這幾天我們被美團(tuán)和餓了么事件刷屏了，起因是在一篇名為《外賣騎手，困在系統(tǒng)里》的文章中講述了外賣平臺算法系統(tǒng)和騎手實(shí)際工作的諸多沖突，展現(xiàn)了騎手為準(zhǔn)時(shí)送餐要經(jīng)歷的諸多不易。
對于外賣平臺來說，送達(dá)時(shí)間更短是主要競爭力。平臺通過算法不斷改進(jìn)使在相同距離規(guī)定配送的時(shí)間不斷縮短，同時(shí)利用騎手自身縮短時(shí)間的配送數(shù)據(jù)作為新算法的輸入，進(jìn)一步縮短配送時(shí)間，這個(gè)強(qiáng)大的邏輯就來源于人工智能。
我們在感嘆騎手的不易，在質(zhì)疑平臺的各種不合理的同時(shí)，不得不承認(rèn)人工智能給我們生活帶來的革命性的影響。
人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，用于研究人類智能活動的規(guī)律，利用計(jì)算機(jī)的軟硬件來模擬人類某些智能行為的基本理論、方法和技術(shù)來構(gòu)造具有一定智能的人工系統(tǒng)讓計(jì)算機(jī)去解放人類的苦力腦力勞動。主要研究的領(lǐng)域包括 機(jī)器人、機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺、圖像識別、自然語言處理和專家系統(tǒng)等。
人工智能從1956年達(dá)特茅斯學(xué)術(shù)會議上正式命名開始，經(jīng)歷了三次熱潮。第一次熱潮主要應(yīng)用在數(shù)學(xué)證明系統(tǒng)、語言學(xué)習(xí)、人機(jī)對話系統(tǒng)等技術(shù)方面，然而由于受當(dāng)時(shí)計(jì)算機(jī)運(yùn)算能力、程序設(shè)計(jì)及算法技術(shù)的限制，人工智能的發(fā)展陷入瓶頸。第二次熱潮發(fā)生在上個(gè)世紀(jì)80年代，發(fā)展了最具代表性的專家系統(tǒng)，通過經(jīng)驗(yàn)來解決問題，在某些領(lǐng)域上取得了很大的成功，但在研發(fā)更具有人類邏輯推理思維的應(yīng)用時(shí)就明顯的力不從心。第三次熱潮從2000年到現(xiàn)在，隨著互聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算、各種機(jī)器學(xué)習(xí)算法的提出特別是深度學(xué)習(xí)等的廣泛應(yīng)用，人工智能更帶來了突飛猛進(jìn)的發(fā)展。最具代表性的是2016年谷歌DeepMind公司推出的第一個(gè)擊敗人類職業(yè)圍棋選手、第一個(gè)戰(zhàn)勝圍棋世界冠軍的人工智能機(jī)器人AlphaGo，標(biāo)志著人工智能又邁向了一個(gè)新的臺階。
如今我們看到，隨著全球邁向數(shù)字化時(shí)代，以云計(jì)算、大數(shù)據(jù)、人工智能與區(qū)塊鏈為代表的數(shù)字技術(shù)，給社會、經(jīng)濟(jì)及個(gè)人帶來了革命性的改變。但所有數(shù)字化、智能化技術(shù)都是以讓機(jī)器按人的方式學(xué)習(xí)、思考、表達(dá)，并協(xié)助人類，讓工作、學(xué)習(xí)、生活變得更加簡單、便捷、高效為目標(biāo)。在生 活的方方面面都可以看見帶來的改變，當(dāng)在看新聞、刷抖音、逛淘寶買東西、看電影的時(shí)候總會有針對個(gè)人喜好的推薦；當(dāng)我們想聽音樂的時(shí)候，只需要喊一聲小愛同學(xué)，智能音箱就會為你播放喜歡的音樂；當(dāng)去商場吃飯不知道吃什么的時(shí)候，通過簡單的語音交流商場的智能機(jī)器人就會根據(jù)你的喜好推薦餐廳；當(dāng)開車不方便的時(shí)候，通過虛擬個(gè)人助理就可以完成播放音樂或者收取電子郵件等小事；當(dāng)出行的時(shí)候，智能地圖會幫助你規(guī)劃路線以減少交通擁堵的時(shí)間；當(dāng)想出去玩，通過手機(jī)查看天氣的時(shí)候，天氣預(yù)測中再無“局部地區(qū)有雨”的字眼，取而代之的是“您所在街道25分鐘后小雨，50分鐘后雨停”。