來自：美團技術團隊
在2018AI開發者會議（AI）上，美團配送AI方向負責人何仁清，分享了美團將至時配送領域中機器學習技術的最新進展，以及怎樣通過大數據和機器學習手段，構建中單下真實世界各類場景的感知能力，還原并預測配送過程各個細節，進而提高整體配送系統的精度。
美團“超腦”配送系統的來歷
2014年，斯嘉麗·約翰遜執導的懸疑片《超體》大火，電影中主人公Lucy因為無意中攝取了大量的代號為“CPH4”的神秘抗生素，腦部神經元獲得空前的開發，獲得了異乎尋常的超能力，她就能對這個世界進行全新的感知、理解和控制（例如控制無線電波），最終跨越時間和空間成為了一個超級個體。
這些對真實世界的深度感知、理解和控制，與配送AI系統對配送場景的感知、理解和配送環節控制的目標十分一致。可以說，美團要建設的AI就是配送系統的“超級腦部”。為此我們內部把配送的AI系統，簡稱為“超腦”配送系統。
即時配送在全球快速發展
近來幾年，以外賣為依托，即時配送業務在全球范圍內掀起了一波快速發展的浪潮，全球各地都出現了好多創業公司，其中國內著名的包括德國的UberEats（全球）、英國的、印度的、（分別被美團和阿里投資），印度的go-jek等等。國外不僅美團外賣、餓了么、滴滴外賣等典型代表外，而還有專注于即時配送服務創業公司，例如閃送、UU跑腿、達達、點我達等。
這些全球爆發的現象說明了兩個問題：
即時配送的業務模型
即時配送，是一種配送時長1小時以內，平均配送時長約30分鐘的快速配送業務。這么快速的配送時效，將傳統的線上電商交易與線下貨運配送（傳統界定比較明晰的兩條業務）整合為統一整體，產生了用戶、商戶、騎手和平臺相互交錯的四元關系。
其整合力度空前緊密，幾乎滲透到各個環節。以外賣搜索和排序為例，在早晨時段，在用戶搜索和推薦中可以看見更多的店家，由于此時運力充分，可以提供更遠距離的配送服務，除了能更好滿足用戶的需求，提升店家的單量，并且還能降低騎手的收入。
即時配送的核心指標是效率、成本、體驗，這兩者也產生了即時配送的商業模型。簡單來說可以分為以下幾步：
首先配送效率提高
之后配送成本上漲
之后用戶體驗提高
進一步提高效率并產生循環
這樣，就產生了一個正向循環，不斷創造更多商業價值。而技術的作用，就是加速這個正向循環。
美團“超腦”配送系統
目前互聯網技術，很大部份還是針對線上產品和系統研制，整個流程可以在線上全部完成，而這也正是配送AI技術最大的不同和挑戰。簡單來說，類似搜索、推薦、圖象和語音辨識這些線上產品常用的AI技術幫助不大，由于配送必須在線下一個一個環節的進行，這就要求AI技術必須才能面對復雜的真實化學世界，必須能深度感知、正確理解與確切預測、并頓時完成復雜決策。
為了滿足這種要求，我們建設了美團“超腦”配送系統，包含以下幾個方面：
構建對世界深度感知
正確理解和確切預測
完成復雜決策
機器學習技術挑戰
怎樣建立一個在真實化學世界運行的AI系統，就是我們最大的挑戰。具體到機器學習方向而言，挑戰包括以下幾個方面：
線下數據質量的巨大挑戰
配送系統的核心參數ETA
ETA（Timeof，時間送達預估）是配送系統中特別重要參數，與用戶體驗、配送成本有直接關系，但是會直接影響調度系統和定價系統的最終決策。
一個訂單中涉及的各類時長參數(如上圖左側所示），可以見到有十幾個關鍵節點，其中關鍵時長達到七個。這種時長涉及多方，例如騎手（接-到-取-送）、商戶（出餐）、用戶（交付），要經歷室內堂外的場景轉換，因而挑戰性十分高。
