張浩帶來了以《運籌優化在互聯網物流領域的應用》為題的主題演講。

　　張浩表示，物流是非常大的領域，物流在國民生產總值里面占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，從時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密切相關。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，而是一些中小型企業，運輸形式也不是專有物流公司，或者專有的車輛飛機。

　　他表示，貨拉拉主要是一個眾包平臺，是輕資產的物流企業，企業的運力來自社會的閑散運力。貨運場景本質上是供過于求的行業，如果我們想通過平臺的方式把運力調動起來，面臨的問題是如何在松散的運力情況下保證整體的效率，同時達到友好的服務。

　　以下為張浩演講全文：

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

　　今天我分享的內容是運籌優化，運籌優化只是一個框架，在運籌優化基礎之上還有很多AI和人工智能的內容。為了能夠更好地解釋運籌優化，我必須要講一下貨拉拉。

　　物流是非常大的領域，物流在國民生產總值里面占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大的企業都算物流，這里面有很多組織形態，從時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密切相關。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，主要是一些中小型的企業，它的運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。

　　貨拉拉主要是一個眾包平臺，是輕資產的物流企業，企業的運力來自社會的閑散運力。貨運場景本質上是供過于求的行業，如果我們想通過平臺的方式把運力調動起來，面臨的問題是如何在松散的運力情況下保證整體的效率，同時達到友好的服務。

　　我們通過調度來實現運力和用戶之間的匹配，這里面最重要一點就是分擔。當你在系統下單以后，我們的系統通過算法分給附近最優秀的司機，大家可以說這是一個匹配問題，確實也是比較簡單。

　　在貨運場景里面可以清楚看到，因為是眾包關系，定單的組效率很高，100單定單下單之后，司機接單可以取消。取消在我們平臺占15%左右，100個定單下單之后有15單被取消掉，1/3的原因車貨不匹配，各種面包車、貨運車、大車，這是司機的自有車，車不是標準的，同時貨也不標準，可能是桌子，可能是兩三米長的鋼條，可能是水泥，車貨不匹配是貨運最大的問題，定單被完成之后有1/3的定單到了門口發現，車裝不上貨或者貨運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，中國整個行業對貨運的基礎設施支持相對比較少，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的問題等等，數字化做得不太好，經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，但是貨重達一噸至少幾百斤，車過不去這個定單直接取消掉。

　　怎么實現智能分擔？第一種做法是路徑優化，可以通過把我們的車和路每種路徑都算一遍得到最優方法。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，沒有辦法對司機的路徑進行規劃，只能說這個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輸，它的效益都是在這個時間、距離曲線上不斷上升，當時效上升的時候，需要定單在30分鐘內完成，需要算法能夠實時進行定單匹配，而且分給最優的騎手。當我們范圍很大的時候，跑到10公里、20公里時間不是最重要的，而是分得準，失之毫厘差之千里，這兩種方法各有各的挑戰，我們在業務場景里面兩種方法都有使用。

　　定單接收以后司機可以取消。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，即取消率的預測。有點像電商的場景，電商場景里面可以看到三個綠色空間，當你看到廣告之后，可以點擊，但是并不意味著最后會買這個東西，實際這個空間分成三層。我們把定單推送給周圍50個司機，司機可以打開之后進行搶單。當司機到了這個地方之后，他能夠很準確知道這個貨他能運，他準確知道這條路很熟，最后完單，這基本是三個層面的數據預測。

　　分單里面最大的問題搶單和不取消率的建模。整個物流就是一個資源優化的問題，就是司機、車輛和貨物怎樣保證三種資源能夠實現最好的優化。這是物流里面最重要的問題。

　　帕累托曲線是做運籌優化最主要的曲線，投入產出基本在這個區間之內。我們找到這個曲線最佳的點很多時候理論上是不可能的，我們希望固定一個產出最小投入，找到這個點，或者固定投入找到最大的產出。使用場景營銷不管是電商還是O2O行業，營銷都是必不可少的，最大的資源毫無疑問就是營銷預算，當你有這么多的錢這么多的券發給誰？找到最大的輸出。

　　當你有多種券，基本就是0和1，這個券給這個人或者不給這個人，給了這個人之后給他一塊錢的券還是五塊錢的券，要對價格敏感性進行預估。給券的同時如何保證線下的取消率等等不超過預估，可以用背包問題來解決。不管眾包還是背包還是貨運，都和這個框架相關。如何細分進一步的場景，不同的城市、不同的人群供需狀況和人群的價格敏感度非常不一樣，一個模型一個做法是解決不了的，提高模型的精度，數據的隱私也是目前面臨比較大的問題。

　　除此之外的AI設計，招募司機的時候，像司機的審核、司機認證、司機服裝，線下也經常看我們的司機到底有沒有完成服務，有一些視頻抽查。駕駛的時候安全也是非常重要的一點，司機的狀態以及違禁品還有證照還有載人圖象識別，小動物、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中有很多的應用，跟O2O公司沒有太大的區別。貨運場景是不標準化的，比如出行為例，一個車坐四個人，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，甚至有時候送羊駝各種各樣的動物都有，怎么分配最合適的定單？這依然是我們最大的挑戰。

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

　　在貨運場景基本上就是人、車、貨、路、倉的數字化，人的數字化做得比較好，通過移動端，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場景的貨運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，貨運場景假以時日也能跟上。倉，這個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，這個車不是我們自己的車，任何人拿著這個車滿足條件都可以給他機會去我們平臺上接單。

　　人、車、貨、路、倉的基本數字化和在這個基礎上對它的調度是核心的能力。通用能力運籌優化、CV、NLP，車解決的最終場景除了車載設備以外，路的地圖能力，還有電動智能物流車也是一個比較好的解決方案。

　　我的分享就到這里，謝謝大家！