雷鋒網(wǎng)按：9 月 7 日，首屆人工智能計(jì)算大會(huì)(AI Computing Conference 簡(jiǎn)稱 AICC)在京舉行。本次大會(huì)由中國(guó)工程院信息與電子工程學(xué)部主辦、浪潮集團(tuán)承辦。除了邀請(qǐng)海內(nèi)外數(shù)十位知名專家圍繞 AI 計(jì)算創(chuàng)新作主題報(bào)告外，還設(shè)置了 AI+計(jì)算創(chuàng)新、AI+互聯(lián)網(wǎng)、AI+產(chǎn)業(yè)創(chuàng)新、AI+HPC 融合分論壇，有來(lái)自百度、微軟、阿里、騰訊、英特爾等業(yè)界人士分享了各自對(duì) AI 的看法，以及各自企業(yè)在 AI 上的應(yīng)用進(jìn)展。

在 AI+互聯(lián)網(wǎng)論壇上，美團(tuán)點(diǎn)評(píng)高級(jí)技術(shù)總監(jiān)王棟作為嘉賓以《人工智能在餐飲行業(yè)的應(yīng)用場(chǎng)景》作了演講，就 AI 在餐飲行業(yè)中的潛在應(yīng)用，以及美團(tuán)的一些具體技術(shù)方案做了詳細(xì)講解。此外，王棟在接受媒體采訪時(shí)，就美團(tuán)點(diǎn)評(píng)數(shù)據(jù)、業(yè)務(wù)方面的情況進(jìn)行了解答。

王棟對(duì) AI 在人工智能在餐飲行業(yè)應(yīng)用場(chǎng)景的主要觀點(diǎn)及對(duì)未來(lái)的展望如下：

• 嗅覺(jué)、味覺(jué)口味識(shí)別是非常有潛力的方向；

• 人工智能在流量轉(zhuǎn)化優(yōu)化、配送調(diào)度機(jī)制、用戶營(yíng)銷過(guò)程領(lǐng)域的應(yīng)用成效顯著；

• 要全局協(xié)同優(yōu)化，打造外賣大腦：交易流量分配+配送履約+智能營(yíng)銷；

• 自動(dòng)化配送可能早于自動(dòng)駕駛實(shí)現(xiàn)：場(chǎng)景可控，閉環(huán)反饋；

• 人工智能是使能技術(shù)：給餐飲行業(yè)帶來(lái)更好規(guī)模效應(yīng)；用戶端+商戶端+平臺(tái)化。

以下為王棟演講內(nèi)容實(shí)錄，雷鋒網(wǎng)做了不改變?cè)獾木庉嫞?/strong>

我在美團(tuán)點(diǎn)評(píng)負(fù)責(zé)外賣的算法和數(shù)據(jù)，今天講的題目不是很大，但大家會(huì)覺(jué)得這個(gè)事情有點(diǎn)突兀，咱們可以慢慢介紹一下。

我們先看一下對(duì) AI 這件事情的理解，AI 其實(shí)現(xiàn)在主要是以深度學(xué)習(xí)為主，但早先包括規(guī)則、SVM 這些淺層網(wǎng)絡(luò)都出現(xiàn)過(guò)，這是因?yàn)槲覀冇貌煌磉_(dá)方式解決同一個(gè)問(wèn)題，這個(gè)問(wèn)題其實(shí)按照康德的說(shuō)法應(yīng)該分為對(duì)一個(gè)問(wèn)題的解答分為三部分，第一是什么樣的問(wèn)題，第二你怎么樣表達(dá)這個(gè)問(wèn)題，第三才是問(wèn)題真正的解決方案。

比如說(shuō)我們用非常簡(jiǎn)單的例子，我們?cè)瓉?lái)可能知道，大家都用的是阿拉伯?dāng)?shù)字，但是實(shí)際上在歷史上，也經(jīng)常更長(zhǎng)時(shí)間用的是羅馬數(shù)字，歷史上更長(zhǎng)的時(shí)間是用的羅馬數(shù)字表示，如果運(yùn)算非常大的乘法的時(shí)候用羅馬數(shù)字來(lái)做是不可想象的事情，不同的表示對(duì)應(yīng)不同解決方案的難易程度。今天我們看 AI 做到很多應(yīng)用的場(chǎng)景，包括阿法狗，或者是 Caffee 這樣一些比較前沿的方法，其實(shí)都是在深度學(xué)習(xí)框架下。但是這里仍然只是一種 AI 可能的解決方案。

然后我們看一下對(duì)于 AI 的問(wèn)題，解決方案大概有這么幾個(gè)步驟，第一，要有一個(gè)明確的場(chǎng)景，這個(gè)場(chǎng)景本身是可以去明確定義的，沒(méi)有歧義；第二，要有足夠的數(shù)據(jù)，在通常的場(chǎng)景下，AI 深度學(xué)習(xí)必須有大量的數(shù)據(jù)；第三，要有足夠好的人員能把數(shù)據(jù)用起來(lái)；最后我們?cè)趹?yīng)用場(chǎng)景里不斷對(duì)我們的目標(biāo)和實(shí)的結(jié)果做持續(xù)反饋。只有通過(guò)這個(gè)才能更好了解到底這個(gè)解決方案和實(shí)際應(yīng)用場(chǎng)景不匹配的點(diǎn)在哪里，以及怎么樣去改進(jìn)，這是對(duì) AI 這個(gè)方向簡(jiǎn)單理解。