通過機器學習方式，我們早已將外賣配送幾乎所有環節都進行了精準預估預測。用戶感知比較顯著是預計送達時間，貫串多個環節，店家列表（從配送時長角度讓用戶更好選擇店家）、訂單預覽（給用戶一個確切的配送時間預期）、實時狀態（下單后實時反饋最新的送達時間）。其實這兒面還有好多用戶看不到的部份，例如店家出餐時間、騎手到店時間、交付時間等。其中交付時長，與用戶關系比較大，也很有意思，下文會詳盡展開。
精準到樓宇和樓層的預估：交付時長
交付時長是指騎手抵達用戶后，將外賣交付到用戶手中并離開的時間，實際是須要考慮三維空間內估算（上樓-下樓）。交付時間精準預估，有兩點重要的意義，首先是客觀的評判配送難度，給騎手合理補助；其次，考慮對騎手頭上后續訂單的影響，避免調度不合理，引起其他訂單超時。
交付時長的目標是，做到樓宇和樓層的精準顆粒度，具體可以拆解為以下幾步：
地址的精準解析（精確到樓宇/單元/樓層）
交付時長預估
下游業務應用
可以看見，真實世界中影響決策誘因特別多，我們目前做的還不夠。例如交付時長也可以進一步細化，例如確切預估騎手上樓時間、下樓時間和等待時間，這樣雖然還能與店家取餐環節保持一致，之所以沒那么做，主要還是數據缺位，例如騎手在店家雖然有兩個操作數據（到店、取餐），這樣能支持我們做精細化預估的，并且在用戶環節只有（送達）一個操作。
舉這個反例，雖然是想說明，數據的完備性對我們究竟有多重要。數據方面的挑戰，線下業務與線上業務相比，要高出好幾個等級。
配送中最重要的數據之一：地圖
地圖對配送的重要性毋庸置疑（位置和導航都不確切，配送怎樣進行？），上面提及的5級地址庫只是其中一部份。配送地圖的目標可以概括為以下兩點：
-正確的位置-實時部份：騎手實時位置。-靜態部份：用戶和商戶確切的地址和位置。-正確的導航-兩點之間正確的距離和路線。-突發情況的快速反應（封路、限行）。
假如縱向對比配送、快遞、打車等行業對地圖的要求，雖然是一件很有意思的事情，這個對于配送地圖技術建設來說，是一件十分有幫助的事情。
即時配送VS貨運快件：即時配送對地圖的依賴程度顯著低于貨運快件
即時配送VS出游行業：地圖廠商在車載導航的優勢和積累，將至時配送場景較難發揮
從這兩方面對比可以看見，將至時配送業務中，徒步地圖的重要性十分之高，同時好多問題確實十分具有行業特色，通過開車地圖的技術難以很有效的解決。這樣就須要建設一套即時配送業務地圖的解決方案。
基于簽到數據的位置校準：交付點
如前文所述，配送地圖的方向有好多，此次我重點講一下用戶位置相關的工作“交付點挖掘”。首先看一下目前主要問題：用戶位置信息有好多錯誤，例如：
用戶選擇錯誤
上圖左，一個新村會有1期2期~N期等，用戶在選擇POI的時侯就可能發生錯誤（例如1期的選了2期），二者地理位置相差十分遠，很容易導致騎手去了錯誤的地方。這樣在訂單發送到配送系統的時侯，我們須要做一次用戶座標糾正，引導騎手抵達正確的位置。
POI數據不精細
上圖右，用戶原本在xx區xx棟，而且只選了xx區這個比較粗的位置信息。現實中在一個新村上面，找到一個具體xx棟樓還是十分困難的，你們可以想想自己新村中，隨意說一個樓號你曉得它在那個角落嗎，更別說假如是大白天在一個你不熟悉的新村了。導致這些緣由，一方面可能是用戶選擇不精細，還有一種可能，就是地圖上沒有具體樓座的POI信息。
在實際配送中，我們就會要求騎手在完成交付后進行簽到，這樣才會積累大量的上報數據，對于后續進行精細化挖掘十分有幫助。你們可以先瞧瞧我們搜集的原始數據（上圖），盡管還是十分零亂，而且早已能看見這其中蘊涵著極高的價值，具體來說有三方面：