為我們配上一位專屬的天氣預(yù)報(bào)員提供的天氣預(yù)報(bào)能精準(zhǔn)到分鐘和所在街道；當(dāng)使用支付寶、上班打卡、去火車站、去機(jī)場等場合的時(shí)候，都需要采集人臉信息，利用人臉識別技術(shù)驗(yàn)證身份，以保障安全。
我們以某網(wǎng)約車公司派單為例，簡單介紹一下背后派單的算法邏輯。
首先來介紹訂單分配，即是在派單系統(tǒng)中將乘客發(fā)出的訂單分配給在線司機(jī)的過程。通常派單算法最大的原則就是“就近分配”，只考慮先到先得的貪心策略是否能滿足全部客戶的需求呢，答案是否定的。在網(wǎng)約車派單平臺上，每一時(shí)刻都有M個(gè)訂單在被乘客創(chuàng)建，同時(shí)有N個(gè)司機(jī)可以被我們用來進(jìn)行分配，在分配訂單的時(shí)候需要知道司機(jī)的實(shí)時(shí)地理位置坐標(biāo)，以及所有訂單的起終點(diǎn)位置，并且告訴每一個(gè)司機(jī)接到訂單的實(shí)時(shí)導(dǎo)航距離。還需要考慮一些業(yè)務(wù)規(guī)則，例如快車司機(jī)不能接專車訂單、同一個(gè)訂單只會發(fā)給一個(gè)司機(jī)一次、為設(shè)定實(shí)時(shí)目的地的司機(jī)過濾不順路區(qū)域等。除了以上還需要綜合考慮司機(jī)的網(wǎng)絡(luò)狀況、交通狀況等問題。
那么這樣復(fù)雜的問題如何解決呢？主要的策略是從全局視角出發(fā)，滿足盡可能多的訂單需求，保證乘客的每一個(gè)叫車需求都可以更快更確定的被滿足，并同時(shí)盡力去提升每一個(gè)司機(jī)的接單效率，讓總的接駕距離和時(shí)間最短。怎么去站在全局視角呢？可以等待幾秒積攢這段時(shí)間的訂單和司機(jī)信息，將這段時(shí)間看做一個(gè)整體，利用運(yùn)籌學(xué)理論解決二分圖問題（即一個(gè)訂單對應(yīng)一個(gè)司機(jī)）尋找出滿足較多需求下，接駕距離和時(shí)間最短的最佳匹配策略。一般情況下，乘客對訂單響應(yīng)時(shí)間的耐心是有限的，怎樣快速的響應(yīng)訂單就需要對未來需求進(jìn)行預(yù)測。這里就涉及了人工智能的諸多算法，收集一段時(shí)間、一定區(qū)域的時(shí)空數(shù)據(jù)、用戶行為數(shù)據(jù)、訂單數(shù)據(jù)等，建立預(yù)測模型，預(yù)測出未來該區(qū)域可能發(fā)生的訂單和到達(dá)該區(qū)域的司機(jī)，然后讓該區(qū)域的司機(jī)更好的匹配該區(qū)域的訂單。考慮到預(yù)測的不準(zhǔn)確性，還增加了一種名為“連環(huán)派單”的模式，即當(dāng)司機(jī)結(jié)束服務(wù)的終點(diǎn)與新訂單的始點(diǎn)距離近的時(shí)候，將該訂單指派給即將結(jié)束服務(wù)的司機(jī)。這樣就可以有效地壓縮了訂單的應(yīng)答時(shí)間、以及司機(jī)的接單距離。
隨著科學(xué)技術(shù)的不斷發(fā)展，人工智能的不斷成熟，人工智能對金融、醫(yī)療、安防、零售、智能翻譯、制造、自動駕駛等行業(yè)都很大的影響。但由于人工智能技術(shù)對于應(yīng)用場景有較多的挑戰(zhàn)，全面應(yīng)用還需要很長一段時(shí)間。用一句話來總結(jié)人工智能：當(dāng)下有為，未來可期。
以上介紹了人工智能的定義、發(fā)展和生活上的應(yīng)用，后續(xù)會帶來更多的人工智能內(nèi)容，敬請關(guān)注。
?