AI 應(yīng)用場(chǎng)景

對(duì)于餐飲行業(yè)來(lái)說(shuō)，大家可能都認(rèn)為，汽車是非常 Fashion 的一個(gè)行業(yè)，有顛覆性的機(jī)會(huì)，可以看到汽車行業(yè) 4 千億，餐飲行業(yè)是 3500 億，數(shù)據(jù)差不多，美國(guó)的消費(fèi)是 5 千億美元餐飲消費(fèi)規(guī)模。

現(xiàn)在中國(guó)向消費(fèi)升級(jí)這個(gè)方向發(fā)展，這塊也是有比較大的潛力。滴滴共享出行、包括像共享單車一樣現(xiàn)象級(jí)的產(chǎn)業(yè)，這個(gè)流程相對(duì)來(lái)說(shuō)比之前的兩個(gè)更復(fù)雜一點(diǎn)。

餐飲行業(yè)首先涉及到用戶在平臺(tái)上進(jìn)行下訂單，選擇哪家喜歡吃的菜，然后下單，下了單通知這個(gè)商家做接單，商家要去做，出餐，通過(guò)騎手要把這個(gè)餐送給用戶。所以這塊是一個(gè)非常長(zhǎng)的時(shí)間要求，我們都不愿意自己的餐可能一個(gè)小時(shí)才能送到，都希望半個(gè)小時(shí)甚至更短時(shí)間能夠到自己的手里。但配送員能量是有限的，用戶點(diǎn)的餐往往都是在自己附近一公里，這樣意思是說(shuō)，如果我們有三公里以外的配送騎手對(duì)解決這個(gè)問(wèn)題是沒(méi)有幫助的。要求這么高，資源又這么少，又是一個(gè)剛性的資源，所以這個(gè)優(yōu)化是非常難做的。

服務(wù)的鏈條比較長(zhǎng)，尤其遇上惡劣天氣，會(huì)是一個(gè)很要命的事情，這個(gè)導(dǎo)致服務(wù)行業(yè)要求及時(shí)配送，無(wú)論是天貓次日達(dá)，京東可以做到當(dāng)天或者 6 個(gè)小時(shí)，甚至包括一些閃送小的創(chuàng)業(yè)企業(yè)其實(shí)都沒(méi)有解決這么大規(guī)模及時(shí)配送的優(yōu)化問(wèn)題。

對(duì)配送來(lái)說(shuō)，我們確實(shí)對(duì)這個(gè)也是有一個(gè)改善的，我們可以做一個(gè)區(qū)域劃分，每個(gè)配送員會(huì)有一塊相對(duì)熟悉的區(qū)域，這個(gè)區(qū)域內(nèi)他會(huì)做相關(guān)的配送。美團(tuán)有 30 萬(wàn)騎手每天完成一千萬(wàn)單交付。

我們看全球外賣公司其實(shí)還是蠻多的，中國(guó)現(xiàn)在剛剛經(jīng)歷了一個(gè) 3 進(jìn) 2 的角逐，餓了么和百度外賣進(jìn)行合并，真正的在這個(gè)行業(yè)做的只有兩家，這個(gè)規(guī)模是遠(yuǎn)遠(yuǎn)大于其他競(jìng)爭(zhēng)者的。比其他國(guó)家任何一個(gè)市場(chǎng)都要大，這個(gè)原因其實(shí)商業(yè)上可以理解，我們大部分是在城市，城市密度很高，同時(shí)中餐復(fù)雜程度不像西餐，不像吃披薩或者吃意面，只有三種選擇，我們菜的選擇是非常多的，通過(guò)電話訂餐是比較復(fù)雜的事情，同時(shí)商家現(xiàn)在租金成本在漲，而外賣是堂食之外對(duì)商家一個(gè)很好的補(bǔ)充，這種模式下外賣無(wú)論對(duì)用戶還是商家都是多贏的解決方案。

AI 技術(shù)方案

簡(jiǎn)單的場(chǎng)景介紹之后看一下在餐飲行業(yè)，我們 AI 應(yīng)該怎么去應(yīng)用，這塊大概按縱橫兩個(gè)維度來(lái)看，縱的維度其實(shí)是遵循傳統(tǒng)關(guān)于計(jì)算規(guī)模、計(jì)算資源劃分、最基礎(chǔ)的底層基礎(chǔ)設(shè)施、數(shù)據(jù)和計(jì)算能力，再上層一點(diǎn)的是算法，各種各樣算法框架，包括技術(shù)方向，以及應(yīng)用場(chǎng)景。

橫向來(lái)看會(huì)有大家通用的感知分析，類似于像視覺(jué)、聽(tīng)覺(jué)，包括理解與思考，怎么樣去做一個(gè)決策，怎么樣去做一些存儲(chǔ)，去把這些數(shù)據(jù)經(jīng)過(guò)提煉得到答案，把這個(gè)答案用起來(lái)。最后是交互，怎么能夠做市場(chǎng)連讀，對(duì)餐飲行業(yè)來(lái)說(shuō)，這是現(xiàn)在比較少有人去做的事情，其實(shí)這也在于前面計(jì)算機(jī)怎么去做位置建模，怎么樣建視覺(jué)和嗅覺(jué)的相關(guān)建模。也有一些小的創(chuàng)業(yè)公司在看這方面的機(jī)會(huì)，在中間智能匹配和規(guī)劃決策這一塊，更偏向于思考，美團(tuán)點(diǎn)評(píng)其實(shí)有在做這方面的事情。

再具體一點(diǎn)來(lái)看，比如感知這一塊，這個(gè)現(xiàn)在目前還是一個(gè)可以研究的方向，無(wú)論是原材料產(chǎn)生還是做原材料加工過(guò)程，咱們把這個(gè)菜做成主食，或者設(shè)備商的工藝改進(jìn)，這個(gè)都是可以利用 AI 方式去做顛覆的。

