0
| 本文作者： 劉偉 | 2017-07-13 09:23 |
在數(shù)學(xué)家眼里，整個世界都是數(shù)字的。
剁手之后苦苦等待包裹的煎熬已經(jīng)逐漸遠(yuǎn)去，作為“看不見的手”，算法功不可沒。而算法的背后是一個又一個睿智嚴(yán)謹(jǐn)?shù)乃惴▽＜摇Ｋ麄儚膹?fù)雜的現(xiàn)實(shí)問題中抽象出數(shù)學(xué)問題，然后用幾行公式化解于無形。
朱禮君：于美國馬里蘭大學(xué)獲得物理學(xué)博士學(xué)位。先后在Goldman Sachs、Amazon和Facebook從事數(shù)學(xué)建模和算法方面的研究工作。2014年回國后加入阿里巴巴，先后帶領(lǐng)了天貓個性化推薦算法團(tuán)隊和菜鳥網(wǎng)絡(luò)倉配供應(yīng)鏈算法團(tuán)隊。
朱禮君博士是菜鳥網(wǎng)絡(luò)的高級算法專家，負(fù)責(zé)倉配供應(yīng)鏈算法團(tuán)隊。他親歷了中國物流行業(yè)過去幾年的高速發(fā)展，也貢獻(xiàn)了自己的一份力量。作為局內(nèi)人，他對物流行業(yè)智能化進(jìn)程中的機(jī)遇和挑戰(zhàn)有著清晰的認(rèn)識。
近日，雷鋒網(wǎng)對朱禮君博士進(jìn)行了一次專訪，聽他聊了聊物流行業(yè)的當(dāng)前的未來。
朱禮君博士介紹，物流行業(yè)環(huán)節(jié)眾多，幾乎每個環(huán)節(jié)都需要用到算法優(yōu)化。而算法工程師需要做的，就是從各個環(huán)節(jié)中抽象出共性問題，建立算法引擎。菜鳥網(wǎng)絡(luò)目前主要在做兩件事情：一是優(yōu)化倉儲和配送環(huán)節(jié)，給倉儲機(jī)器人和送貨車輛規(guī)劃路徑；二是賦能快遞公司，幫助其優(yōu)化已有的業(yè)務(wù)流程。
倉儲機(jī)器人的路徑規(guī)劃和配送車輛的路徑優(yōu)化就是一個共性問題，雖然算法實(shí)現(xiàn)起來略有差異，但基本框架是一致的。算法工程師會建立一套統(tǒng)一的算法引擎解決這些問題，以后出現(xiàn)框架類似但細(xì)節(jié)不同的問題時，也可以用這套算法引擎解決，避免重復(fù)開發(fā)。
朱禮君博士向雷鋒網(wǎng)介紹，在倉儲領(lǐng)域，隨著倉庫的面積增大，需要的機(jī)器人個數(shù)就越多，算法的難度將呈指數(shù)級增長。而在倉庫之外的配送環(huán)節(jié)，雖然城市幅員遼闊，但每輛貨車的輸送量十分可觀，單個城市倉配線上需要的車輛數(shù)目并不會特別多，所以算法也沒有很多人想象中的那么難。
朱禮君表示，目前菜鳥網(wǎng)絡(luò)的算法引擎已經(jīng)能夠解決很多類型的問題了，速度很快，效果也不錯。雖然由于每個公司的具體業(yè)務(wù)不同，無法與行業(yè)內(nèi)的領(lǐng)軍企業(yè)直接比較。但相對于國外一些比較優(yōu)秀的開源社區(qū)提供的算法引擎，菜鳥網(wǎng)絡(luò)已經(jīng)實(shí)現(xiàn)了趕超。
自動化解決方案應(yīng)用于倉儲領(lǐng)域由來已久，但傳統(tǒng)方案比較固定，而倉儲物流的壓力是線性波動的。一旦遇上“雙11”和“6.18”等大促活動，傳統(tǒng)自動化方案便無能為力了。由AGV組成的智能化解決方案的好處在于，它是比較柔性的，任務(wù)繁重時可以通過增加機(jī)器人解決部分問題。不過AGV方案也存在技術(shù)瓶頸，因此目前階段還少不了對人力的依賴。
