来自：美团技术团队
在2018AI开发者会议（AI）上，美团配送AI方向负责人何仁清，分享了美团将至时配送领域中机器学习技术的最新进展，以及怎样通过大数据和机器学习手段，构建中单下真实世界各类场景的感知能力，还原并预测配送过程各个细节，进而提高整体配送系统的精度。
美团“超脑”配送系统的来历
2014年，斯嘉丽·约翰逊执导的悬疑片《超体》大火，电影中主人公Lucy因为无意中摄取了大量的代号为“CPH4”的神秘抗生素，脑部神经元获得空前的开发，获得了异乎寻常的超能力，她就能对这个世界进行全新的感知、理解和控制（例如控制无线电波），最终跨越时间和空间成为了一个超级个体。
这些对真实世界的深度感知、理解和控制，与配送AI系统对配送场景的感知、理解和配送环节控制的目标十分一致。可以说，美团要建设的AI就是配送系统的“超级脑部”。为此我们内部把配送的AI系统，简称为“超脑”配送系统。
即时配送在全球快速发展
近来几年，以外卖为依托，即时配送业务在全球范围内掀起了一波快速发展的浪潮，全球各地都出现了好多创业公司，其中国内著名的包括德国的UberEats（全球）、英国的、印度的、（分别被美团和阿里投资），印度的go-jek等等。国外不仅美团外卖、饿了么、滴滴外卖等典型代表外，而还有专注于即时配送服务创业公司，例如闪送、UU跑腿、达达、点我达等。
这些全球爆发的现象说明了两个问题：
即时配送的业务模型
即时配送，是一种配送时长1小时以内，平均配送时长约30分钟的快速配送业务。这么快速的配送时效，将传统的线上电商交易与线下货运配送（传统界定比较明晰的两条业务）整合为统一整体，产生了用户、商户、骑手和平台相互交错的四元关系。
其整合力度空前紧密，几乎渗透到各个环节。以外卖搜索和排序为例，在早晨时段，在用户搜索和推荐中可以看见更多的店家，由于此时运力充分，可以提供更远距离的配送服务，除了能更好满足用户的需求，提升店家的单量，并且还能降低骑手的收入。
即时配送的核心指标是效率、成本、体验，这两者也产生了即时配送的商业模型。简单来说可以分为以下几步：
首先配送效率提高
之后配送成本上涨
之后用户体验提高
进一步提高效率并产生循环
这样，就产生了一个正向循环，不断创造更多商业价值。而技术的作用，就是加速这个正向循环。
美团“超脑”配送系统
目前互联网技术，很大部份还是针对线上产品和系统研制，整个流程可以在线上全部完成，而这也正是配送AI技术最大的不同和挑战。简单来说，类似搜索、推荐、图象和语音辨识这些线上产品常用的AI技术帮助不大，由于配送必须在线下一个一个环节的进行，这就要求AI技术必须才能面对复杂的真实化学世界，必须能深度感知、正确理解与确切预测、并顿时完成复杂决策。
为了满足这种要求，我们建设了美团“超脑”配送系统，包含以下几个方面：
构建对世界深度感知
正确理解和确切预测
完成复杂决策
机器学习技术挑战
怎样建立一个在真实化学世界运行的AI系统，就是我们最大的挑战。具体到机器学习方向而言，挑战包括以下几个方面：
线下数据质量的巨大挑战
配送系统的核心参数ETA
ETA（Timeof，时间送达预估）是配送系统中特别重要参数，与用户体验、配送成本有直接关系，但是会直接影响调度系统和定价系统的最终决策。
一个订单中涉及的各类时长参数(如上图左侧所示），可以见到有十几个关键节点，其中关键时长达到七个。这种时长涉及多方，例如骑手（接-到-取-送）、商户（出餐）、用户（交付），要经历室内堂外的场景转换，因而挑战性十分高。
通过机器学习方式，我们早已将外卖配送几乎所有环节都进行了精准预估预测。用户感知比较显著是预计送达时间，贯串多个环节，店家列表（从配送时长角度让用户更好选择店家）、订单预览（给用户一个确切的配送时间预期）、实时状态（下单后实时反馈最新的送达时间）。其实这儿面还有好多用户看不到的部份，例如店家出餐时间、骑手到店时间、交付时间等。其中交付时长，与用户关系比较大，也很有意思，下文会详尽展开。
精准到楼宇和楼层的预估：交付时长
交付时长是指骑手抵达用户后，将外卖交付到用户手中并离开的时间，实际是须要考虑三维空间内估算（上楼-下楼）。交付时间精准预估，有两点重要的意义，首先是客观的评判配送难度，给骑手合理补助；其次，考虑对骑手头上后续订单的影响，避免调度不合理，引起其他订单超时。
交付时长的目标是，做到楼宇和楼层的精准颗粒度，具体可以拆解为以下几步：
地址的精准解析（精确到楼宇/单元/楼层）
交付时长预估
下游业务应用
可以看见，真实世界中影响决策诱因特别多，我们目前做的还不够。例如交付时长也可以进一步细化，例如确切预估骑手上楼时间、下楼时间和等待时间，这样虽然还能与店家取餐环节保持一致，之所以没那么做，主要还是数据缺位，例如骑手在店家虽然有两个操作数据（到店、取餐），这样能支持我们做精细化预估的，并且在用户环节只有（送达）一个操作。
举这个反例，虽然是想说明，数据的完备性对我们究竟有多重要。数据方面的挑战，线下业务与线上业务相比，要高出好几个等级。
配送中最重要的数据之一：地图
地图对配送的重要性毋庸置疑（位置和导航都不确切，配送怎样进行？），上面提及的5级地址库只是其中一部份。配送地图的目标可以概括为以下两点：