食物生產(chǎn)工廠，有一些相對(duì)來(lái)講經(jīng)濟(jì)價(jià)值比較高的，類似于生菜這樣的設(shè)備，是可以在工廠里生成，去量產(chǎn)的。比我們現(xiàn)在大棚里的效率是更高的，當(dāng)然現(xiàn)在成本還是要高一點(diǎn)。也有人合成牛肉，中間這塊其實(shí)是很有趣的事情。大概兩三年以前，IBM 說(shuō)自己做了一個(gè)創(chuàng)意型菜譜，能夠通過(guò) Internet 自己輸入很多菜譜，去生成做菜方式。

我們比較本土的創(chuàng)新的搟面條機(jī)器人或者做拉面機(jī)器人，這個(gè)現(xiàn)在都是蠻成熟的，包括麻辣香鍋機(jī)器人，可以很快降低成本，提高企業(yè)效率。右邊是我們做的比較差的，像標(biāo)準(zhǔn)化的口味，對(duì)某個(gè)人來(lái)說(shuō)這個(gè)辣可能是 50% 的辣，對(duì)另外一個(gè)人可能是 70% 的辣，應(yīng)該有一個(gè)標(biāo)準(zhǔn)在這里。包括每一種菜品，四川風(fēng)味應(yīng)該怎么做，到了北京經(jīng)過(guò)改良之后又是什么樣的情況，這個(gè)事情也是沒(méi)有人做的，如果這個(gè)事情做的很標(biāo)準(zhǔn)，意味著對(duì)每一個(gè)人來(lái)說(shuō)，他可以知道每一家餐廳是否符合他的口味，而不是像現(xiàn)在經(jīng)過(guò)平臺(tái)篩選告訴他，這一家你是不是喜歡，這個(gè)是任重道遠(yuǎn)的事情，我們今天也沒(méi)有做到。

對(duì)于更接地氣的做法是我們做的理解，理解是對(duì)用戶和商戶的理解，包括對(duì)交易或者用戶在線時(shí)候的一些歷史興趣，包括當(dāng)前實(shí)施的一些通過(guò)點(diǎn)擊等行為表現(xiàn)出來(lái)的一些理解。對(duì)商戶本身出餐速度、口味有一些質(zhì)量等方面的理解。

如果我們做的話一次性對(duì)用戶單個(gè)選擇，也可能有多次用戶的重復(fù)購(gòu)買，這個(gè)里面信息是不一樣的，包括多次用到平臺(tái)的一些紅包，或者是促進(jìn)用戶購(gòu)買的手段，這個(gè)其實(shí)也是通過(guò)人工智能可以去做一些改進(jìn)的。

對(duì)于決策這塊，對(duì)平臺(tái)來(lái)說(shuō)，更多是剛才談到的配送，怎么能夠分配我們配送的資源，怎么樣更好的做調(diào)度。

把這個(gè)事情展開(kāi)一點(diǎn)的話，左邊是用戶，右邊是商家，中間是平臺(tái)要做的兩件事情，核心的點(diǎn)，包括流量匹配、智能營(yíng)銷，還有一個(gè)很重要的商家生態(tài)健康度。上面更重要的是配送路徑規(guī)劃，以及訂單究竟給哪個(gè)配送員。綜合起來(lái)要達(dá)到配送的準(zhǔn)確度、及時(shí)度、滿意度和成本的平衡。

交易平臺(tái)的智能化

下面對(duì)于交易效率來(lái)說(shuō)，可能希望能做更好的匹配、單次的匹配，更長(zhǎng)遠(yuǎn)的看也需要考慮商家生態(tài)。

交易平臺(tái)，從美團(tuán)的歷史上來(lái)說(shuō)大概經(jīng)歷了 4 個(gè)階段，目前是處在往人工智能時(shí)代過(guò)渡演進(jìn)的過(guò)程當(dāng)中，早先的時(shí)候就是一些比較簡(jiǎn)單的人工運(yùn)營(yíng)規(guī)則，再往后我們做離線機(jī)器人方法，今天利用深度學(xué)習(xí)和在線學(xué)習(xí)，能夠做上下文的探索，能夠去感知到用戶偏好的變化，同時(shí)能夠在線的去探索，比如對(duì)用戶有幫助的新上的商家，將來(lái)希望更多的將增強(qiáng)學(xué)習(xí)和理解信息更好的用進(jìn)去。比如說(shuō)用戶喜歡吃辣，對(duì)川菜感興趣，也可能湖南菜他覺(jué)得挺適合的，這就不光通過(guò)知識(shí)驅(qū)動(dòng)，更有效的達(dá)到目的，通過(guò)及時(shí)配送去做一些協(xié)同調(diào)整。

在現(xiàn)在我們 APP 的頁(yè)面，有搜索、平臺(tái)排序、場(chǎng)景推薦、個(gè)性化推薦，以及基本兜底的所有東西都可以在這兒找得到一個(gè)列表。這兒的目標(biāo)叫單次的用戶轉(zhuǎn)化，各個(gè)模塊之間的功能肯定是有一些互補(bǔ)，更重要的是我們?cè)趩蝹€(gè)的模塊里面去做更好的優(yōu)化，比如信息優(yōu)化，以及對(duì)用戶轉(zhuǎn)化率估計(jì)的優(yōu)化。

這塊我們用了一些深度學(xué)習(xí)技術(shù)，對(duì)于關(guān)鍵信息的展示這塊，展示樣式的優(yōu)化，我們用了一些增強(qiáng)學(xué)習(xí)的方法，對(duì)于在圖像呈現(xiàn)里面我們用了圖象處理的方法，用 CNN 包括相關(guān)性，我們之前用 DSSM、CTR 預(yù)估，對(duì)新商家冷啟動(dòng)，我們同樣用了增強(qiáng)學(xué)習(xí)框架。

