从百度凤巢到美团超脑
InfoQ：请您简单地介绍一下自己，包括工作经历，以及目前在美团负责什么工作。
何仁清：我是何仁清，2006年西安工业学院计算机硕士结业，以前的研究方向是互联网信息安全，按理来说更偏向工程，但却由于机缘巧合，结业后步入到了百度NLP团队，从零开始做起了算法。
在2009年的时侯，百度商务搜索部刚好成立搜索广告团队，之后就转岗到了“百度凤巢”，在凤巢时，我仍然从事NLP的相关工作，主要包括：广告搜索、Query理解和改写等，一路随业务和团队一起成长，时任T9构架师。
2016年初，我加入到了美团点评，现今主要负责美团配送的算法策略，智能配送系统建设，以及对配送的体验、效率、成本等方面的持续优化。
InfoQ：您最初加入美团的时侯，当时美团AI技术的情况是哪些样的？
何仁清：说来也是巧合，在2016年3月我加入美团后的没几天，就4：1击败了世界象棋亚军李世石，之后AI风潮风靡世界，AI时代大幕就此拉开。当时，美团的配送算法团队刚才创立不久，团队也只有一个项目——“智能调度”。“智能调度”也可以被叫做系统派单，它的作用是取代线下几千个站长的人工派单工作，但是做到派单疗效达到站长人工派单的中上游水平。
由于当时的技术还比较中级，“智能调度”也处在证明自己价值的阶段，所以被骑手和管理者DISS各类策略不合理就是家常便饭，好在团队的进步很快，通过不断的技术迭代和算法升级，到16年末的时侯，智能调度系统在专送业务方面已完成全量推广，并且在当时，这个项目还获得了美团点评公司级别的突破大奖。
描画现实世界的AI技术，是哪些？
InfoQ：“美团超脑”配送系统似乎可以叫做整个美团配送技术的核心，这么您能够简单介绍一下“美团超脑”配送系统相关的AI技术体系呢？
何仁清：配送系统最核心的业务目标是体验、成本和效率，其中效率最为重要。假如效率不变，体验和成本通常成反比关系，体验上升，成本也急剧上升，这些情况下合理的均衡点是十分重要的；反之，假如效率提高，却同时做到了体验的提高和成本的上涨。所以也可以这样说：效率在一定程度上决定了业务能力的下界。配送是一个链路很长、参与方好多、场景复杂的业务，只做一两个点的智能化是远远不够的，智能化覆盖程度对提高整体效率十分关键，如同木盆理论说的那样，最短的板决定了能装多少水。
目前，美团的配送AI技术体系建设已相对完整，横越时空大数据、运筹优化、机器学习三大学科，涉及预估、地图、定价、规划、调度、IoT等多个领域，并且能够提供各类平台能力，以及行业解决方案能力。
近来一年期间，“美图超脑”配送系统最新的技术突破有三个：
第一个是化学世界的数字化，构建数字世界的“四维时空”，主要是围绕时空大数据的数据采集、数据查询、数据挖掘、数据可视化等方面。第二个是化学世界与数字世界的联接，对化学世界发生的风波和过程，进行实时感知和理解，并将其映射到数字世界。第三个是第五代智能调度系统——全域柔性调度。这个属于手动化专业概念，前面会详尽介绍。
前两个就是本次AICon会议即将分享的主题：描画化学世界的AI技术。它主要是基于徒步轨迹、WIFI+蓝牙、传感器等多维度数据，经过感知、识别和理解过程，将化学世界数字化。它会构建数字的“四维时空”，包括三维空间：点（POI）、线（路线）、面（AOI）、高（上下楼），还有一维时间拿来反应不同时间的变化。
