机器之心原创 作者:虞喵喵 「人工智能会提供偏早期的功能,比如从数据到规律。在规律之后,从规律到决策是运筹学的范畴。」 在斯坦福运筹学博士、杉数科技联合创始人兼 CTO 王子卓看来,人工智能和运筹学都能通过数据帮助人们解决实际问题。但与人工智能专注于预测、识别等功能的准确性相比,运筹学更在意的是给出商业、金融等场景下完整的解决方案,解决具体的行业问题。 杉数将自己定义为在数据科学和运筹学之间的数据化决策公司 在供应链、物流、车辆调配等具体应用场景中,人工智能技术正在与运筹学等学科共同协作。或许以数据化决策公司杉数科技为例,可以一窥两者的相似与不同。 以 TSP 问题为例,了解运筹学的决策方式 在 Wikipedia 中,对运筹学的解释是「一门应用数学学科,利用统计学和数学模型等方法,寻找复杂问题中的最佳或近似最佳的解答」。具体来说,运筹学是一门研究怎样处理事情更有效的学科(因此达成「优化」或「最优化」常常是运筹学的目标),关注的往往是当今社会经济发展的热点,如航空公司的定价、超售问题,物流中的调度问题,共享经济中的资源调配问题等等。 但凡涉及「决策」,就会有运筹学的用武之处。起源于第二次世界大战的运筹学,是因英美两国为有效配置资源,召集科学家研究军事作业规划而诞生。团队的研究成果帮助盟军打赢「不列颠空战」、「北大西洋战争」、「太平洋岛屿战争」,战后研究成果转移为和平用途。如今,从管理、金融、计算机、军事到日常生活的具体问题,运筹学都能给出可实施的解决方案。 想要更形象的理解运筹学,旅行推销员问题(Travelling salesman problem, TSP)是个不错的例子。作为运筹学经典模型之一,它描述的是「给定一系列城市和每对城市之间的距离,求解访问每一座城市一次并回到起始城市的最短回路」。 1930 年,TSP 问题被首次形式化,成为最优化中研究最深入的问题,许多优化方法都以此为基准
「对于现实中的项目,需要根据实际业务场景需求提出的合适模型,这些模型往往是在经典模型上作修改。怎么修改模型会最有效、能求解,正是决策学背景的用武之处。」 设计食品摊点网络同样是运筹学适用场景之一,杉数的成员曾帮助美国著名橄榄球队 49 人队的主场球馆 Levis Stadium 设计最优的食物快送摊点网络, 解决食品摊点位置的部署、送货员的数量和安排等问题 电商、金融、供应链,杉数的「三大首选行业」
「运筹学在一些经典场景下有比较成熟的模型,但现实是不断有新情况产生。比如同样是路径优化问题,由于共享经济产生了拼车等一系列新的业务点,就不再是完全的经典模型。新的决策、新的约束要加入其中,对模型的修改也是核心难点。决策学的背景能够帮助解决怎么建立模型、怎么满足业务需求和怎么求解。从项目角度看,这的确是需要花时间的过程。 目前,杉数科技主要涉及三种决策支持服务:收益管理、风险管理、供应链管理。收益管理主要应用在电商、金融领域,通过交易数据、行为数据、竞争数据等多维度数据找到不同场景下最优定价和销售策略,在不增加流量投入的前提下提升销售收入;风险管理是针对金融等行业客户,提供从精准营销、征信、高危交易识别到不良资产处置的完整服务;供应链管理则包括订单、库存、仓库、货运、配送等各个环节提供优化方案,在提升供应链的响应速度和柔性的同时,帮助企业控制成本。 图为收益管理中促销管理的解决方案之一,寻找决策是一个复杂又系统的过程
对于为什么选择电商、金融和供应链作为首先进入的行业,杉数有自己的考虑。第一是行业应用背景广泛,有足够大的市场空间;第二是有优势和积累的行业,在过往的工作中接触较多、经验丰富。这三个行业刚好应用广泛,同时团队成员都有相关积累——波音公司的货运路线规划、美国运通卡的反欺诈、IBM 解决方案报价系统、AOL 广告投放优化等案例中都有团队成员的身影。
运筹学与人工智能的交汇
数据化决策的三个关键杠杆
在今年的机器之心 GMIS 2017 全球机器智能峰会上,杉数科技首席科学家、上海财经大学交叉科学研究院院长葛冬冬将莅临现场,分享他关于运筹学与人工智能的思考。杉数科技 CTO 王子卓将参与「探索人工智能的应用场景和商业化」 圆桌论坛,与众多工业界嘉宾一同探讨人工智能产品与应用的新方向。
2017 全球机器智能峰会(GMIS 2017)是由机器之心主办的关注全球人工智能及相关领域的行业盛会,将于 5 月 27 日至 28 日在北京 898 创新空间举行。
|
|