維度多樣
數據完備
交付點挖掘的技術實戰：挑戰
在數據挖掘實際過程中，雖然并沒有哪些“高大上”的必殺技，難以使用流行的方式，基本上還是須要對各個環節進行拆解，扎扎實實的做好各類基礎工作，基本整個挖掘過程，分為以下幾個步驟：（1）基于地址分組；（2）數據去噪；（3）數據聚合；（4）置信度打分。其中主要技術挑戰，主要在各類場景中保證數據挖掘質量和覆蓋率外賣配送系統，具體來說主要有三個挑戰：
數據聚合
重名問題
交付點挖掘的技術實戰：療效
目前，我們早已上線了一版交付點，對用戶位置進行主動糾正，讓騎手可以更確切更快的找到用戶。目前療效上看還是十分顯著的。包括幾個方面：
單元門級別的高精度位置
目前的問題以及后續的優化點
更精細化的配送場景辨識：感知
后面提及的地圖技術，只能解決在室內場景的位置和導航問題。但配送在店家側（到店、取餐）和用戶側（到客、交付）兩個場景中，雖然是發生在室外環境。在室外的騎手位置是在那里、在做哪些以及用戶和店家在做哪些，假如了解這種，才能解決好多實際問題。例如：
這個技術方向可以合稱為“情景感知”外賣配送系統，目標就是還原配送場景中（主要是室外以及GPS不確切），真實配送過程發生了哪些，具體方向如右圖所示：
情境感知的目標就是做到場景的精細描畫（上圖的上半部份），包含兩個方面工作：
配送過程的精確描畫
這種數據，大部份來至于手機，并且隨著各類智能硬件的普及，例如藍牙設備，智能電動車、智能頭盔等設備的普及，我們可以搜集到更多數據的數據。WiFi/藍牙技術，以及運動狀態辨識的技術比較成熟，這兒主要說一下概況，本文不做深入的闡述。
對于配送系統來說，比較大的挑戰還是對辨識精度的要求以及成本之間的平衡。我們對精度要求很高，即便這種辨識直接影響定價、調度、判責系統，這些底層數據，精度不高帶來的問題很大。
考慮成本限制，我們須要的是相對廉價和通用的解決方案，那個基于大量傳感硬件部屬的技術，顯著不適用我們幾百萬店家，幾千萬樓宇這些量級的要求。因此，在具體技術方面，我們選用的是WiFi指紋、藍牙辨識、運動狀態辨識等通用技術方案，就單個技術而言，雖然學術界早已研究很充分了，但是也有好多應用（例如各類智能腕帶等設備）。對于我們的挑戰在于要做很多種傳感數據的融合（還包括其他數據），以確保做到高辨識精度。其實為了解決“Truth”問題，布署一些穩定&高精度的智能硬件還是必須的，這對技術迭代優化和評估都十分有幫助。
總結
美團外賣日訂單量超過2400萬單，早已占有了相對領先的市場份額。美團配送也建立了全球領先的即時配送網路，以及行業領先的美團智能配送系統，智能調度系統每小時路徑估算可達29億次。怎么讓配送網路運行效率更高，用戶體驗更好，是一項十分困難的挑戰，我們須要解決大量復雜的機器學習和運籌優化等問題，包括ETA預測，智能調度、地圖優化、動態定價、情景感知、智能營運等多個領域。過去兩年來，美團配送AI團隊研制療效明顯，配送時長從一小時相繼減短到30分鐘，而且還在不斷提高，我們也希望通過AI技術，幫你們吃得更好，生活更好。
本文作者何仁清作為出品人企劃了《AI在復雜業務場景中的最佳實踐》
免責聲明：部分文章信息來源于網絡以及網友投稿，本站只負責對文章進行整理、排版、編輯，出于傳遞更多信息之目的，并不意味著贊同其觀點或證實其內容的真實性，如本站文章和轉稿涉及版權等問題，請作者在及時聯系本站，我們會盡快為您處理。