簡(jiǎn)單說(shuō)一下 CTR、CVR，這個(gè)事情對(duì)交易平臺(tái)是非常重要的事情，分為這么四層，首先最基本的數(shù)據(jù)，上層怎么獲得我們的標(biāo)注，獲得我們的特征？標(biāo)注類似于在我們今天的場(chǎng)景下怎么樣更好的解決問(wèn)題，采用什么樣具體的模型解決問(wèn)題，我們?cè)趺礃釉谠诰€的情況下做實(shí)時(shí)數(shù)據(jù)更新，這個(gè)是非常傳統(tǒng)的一些做法。

特征交叉有連續(xù)特征、離散特征和細(xì)節(jié)處理，在深度學(xué)習(xí)之后，原始特征的處理還是需要的，我們也用一些圖像特征，之前我們傾向于用一些連續(xù)離散的特征，通過(guò)商家首頁(yè)的頭圖，我們其實(shí)可以了解更多關(guān)于商家的信息。這個(gè)標(biāo)注信息第一作為底層原始特征，第二作為中層表示，作為一些標(biāo)簽會(huì)加進(jìn)來(lái)。

除了做菜譜，因?yàn)橛袝r(shí)候商家標(biāo)菜的信息并不是非常精準(zhǔn)，需要幫他糾正過(guò)來(lái)，或者他有可能會(huì)做不正當(dāng)營(yíng)銷，我們都可以通過(guò)一些方式解決。

上面是我們?cè)趺礃虞o助商家，幫助他做出更好的菜品顯示。有些選擇圖并不好看，我們?cè)趺礃痈嬖V他這個(gè)圖效果不好，這塊其實(shí)做了兩點(diǎn)，第一是美觀度，美觀度做完以后其實(shí)發(fā)現(xiàn)這個(gè)事兒并沒(méi)有解決，有的圖雖然不那么難看，也很美觀，但是用戶覺(jué)得不敢進(jìn)去。所以第二，我們又做了一波，怎么樣看他對(duì)用戶是不是有足夠的吸引力，這個(gè)做完之后效果好很多。

標(biāo)注和獎(jiǎng)勵(lì)

對(duì)標(biāo)注來(lái)說(shuō)，因?yàn)槲覀兪潜O(jiān)督學(xué)習(xí)場(chǎng)景，但是正在向半監(jiān)督或者強(qiáng)化學(xué)習(xí)過(guò)程當(dāng)中，關(guān)于怎么樣標(biāo)注是有講究的。無(wú)論我們通過(guò)閉環(huán)學(xué)習(xí)方式還是說(shuō)我們現(xiàn)在正在做反饋引入，比如我們點(diǎn)擊購(gòu)買、評(píng)價(jià)、甚至瀏覽商家的長(zhǎng)度，是不是有可能去做一個(gè)購(gòu)物車的加購(gòu)，包括加購(gòu)之后有沒(méi)有取出來(lái)，有些用戶反饋，對(duì)商家有一個(gè)評(píng)價(jià)，對(duì)配送人員有一個(gè)反饋等等，如果我們對(duì)它不加細(xì)分的話，有些人對(duì)配送質(zhì)量不滿意，對(duì)商家質(zhì)量是滿意的，但這個(gè)地方?jīng)]有區(qū)分開(kāi)，標(biāo)注會(huì)有一個(gè)錯(cuò)誤，它會(huì)影響我們系統(tǒng)的表現(xiàn)。

還有一個(gè)問(wèn)題是代理標(biāo)注，也有我們手中拿到的點(diǎn)擊下單都不是用戶對(duì)這個(gè)菜是否滿意的最根本反映，我們嘗試用各種各樣不同信號(hào)去模擬用戶真正對(duì)這個(gè)菜喜歡的程度。

模型設(shè)計(jì)上，我們優(yōu)化目標(biāo)綜合考慮了很多種，點(diǎn)擊率、下單率、下單金額，把點(diǎn)擊率和下單率嘗試了很多不同算法，其實(shí)也有一個(gè)演化的過(guò)程。

最近我們?cè)谧?DNN 的 CTR 預(yù)估，右邊我們會(huì)有一些原來(lái)經(jīng)常用到的點(diǎn)擊率特征，配送距離特征等等連續(xù)的特征，大概一百多位放在一起，再去做連接，一層一層做優(yōu)化，最后直到產(chǎn)生一個(gè)點(diǎn)擊或者購(gòu)買決策，這個(gè)是最近做的工作，效果還不錯(cuò)。

同時(shí)我們其實(shí)也有幫助商家去做一些優(yōu)化，包括幫助我們自己的 BD 在線下做商家談判的時(shí)候有效果的提升，這里面用一些圖像 OCR 技術(shù)會(huì)去做身份證識(shí)別，這個(gè)現(xiàn)在都是處于業(yè)務(wù)當(dāng)中，用的時(shí)候去做，而不是說(shuō)針對(duì)這個(gè)方面我們需要做一個(gè)特別大的工作，所以這個(gè)是屬于一個(gè)內(nèi)部的小項(xiàng)目。具體的做法其實(shí)也是非常標(biāo)準(zhǔn)的做法，做一些 FCL。