你们可能会好奇，直接使用现有的BAT地图服务是否足够？从美团配送的实践来看，答案是否定的。举例来说，首先是精细度，骑手常常遇见的问题是，大黑天要去一个不熟悉的新村，找到13号楼5单元在哪些地方，走那个房门近来，当地图上找不到或则是给出一条错误的路线时，就要四处找人寻问，这对效率形成了极大的影响。其次是维度，例如登上20层写字楼须要多长时间、不同时段差距有多大，通过了解这种，可以使订单分配时留下合理余量，既不会让骑手觉得到时间紧张，也不会让用户恐惧等待。
InfoQ：从客户下单时的分店推荐，到骑手接单后的配送过程，以及最后订单完成时费用的抵扣，这一整个美团外卖订单完成的过程，是怎样使用相应AI技术的？
何仁清：外卖是一个比较复杂的业务，是一个客户、商家、骑手三方市场（three-sided），同时涉及交易和履约两大部份，这儿从客户和骑手两个视角，做一下说明。
从用户视角看。
找店家选食材：主要是搜索、排序和推荐等技术，这种精典问题你们很熟悉。
下单并支付：须要使用ETA（预估送达时间）、配送费定价等相关技术。
等待配送完成：恐怕你也喜欢下完单后刷一刷页面，瞧瞧骑手到那里，还有几分钟能送达，但实际好多地方的GPS讯号十分差，例如在室外环境，这个时侯就须要AIoT相关技术，解决室内定位问题。
从骑手视角看，问题更复杂。
单子顺不顺：这个主要是派单合理智问题，通过智能调度技术解决。
定价合不合理：考虑取货-送达-交付各阶段配送难度，以及天气和供需诱因，给出骑手乐意接受的价钱。
如何送：在不确定条件下（出餐、天气）路径优化问题。
管控：骑手身分验证、骑手违法辨识。
InfoQ：一个合格的系统不可能一蹴而就，相信“美团超脑”配送系统也是一样，须要经过不断的发展，找到“偏好位置”，这么请问：在其研制过程中，“美团超脑”都经历了什么阶段呢？
何仁清：配送AI技术基本战略是AI的“广+深”，“广”是围绕整体配送效率目标，通过更精准更智能的形式，不断扩大系统能力边界，让整个系统逐步成长上去，这个过程中配送系统先后经历了：
2016年，智能调度+ETA，代替人工派单，使派单更顺路、更高效，配送效率更高。2017年，智能定价+智能规划，给业务一线营运赋能，业务运行效率更高。2018年，智能助手+IoT硬件，让骑手更方便安全，APP操作效率更高。2019年，智能感知+配送地图，更精确的室外外定位、POI+AOI画像、骑行路线，骑手履约效率更高。
“深”就是深入研究，技术持续精进。举例来说智能调度经历了5次大版本迭代，从1.0抢派结合，2.0双人多点，3.0多人多点，4.0动态决策，发展到最新的5.0全域柔性。
InfoQ：外卖平台层出不穷，而美团却是其中最优秀的平台之一，这么请问在与其他外卖平台竞争时，现阶段的“美团超脑”配送系统有哪些样的技术优势？
何仁清：我将至时配送行业将近4年，作为一个工程师也有超过10年的经历，从我自己的经验来看，与其关注竞争优势，不如关注业务和技术本身。
外卖是一个范围广、频率高的业务，线下有几十万骑手穿梭在大道小巷，但是室外场景丰富，就能触达店家和用户，仅仅定位上报每晚就有50亿+。怎样把这种基础数据借助好，建设成确切率高、维度丰富、覆盖率广的基础服务，并把调度、定价、规划系统做的更强化大，不断提高其精细化和智能化程度，这样就能进一步把配送成本降出来，把配送体验搞起来。
尽管如今AI技术比较火爆，但主要还是集中在机器学习相关领域，例如NLP、推荐、语音和图象等。与之相比，时空大数据领域、运筹优化领域的研究和突破，整体来说比较偏少，因而在这两个领域探求和研究过程中，须要持续的投入。目前，我们在这两方面都有一些研究成果，但因为此次AICon会议的分享时间有限大学配送系统，在会议上主要会晤及时空大数据相关，运筹优化领域的相关内容涉及较少，而此次采访似乎是一个机会，可以简单介绍一下。