-正确的位置-实时部份：骑手实时位置。-静态部份：用户和商户确切的地址和位置。-正确的导航-两点之间正确的距离和路线。-突发情况的快速反应（封路、限行）。
假如纵向对比配送、快递、打车等行业对地图的要求，虽然是一件很有意思的事情，这个对于配送地图技术建设来说，是一件十分有帮助的事情。
即时配送VS货运快件：即时配送对地图的依赖程度显著低于货运快件
即时配送VS出游行业：地图厂商在车载导航的优势和积累，将至时配送场景较难发挥
从这两方面对比可以看见，将至时配送业务中，徒步地图的重要性十分之高，同时好多问题确实十分具有行业特色，通过开车地图的技术难以很有效的解决。这样就须要建设一套即时配送业务地图的解决方案。
基于签到数据的位置校准：交付点
如前文所述，配送地图的方向有好多，此次我重点讲一下用户位置相关的工作“交付点挖掘”。首先看一下目前主要问题：用户位置信息有好多错误，例如：
用户选择错误
上图左，一个新村会有1期2期~N期等，用户在选择POI的时侯就可能发生错误（例如1期的选了2期），二者地理位置相差十分远，很容易导致骑手去了错误的地方。这样在订单发送到配送系统的时侯，我们须要做一次用户座标纠正，引导骑手抵达正确的位置。
POI数据不精细
上图右，用户原本在xx区xx栋，而且只选了xx区这个比较粗的位置信息。现实中在一个新村上面，找到一个具体xx栋楼还是十分困难的，你们可以想想自己新村中，随意说一个楼号你晓得它在那个角落吗，更别说假如是大白天在一个你不熟悉的新村了。导致这些缘由，一方面可能是用户选择不精细，还有一种可能，就是地图上没有具体楼座的POI信息。
在实际配送中，我们就会要求骑手在完成交付后进行签到，这样才会积累大量的上报数据，对于后续进行精细化挖掘十分有帮助。你们可以先瞧瞧我们搜集的原始数据（上图），尽管还是十分零乱，而且早已能看见这其中蕴涵着极高的价值，具体来说有三方面：
维度多样
数据完备
交付点挖掘的技术实战：挑战
在数据挖掘实际过程中，虽然并没有哪些“高大上”的必杀技，难以使用流行的方式，基本上还是须要对各个环节进行拆解，扎扎实实的做好各类基础工作，基本整个挖掘过程，分为以下几个步骤：（1）基于地址分组；（2）数据去噪；（3）数据聚合；（4）置信度打分。其中主要技术挑战，主要在各类场景中保证数据挖掘质量和覆盖率外卖配送系统，具体来说主要有三个挑战：
数据聚合
重名问题
交付点挖掘的技术实战：疗效
目前，我们早已上线了一版交付点，对用户位置进行主动纠正，让骑手可以更确切更快的找到用户。目前疗效上看还是十分显著的。包括几个方面：
单元门级别的高精度位置
目前的问题以及后续的优化点
更精细化的配送场景辨识：感知
后面提及的地图技术，只能解决在室内场景的位置和导航问题。但配送在店家侧（到店、取餐）和用户侧（到客、交付）两个场景中，虽然是发生在室外环境。在室外的骑手位置是在那里、在做哪些以及用户和店家在做哪些，假如了解这种，才能解决好多实际问题。例如：
这个技术方向可以合称为“情景感知”外卖配送系统，目标就是还原配送场景中（主要是室外以及GPS不确切），真实配送过程发生了哪些，具体方向如右图所示：
情境感知的目标就是做到场景的精细描画（上图的上半部份），包含两个方面工作：
配送过程的精确描画
这种数据，大部份来至于手机，并且随着各类智能硬件的普及，例如蓝牙设备，智能电动车、智能头盔等设备的普及，我们可以搜集到更多数据的数据。WiFi/蓝牙技术，以及运动状态辨识的技术比较成熟，这儿主要说一下概况，本文不做深入的阐述。
对于配送系统来说，比较大的挑战还是对辨识精度的要求以及成本之间的平衡。我们对精度要求很高，即便这种辨识直接影响定价、调度、判责系统，这些底层数据，精度不高带来的问题很大。
考虑成本限制，我们须要的是相对廉价和通用的解决方案，那个基于大量传感硬件部属的技术，显著不适用我们几百万店家，几千万楼宇这些量级的要求。因此，在具体技术方面，我们选用的是WiFi指纹、蓝牙辨识、运动状态辨识等通用技术方案，就单个技术而言，虽然学术界早已研究很充分了，但是也有好多应用（例如各类智能腕带等设备）。对于我们的挑战在于要做很多种传感数据的融合（还包括其他数据），以确保做到高辨识精度。其实为了解决“Truth”问题，布署一些稳定&高精度的智能硬件还是必须的，这对技术迭代优化和评估都十分有帮助。
总结
美团外卖日订单量超过2400万单，早已占有了相对领先的市场份额。美团配送也建立了全球领先的即时配送网路，以及行业领先的美团智能配送系统，智能调度系统每小时路径估算可达29亿次。怎么让配送网路运行效率更高，用户体验更好，是一项十分困难的挑战，我们须要解决大量复杂的机器学习和运筹优化等问题，包括ETA预测，智能调度、地图优化、动态定价、情景感知、智能营运等多个领域。过去两年来，美团配送AI团队研制疗效明显，配送时长从一小时相继减短到30分钟，而且还在不断提高，我们也希望通过AI技术，帮你们吃得更好，生活更好。
本文作者何仁清作为出品人企划了《AI在复杂业务场景中的最佳实践》
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。