配送調(diào)度算法的核心問(wèn)題

下面我們可以看一下我們現(xiàn)在做的訂單的指派問(wèn)題或者配送的問(wèn)題。這個(gè)問(wèn)題更簡(jiǎn)單的看，左邊我們有不同的用戶在不同的時(shí)間，他會(huì)去點(diǎn)不同的商家，這時(shí)候就需要多個(gè)配送員有選擇的把這些訂單滿足用戶需求時(shí)間的情況下交到用戶的手里面，但是很多的配送員在路上已經(jīng)有訂單了，已經(jīng)在去或者送的過(guò)程中，這個(gè)時(shí)候我們應(yīng)該把新增的訂單分配給這些配送員，應(yīng)該怎么分配？分配給哪些人，先送哪個(gè)，后送哪個(gè)？這是里面所要解決的核心問(wèn)題，這個(gè)問(wèn)題分四步。

第一，先估計(jì)單個(gè)配送員給定目標(biāo)的時(shí)候，他配送時(shí)間大概什么樣子的，這是非常粗略的估計(jì)，因?yàn)槲覀儾](méi)有執(zhí)行他實(shí)際路徑優(yōu)化。第二，我們知道大致時(shí)間之后，再去做細(xì)致路徑的規(guī)劃，這個(gè)時(shí)候，我們其實(shí)相當(dāng)于有一個(gè)訂單，比如有 10 個(gè)，或者 20 個(gè)訂單，我們給配送員發(fā)，到底給哪個(gè)配送員。

第三，我們?cè)趺礃幼鋈謨?yōu)化的前提是要有一個(gè)合適的目標(biāo)和一個(gè)約束，這個(gè)其實(shí)也是在剛才所說(shuō)的之后，有一個(gè)比較好的決策目標(biāo)。

最后真正的執(zhí)行優(yōu)化，有一些細(xì)節(jié)優(yōu)化的點(diǎn)，這個(gè)也是經(jīng)歷了大概四步的階段，最早的時(shí)候也是人工，騎手搶單，一方面開(kāi)著電動(dòng)車，一方面盯著視頻，比較著急。后來(lái)優(yōu)化了，我們首先是分配，分區(qū)域、分范圍，每一個(gè)范圍之內(nèi)有一個(gè)站長(zhǎng)，站長(zhǎng)并不需要自己去送餐，他的任務(wù)是在高峰期的時(shí)候給騎手打電話，分配定單，后來(lái)經(jīng)過(guò)系統(tǒng)長(zhǎng)期運(yùn)作，我們能夠比較好的把這個(gè)事情自動(dòng)完成，今天能夠做智能派單，做騎手的路徑規(guī)劃，騎手 90% 的情況下遵循我們的建議。

這個(gè)情況下我們兼顧配送的效率，用戶的體驗(yàn)、人力成本、騎手安全，我們希望做到針對(duì)不同的場(chǎng)景，包括運(yùn)力規(guī)劃。甚至更長(zhǎng)遠(yuǎn)一點(diǎn)，一個(gè)月內(nèi)看到三個(gè)月對(duì)運(yùn)輸什么樣的要求，同時(shí)需要做一些交易協(xié)同。

配送時(shí)間這個(gè)事情也已經(jīng)比較復(fù)雜了，這個(gè)流程是這樣的，首先騎手接單，他要去到行使到商家，他要去取餐，之后再行駛到用戶這邊，在商家這邊其實(shí)有一些問(wèn)題，有可能不一定有足夠時(shí)間做菜，騎手到了店以后要等做餐，有可能這一騎手對(duì)這個(gè)店不熟悉，他要找，或者等半天，都有一個(gè)時(shí)間損耗。行駛的時(shí)間是比較好估計(jì)的，到了那邊可能寫字樓不讓騎手進(jìn)，或者寫字樓很高，他可能要等，都是不確定的因素。

同時(shí)我們還有用戶畫像，用戶對(duì)交付時(shí)間要求是不是非常著急，有的用戶可能沒(méi)那么著急。有一些區(qū)域，在路上行駛的時(shí)候，在 12 點(diǎn)的時(shí)候是不是交通擁堵，這些信息加在一起是非常大的量。

我們嘗試了兩種方法建模，一種是機(jī)器建模，每個(gè)小部分單獨(dú)的做模型，然后再估計(jì)，另外一種是數(shù)據(jù)系統(tǒng)建模，數(shù)據(jù)系統(tǒng)建模比較好，數(shù)據(jù)量比較大，所以采用數(shù)據(jù)建模方式。有了時(shí)間估計(jì)之后，我們要做配送路徑優(yōu)化，這個(gè)目標(biāo)針對(duì)一個(gè)訂單，給一個(gè)訂單的時(shí)候我們分派給哪個(gè)騎手，這個(gè)問(wèn)題其實(shí)也是一個(gè)非常難。

我們首先是用快速搜索，到底朝哪個(gè)方向可以走，配送給哪個(gè)騎手是可行的，然后我們?cè)僮鲆粋€(gè)稍微清晰的回歸模型，最后我們?cè)偃プ龅鷥?yōu)化的執(zhí)行，看一步兩步三步，在優(yōu)化里面是不是有快速搜索，這里面有這個(gè)領(lǐng)域的知識(shí)，我們可以做高效分析。

其實(shí)這塊效果目前能做到 99.9% 近似最優(yōu)，也不是完全做 100% 的最優(yōu)，這個(gè)也是在時(shí)間和效果的平衡。這塊比較顯著改進(jìn)的一個(gè)點(diǎn)，去年的時(shí)候我們只能做到 99%，意味著每天 1%，大概有 10 幾萬(wàn)單是有問(wèn)題的?，F(xiàn)在我們已經(jīng)把它縮小到一萬(wàn)單。