配送中订单分配问题是一个典型运筹优化问题，这类问题系统才能处理的数据规模越大，得出的解越趋近于全局最优，但因为这是一个NP-Hard问题，数据量越大搜索的空间也会急剧呈指数级膨胀，并且配送订单分配对即时性要求很高，须要在几秒之内就将订单分配出去。解决这个问题的通常方式是：根据商圈将城市切割成一个一个区域，各个区域独立分段以增加估算复杂度。很其实，这儿面不仅剩在很大的优化空间，也有骤然而至的巨大挑战。
为了解决这个问题，调度提出了建设“全域柔性”的大目标，“全域”是指一个城市所有订单和所有运力，能进行整体统一调度。“柔性”是指系统在面对恶劣天气、单量突增等变化时，能快速和智能的手动调整。这儿面涉及的问题好多，例如品类、运力和模式等，但最首要的问题还是算力，而算力还涉及到工程、算法、硬件、IO等多方面，须要长时间探求以及一步步积累能够达到目标。
“美团超脑”配送系统分析
InfoQ：“美团超脑”配送系统的研制过程中遇见了什么挑战？又是怎样挑战成功的？
何仁清：拿全域柔性调度系统来说，研制过程中在技术困局攻坚、业务落地上都遇到了大量挑战。而面对挑战，非常是技术上的挑战时，打破思维定式，跳出固有解决问题的模式来思索，常常才能找寻到事半功倍的解决方式。
举个小反例，全域柔性调度系统须要大规模骑手与订单的匹配算法，过去的认知是难以进行并行优化的，由于骑手之间存在相互耦合，问题未能清晰分解；并且，假如顺着过去的模式来优化，很容易身陷到解决一个个具体技术问题当中，一点一点啃腿骨，不但进展很慢，但是“天花板”很低。
这个时侯就须要思索一下，我们对于这件事情的认知全面吗？假定、目标和约束合理吗？经过这种思索，就有可能从全新的视角去看待这个问题，因而从局部跳下来，从另外一个维度切入进去。
就前面这个事例而言，我们打破固有认知以后，发觉并借助新的行之有效的解题思路，算法性能优化了50%以上。
InfoQ：没有哪些可以极尽完美，同样“美团超脑”配送系统还具有什么问题是须要解决呢？
何仁清：美团外卖每晚3000万订单的体量，就算是百分之一的配送体验优化，也会影响到30万用户，所以整个系统持续精耕是十分有价值的，无论是在时空大数据，还是在机器学习、运筹优化上，都须要坚持最高标准，追求极至。
另外随着外卖渗透率提高以及新零售发展，配送规模和社会价值将会越来越大，那些都是对系统的巨大挑战。具体须要解决的问题有以下几点：
首先，缺乏行业最佳实践。即时配送是一种分钟级的新型货运形态，发展非常迅速，以至于在学术界和工业界的研究、经验都偏少，拿调度系统来说，算法和工程上好多技术困局，都必须通过自研的方法，边探求边实践。
其次，行业数字化水平较低。例如店家何时出餐的问题，因为好多店家没有信息化，纯靠人工上报，不但未能验证正确性，但是费时吃力。这些就须要平台和店家相互协同，找到低成本的解决方案，并在行业推广。
最后，人和系统的协同问题。配送系统不是一项独立的产品，而是须要和人（骑手、管理者等）紧密配合，产生高效的“人-机协同系统”，才才能发挥出最大的价值。
InfoQ：您认为，综合环境下的“美团超脑”配送系统，未来的“进化”方向是如何的？
何仁清：即时配送行业的未来发展趋势，应当是多品类商流、多类型运力、多配送模式大学配送系统，在这个趋势下边，会衍生出好多种业务和玩法。而配送系统的目标，就是能否容纳那些新变化，提供数字化、自动化和智能化的配送平台。所以全域柔性调度系统的未来进化方向可以具象为以下两点：
1）全域柔性：这个新特点上面解释过了，未来不但在调度系统中，在定价、规划、运营等其他系统，也会根据这个思路建设，让整个美团超脑越来越强。
2）5G+AIoT：随着5G的推广，硬件、边缘估算、AI技术的不断成熟，化学世界的数字化程度将持续加深；配送系统的智能化水平在越来越高的同时，会通过手机、语音、智能硬件、可穿戴设备等各类终端，更全面的为骑手、商家、管理者赋能。
未来的事
InfoQ：AI技术在好多方面是共通的，美团的AI技术未来有没有可能应用到其他领域？例如旅游路线规划等。
何仁清：美团超脑是针对分钟级配送货运场景开发的系统，类似智能调度、路线规划这些能力，可以比较自然的应用到运筹优化相关领域，例如货运、交通、智能仓储等复杂环境。同时，数学世界数字化技术的通用型更强，像室内定位技术、AOI画像等都具有比较高的商业价值。
目前，美团凭着外卖、配送、到店、共享自行车、打车等众多业务，拥有超大规模、超多维度和强悍覆盖率的时空大数据，假如结合AI技术，这种数据将会在智慧城市、ToB服务等方面发挥出更大价值。
InfoQ：美团整体AI技术未来的重点会是哪些？是侧重于大数据处理，还是对感知系统的建立，亦或是发展其他还未关联到最新AI技术？
何仁清：现今AI技术比较火爆，尤其是在深度学习方面，各类网路结构模型不断涌现，相关paper和技术博客层出不穷，院校结业中学生也是扎堆涌向。因为各大公司在工程方面的持续攻坚，不但使机器学习拥有了超大规模数据的处理能力，但是技术开源和平台也明显减少了使用门槛。
整体看来，这是一件好事。对国家人工智能战略规划、AI领域技术发展、传统行业的“AI+”转型等都很有帮助。但接出来，随着AI在产业的不断深入，好多问题也渐渐显露。
例如数据问题中数据隐私、数据安全、信息孤岛等问题；例如边沿估算问题中低帧率估算、不同设备的相互协同等问题；再例如AI与产业特性怎样更好结合的问题。而这以上的几个问题，其实就是AI技术下一阶段的主要挑战。
美团是典型的O2O公司，在场景下，AI技术应用将是它要面临的主要困局，所以美团更多的还是要考虑“5G+IoT+AI”这个技术方向；另外，O2O是一个重营运的行业，怎么结合“++”，全面提高营运效率，实现全局最优是重点所在。并且，我觉得这种也将会是美团未来须要解决的重点技术问题所在。
专访嘉宾介绍
何仁清，美团点评算法通道主席、美团配送AI方向负责人。2006年西安工业学院计算机硕士，结业后加入百度NLP团队，2009年转岗到百度凤巢团队，从事自然语言处理、数据挖掘、机器学习、检索等研究方向，辞职前任百度校长构架师。2016年初加入美团点评，整体负责美团配送的算法策略，进行智能配送系统建设，全面支持美团配送业务发展。目前工作方向横越运筹优化、机器学习、时空大数据挖掘等多个学科，工作内容包括：智能调度、ETA、智能定价、智能规划、机器学习、AIoT、骑行地图等多个子方向。
活动推荐
以上就是InfoQ对于何老师做的简单专访，还想进一步跟何老师交流的可以来AICon上海2019会议现场面基。
AICon会议汇集了来自、、、BAT、字节跳动、美团、滴滴、京东等一线互联网公司的50+优秀AI技术案例，约请颜水成、贾扬清、崔宝秋、吴华等60+AI技术大咖带来精彩的内容分享。
免责声明：部分文章信息来源于网络以及网友投稿，本站只负责对文章进行整理、排版、编辑，出于传递更多信息之目的，并不意味着赞同其观点或证实其内容的真实性，如本站文章和转稿涉及版权等问题，请作者在及时联系本站，我们会尽快为您处理。