決策目標(biāo)及約束

對(duì)于決策目標(biāo)來(lái)說(shuō)，我們可能有這么幾個(gè)，首先要去看決策什么東西，其實(shí)我們就是把訂單在什么時(shí)間點(diǎn)優(yōu)化，配送給每個(gè)配送員，約束的條件有騎手配送箱容量，用戶期望送達(dá)時(shí)間、出餐時(shí)間、騎手交付時(shí)間、騎手行駛速度，優(yōu)化目標(biāo)肯定是多個(gè)目標(biāo)的綜合，同時(shí)又是一個(gè)大規(guī)模的實(shí)時(shí)優(yōu)化的問(wèn)題，有數(shù)千配送區(qū)域，數(shù)十萬(wàn)騎手，本身又是秒級(jí)計(jì)算完成的速度，目標(biāo)沖突，這個(gè)對(duì)公司成本是沒(méi)法承受的。

另外一個(gè)是有強(qiáng)隨機(jī)性的問(wèn)題，可能用戶突然在某個(gè)地方下了訂單，導(dǎo)致我們之前最優(yōu)解變得不解，這時(shí)候我們要改優(yōu)化結(jié)果，這是非常大的一個(gè)挑戰(zhàn)。

訂單優(yōu)化算法的關(guān)鍵，第一我們結(jié)合了問(wèn)題特征，包括搜索機(jī)制，我們有一些訂單是可以合并的，有些地理位置信息可以做簡(jiǎn)單約束，在搜索機(jī)制上，我們有很多問(wèn)題特征搜索和機(jī)制搜索。同時(shí)右邊可以看到，可以考慮一個(gè)訂單，每次都去循環(huán)做一下，這樣效率其實(shí)不是特別高，會(huì)浪費(fèi)一部分資源。我們一批訂單大概 10 個(gè)、20 個(gè)我們?cè)僮鰞?yōu)化，或者我們做局部更新，某一個(gè)小局部用戶相關(guān)的商家更新。

還有我們將來(lái)考慮一段時(shí)間內(nèi)可能出現(xiàn)訂單的預(yù)測(cè)，比如說(shuō)某棟寫字樓人比較多，經(jīng)常有人點(diǎn)各種各樣的訂單，我們提前預(yù)判，其實(shí)對(duì)系統(tǒng)優(yōu)化強(qiáng)隨機(jī)性的改進(jìn)，其實(shí)是會(huì)比較有效。所以，大概這么幾個(gè)關(guān)鍵的點(diǎn)。

我們其實(shí)也是批量更新之后，做了一個(gè)更細(xì)致的優(yōu)化。我們?cè)趺礃尤プ龃诌^(guò)濾，明顯不符合目標(biāo)的騎手可以快速排除，我們用隨機(jī)優(yōu)化方法，包括最后怎么樣把訂單合并之后再用經(jīng)典的算法去做到改造以后的最佳匹配在線解法，這樣復(fù)雜度降低。

同時(shí)我們會(huì)做優(yōu)化，這個(gè)方法用在線方法做不太現(xiàn)實(shí)，我們做了很多模擬平臺(tái)建設(shè)。

總結(jié)和展望

總結(jié)一下，我們確實(shí)有很多業(yè)務(wù)應(yīng)用問(wèn)題，同時(shí)解決業(yè)務(wù)的應(yīng)用問(wèn)題需要做底層基礎(chǔ)建設(shè)，美團(tuán)本身有自己的云服務(wù)，美團(tuán)云為了提供很多底層的基礎(chǔ)建設(shè)，包括資源調(diào)度、計(jì)算資源、數(shù)據(jù)訪問(wèn)各種協(xié)議，底層我們都不需要擔(dān)心。像我們自己內(nèi)部自研的關(guān)于 NLP 的算法，包括傳統(tǒng)的 LDA，PSA 這樣一些模型，我們事先都有底層實(shí)現(xiàn)。我們需要做的就是在這個(gè)庫(kù)上面去做更多應(yīng)用探索，無(wú)論是計(jì)算機(jī)視覺(jué)應(yīng)用，還是我們今天沒(méi)有提到的安全，無(wú)論對(duì)用戶安全還是對(duì)我們自己平臺(tái)安全來(lái)說(shuō)都有很多應(yīng)用，這也是在我們平臺(tái)的云上其實(shí)都是可以做到。

美團(tuán)云本身其實(shí)也提供一個(gè)產(chǎn)品云矩陣，這個(gè)跟在座講的大部分解決方案是有類似程度的，但是我們比較好的一個(gè)點(diǎn)是我們本身有非常大規(guī)模的業(yè)務(wù)，能夠在需求當(dāng)中快速迭代，能夠快速迭代，意味著我們能夠快速的把需求傳導(dǎo)到底層優(yōu)化模型和數(shù)據(jù)上。包括全棧 GPU 主機(jī)、深度學(xué)習(xí)的平臺(tái)，現(xiàn)在也是處于對(duì)外開(kāi)放的狀態(tài)。我們剛才所說(shuō)到各種驗(yàn)證，各種識(shí)別，各種應(yīng)用，其實(shí)也都是一個(gè)全面開(kāi)放的態(tài)度，可以跟外界合作，包括中小型做 AI 的公司，可以把他們的應(yīng)用放在美團(tuán)云上給第三方提供服務(wù)。

這個(gè)是關(guān)于我們美團(tuán)做的餐飲行業(yè)的應(yīng)用和基礎(chǔ)建設(shè)的介紹。總結(jié)起來(lái)關(guān)于嗅覺(jué)、味覺(jué)口味識(shí)別這個(gè)方向我個(gè)人認(rèn)為是非常有潛力的方向，同時(shí)我們?cè)诹髁哭D(zhuǎn)化優(yōu)化、智能營(yíng)銷、公司用戶訪問(wèn)，以及營(yíng)銷過(guò)程配送機(jī)制調(diào)度方面我們確實(shí)取得了一定成績(jī)，這個(gè)和我們業(yè)務(wù)的應(yīng)用分不開(kāi)的。如果做一個(gè)簡(jiǎn)單展望，我們認(rèn)為首先在外賣這塊，配送和外賣本身兩個(gè)部門協(xié)調(diào)，怎么樣去做智能營(yíng)銷，這三個(gè)其實(shí)可以更多的協(xié)調(diào)和打通。

第一點(diǎn)，自動(dòng)化配送、自動(dòng)駕駛是很牛的事情，其實(shí)通過(guò)自動(dòng)配送，甚至局部的車解決配送的問(wèn)題有可能比車更早實(shí)現(xiàn)，還是剛才最早提到的觀點(diǎn)是一致的，這個(gè)問(wèn)題表示和應(yīng)用場(chǎng)景，這里面配送小車的速度比汽車要低很多，意味著對(duì)硬件的成本要求也會(huì)低很多。

第二點(diǎn)，這里面我們所采用的路徑相對(duì)來(lái)說(shuō)是固定的，不像車可能什么地方都要去跑，從這兩點(diǎn)上來(lái)說(shuō)我們的可行性更大一些，而且本身每天跑的量很大，我們有很多數(shù)據(jù)積累，我們預(yù)測(cè)這件事情是會(huì)比自動(dòng)駕駛更早實(shí)現(xiàn)。

第三點(diǎn)，無(wú)論剛才所說(shuō)到的很多人工智能應(yīng)用，還是對(duì)我們餐飲行業(yè)現(xiàn)在已經(jīng)做的和將來(lái)有可能展開(kāi)的應(yīng)用來(lái)說(shuō)，都是非常好的一個(gè)帶有規(guī)模效應(yīng)利器，相信這塊將來(lái)會(huì)有更多應(yīng)用領(lǐng)域。

演講結(jié)束后，王棟接受了包括雷鋒網(wǎng)在內(nèi)的媒體采訪，以下為采訪內(nèi)容實(shí)錄：

提問(wèn)：剛剛聽(tīng)了您的演講，講了算法、基礎(chǔ)建設(shè)中的很多問(wèn)題，在您看來(lái)美團(tuán)目前亟待解決和優(yōu)化的問(wèn)題有哪些？有沒(méi)有一個(gè)優(yōu)先級(jí)。

王棟：首先產(chǎn)品是有一個(gè)比較明確的落地場(chǎng)景，之前大家談技術(shù)還是蠻多的，實(shí)際上AI的技術(shù)到今天還沒(méi)有非常的成熟，無(wú)論是語(yǔ)音還是圖像，都沒(méi)有一個(gè)很好的實(shí)際解決方案，只能是在受限的場(chǎng)景下用技術(shù)和長(zhǎng)期協(xié)同去解決一個(gè)問(wèn)題。所以，如何找到適用的場(chǎng)景是非常關(guān)鍵的。我們也有在做一些外賣的自動(dòng)點(diǎn)餐，比怎么樣讓機(jī)器人幫助你在電商那兒買衣服是更容易的做的事情，包括配送小車也比自動(dòng)駕駛更容易做的事情，關(guān)鍵在于你能不能用技術(shù)去打磨產(chǎn)品，更能滿足人們的需求。

提問(wèn)：從技術(shù)架構(gòu)來(lái)說(shuō)，美團(tuán)最需要優(yōu)化的有哪些？技術(shù)架構(gòu)要完善的話，挑戰(zhàn)在哪兒？

王棟：我們主要是在做應(yīng)用這一層，底層有美團(tuán)云的同事，如何做到更高并行的優(yōu)化，無(wú)論是訓(xùn)練還是在線上跑預(yù)測(cè)的階段，這是一個(gè)比較大的挑戰(zhàn)，甚至包括我們底層既有GPU，也有FPGA，在什么樣的場(chǎng)景下去用合適的解決方案把它們結(jié)合起來(lái)，在整體的成本、實(shí)際實(shí)現(xiàn)的效果上有一個(gè)比較好的折中，這是需要花能力去做的事情。

第二，針對(duì)不同的應(yīng)用場(chǎng)景以及資源的調(diào)度，其實(shí)也還是在資源管理的這一層，從架構(gòu)上來(lái)說(shuō)，怎么樣做的更好。

第三，前兩步都做好了，是不是有可能在用戶端做一些端計(jì)算，把計(jì)算的算力在兩邊進(jìn)行平衡，服務(wù)器端和客戶端做一個(gè)平衡，端計(jì)算和云計(jì)算結(jié)合起來(lái)。這是在架構(gòu)方面。

說(shuō)到技術(shù)的挑戰(zhàn)，對(duì)語(yǔ)言的理解、推理其實(shí)是很關(guān)鍵的問(wèn)題，人比較擅長(zhǎng)，但是機(jī)器并不擅長(zhǎng)。也有人提到怎么樣在記憶方面突破現(xiàn)有的結(jié)構(gòu)，把記憶和存儲(chǔ)能夠更好的融合起來(lái)，在計(jì)算的時(shí)候能夠更好的去調(diào)用，這是從技術(shù)上比較大的挑戰(zhàn)。模型上我們現(xiàn)在更多用的是監(jiān)督模型，怎么做到半監(jiān)督、全監(jiān)督，大規(guī)模的獲取數(shù)據(jù)。

提問(wèn)：美團(tuán)跟大眾點(diǎn)評(píng)合并以后，數(shù)據(jù)這一塊是怎么合作的？美團(tuán)點(diǎn)評(píng)的數(shù)據(jù)優(yōu)勢(shì)是怎么體現(xiàn)的？

王棟：可以類比 BAT，他們各自都有不同的優(yōu)勢(shì)，百度信息的數(shù)據(jù)量是比較大的，騰訊在社交和游戲方面的數(shù)據(jù)量是比較大的，阿里有很好的交易數(shù)據(jù)，對(duì)美團(tuán)來(lái)說(shuō)我們的用戶優(yōu)勢(shì)是在于本地的電商服務(wù)這個(gè)領(lǐng)域。

最近我們也有在基礎(chǔ)的用戶數(shù)據(jù)上面去做一些獲取，包括用戶的基本屬性，比如說(shuō)做一些金融方面的應(yīng)用，基礎(chǔ)數(shù)據(jù)是繞不過(guò)去的，這個(gè)是數(shù)據(jù)方面在做的事情，我們本身也有騎手，騎手每天在街上跑，有很多對(duì)場(chǎng)景、對(duì)地圖的覆蓋，幫助在內(nèi)部做很好的運(yùn)營(yíng)，提升我們的運(yùn)營(yíng)效率，這個(gè)也是很好的數(shù)據(jù)。

我們也有很多線下的 BD，我們會(huì)有非常實(shí)時(shí)的及時(shí)的店家信息的更新。這個(gè)不僅是我們自己在用，高德也會(huì)公開(kāi)用到我們的數(shù)據(jù)。這是美團(tuán)技術(shù)數(shù)據(jù)的核心。

提問(wèn)：美團(tuán)的特點(diǎn)是有很多種的業(yè)務(wù)線，哪一塊業(yè)務(wù)線在您看來(lái)是目前跟友商相比是特別超前的？比如打車有滴滴、易道，新零售美團(tuán)和阿里的河馬先生也很像。

王棟：我們更多的是從用戶的使用場(chǎng)景來(lái)看。比如打車這件事情，之前很多人也很奇怪，為什么美團(tuán)會(huì)做打車，但是如果你想到 Uber 也去做外賣，我們反向跨界也不是不可以想象的事情。

有兩個(gè)點(diǎn)，一個(gè)是和場(chǎng)景結(jié)合，用戶到一個(gè)地方可以很快的利用美團(tuán)本地的運(yùn)輸能力快速的達(dá)到目的地。第二，即使是在本地的用戶，他想去吃東西，幾個(gè)人一起去吃飯，就需要打車，這并不是很難的操作，我們選好了店，就可以去打車。這個(gè)將來(lái)是有可能統(tǒng)一的，而且會(huì)帶來(lái)商家和打車業(yè)務(wù)模式的結(jié)合，有可能會(huì)有更優(yōu)質(zhì)的解決方案，幫助商家去做營(yíng)銷。所以，從這個(gè)角度來(lái)講，打車并不是一件不可想象的事情。

至于您剛才說(shuō)到的新零售，阿里的邏輯很好理解，因?yàn)榫€上做的差不多，沒(méi)有空間了，成長(zhǎng)潛力不大，要在線下做用戶的獲取，對(duì)我們來(lái)說(shuō)邏輯也是類似的。所以這是基于業(yè)務(wù)理解和用戶場(chǎng)景的判斷。

提問(wèn)：能不能介紹一下美團(tuán)云用到的一些 AI 技術(shù)，包括場(chǎng)景方面的應(yīng)用情況？

王棟：美團(tuán)云本身是美團(tuán)的總集成，不光是內(nèi)部的系統(tǒng)運(yùn)維，還有采購(gòu)，比較新的 AI 這一塊，都有持續(xù)的在投入。之前也做一些網(wǎng)絡(luò)相關(guān)的應(yīng)用，所以他們?cè)谖谋镜奶幚恚▽?duì)用戶的信息騷擾這方面也有做很多的過(guò)濾，這是在用戶的層面上做的，包括 OCR，也有外部?jī)?nèi)部各種應(yīng)用的匹配。

人臉識(shí)別我們有用到 Face++，也有可能用到我們內(nèi)部自研的技術(shù)，在整體上本身內(nèi)部在用，另外一方面也會(huì)作為一個(gè)公開(kāi)的平臺(tái)提供給外部去調(diào)用，也可以給外部的用戶足夠多的選擇。

說(shuō)到人臉，我們其實(shí)會(huì)用到實(shí)名認(rèn)證，在酒店行業(yè)我們可以去做房態(tài)預(yù)估，包括商家給的圖片去判斷是什么樣的房型，今天晚上會(huì)不會(huì)住滿人，最近這一段有可能這個(gè)地方都比較清淡，所以沒(méi)有必要做非常多的線上營(yíng)銷活動(dòng)。入住率高將來(lái)可能會(huì)非常貴，我們可以通過(guò)提前預(yù)訂的方式把預(yù)訂資源拿到。

這也是需要很多預(yù)測(cè)能力的，美團(tuán)云也有提供，像我們今天所說(shuō)的底層的 IaaS、PaaS、SaaS 都有涉及，確實(shí)美團(tuán)本身應(yīng)用的場(chǎng)景是非常多的，酒店、旅游、餐飲等其他新興的業(yè)務(wù)，對(duì)AI技術(shù)的需求本身是巨大的。我們?cè)谧龊米约菏虑榈耐瑫r(shí)，要么結(jié)合自己的力量，要么結(jié)合外部的力量，打造更好的技術(shù)。

提問(wèn)：人臉識(shí)別的技術(shù)用的是誰(shuí)的？

王棟：我們自己內(nèi)部也有資源。調(diào)用的時(shí)候看業(yè)務(wù)方的場(chǎng)景，比如金融這塊精度要求非常高，曠視的可能更多一些。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。