此外，物流運(yùn)輸是一條完整的鏈條，只解決其中一環(huán)還遠(yuǎn)遠(yuǎn)不夠。倉庫出貨的問題解決了，配送資源的瓶頸仍然存在——運(yùn)輸包裹的車只有這么多，所以合理調(diào)配車輛是非常重要的。同理，解決了車輛調(diào)配問題，最后一公里的瓶頸還在，用戶體驗也無法獲得質(zhì)的提升。
假如把物流網(wǎng)絡(luò)比作一根水管，那么這根水管的出水量是由半徑最小的橫截面決定的。只有打通了管道的所有環(huán)節(jié)，物流網(wǎng)絡(luò)的能力才能獲得真正的提升。
物流運(yùn)輸鏈的兩端——物流公司和消費(fèi)者永遠(yuǎn)處在相愛相殺的狀態(tài)。物流公司需要盡可能壓縮成本，同時用優(yōu)質(zhì)的服務(wù)留住消費(fèi)者；而消費(fèi)者則希望享受最快捷的物流服務(wù)，同時又無需支付高昂的快遞費(fèi)用。在“快”和“省”之間，物流公司該如何尋找最佳平衡點(diǎn)呢？
對此，朱禮君表示，物流速度和用戶體驗之間并非簡單的正比關(guān)系。當(dāng)物流速度達(dá)到一定程度后，進(jìn)一步提升帶來的用戶體驗改善是非常有限的。因此，物流公司需要基于大量數(shù)據(jù)分析，到底多快的物流速度才是合理的？當(dāng)已經(jīng)實(shí)現(xiàn)當(dāng)日達(dá)后，十小時達(dá)和八小時達(dá)帶來的用戶體驗差別究竟有多大？
除了速度，確定性也很重要。確定性是指，包裹在指定時間內(nèi)送達(dá)的概率。確定性給用戶體驗帶來的影響有時候甚至超過速度。比如，你告訴用戶包裹將于今日送達(dá)，結(jié)果卻沒有送到，這種用戶體驗是非常糟糕的。
另外，不同商品品類對派送速度的要求也是不盡相同的，比如食品對物流速度的要求要高于服裝。但究竟高多少，不能憑主觀臆測來決定，而是要通過深入分析大量數(shù)據(jù)來得出結(jié)論。比如分析某件商品在2日達(dá)和3日達(dá)的情況下，用戶評價和復(fù)購率分別是怎樣的。
通過分析得出這些關(guān)鍵指標(biāo)后，算法工程師會將其作為約束條件，建立相應(yīng)的模型，用模型進(jìn)行成本優(yōu)化，得出最優(yōu)的結(jié)果。
在領(lǐng)導(dǎo)菜鳥網(wǎng)絡(luò)倉配供應(yīng)鏈算法團(tuán)隊之前，朱禮君博士還帶領(lǐng)過天貓個性化推薦算法團(tuán)隊。他表示，相比于個性化推薦算法，倉儲物流領(lǐng)域的算法要復(fù)雜得多。
首先，兩者有相似之處，都是運(yùn)用數(shù)據(jù)模型來解決現(xiàn)實(shí)生活中的問題。比如個性化推薦，算法工程師可以從系統(tǒng)中獲知用戶的點(diǎn)擊量和購買情況；但如何判斷用戶喜不喜歡系統(tǒng)推薦的商品呢，算法工程師需要建立專門的數(shù)學(xué)模型來判斷。同樣的，在物流倉儲領(lǐng)域，算法工程師需要找到約束條件，建立相應(yīng)的數(shù)學(xué)模型來縮短時間和減少成本。二者都是從商業(yè)問題中抽象出數(shù)學(xué)問題。
不過，推薦和搜索是算法在互聯(lián)網(wǎng)中較為傳統(tǒng)的應(yīng)用方向，不涉及真實(shí)物體的移動和操作，因此能夠獲得迅速、直觀的反饋。算法工程師設(shè)計好算法后，只需要將它放到網(wǎng)絡(luò)中觀察用戶反饋，就能知道算法究竟是對是錯。
物流領(lǐng)域則復(fù)雜得多，因為它涉及真實(shí)物體的移動和操作，真實(shí)世界的環(huán)境也比網(wǎng)絡(luò)世界復(fù)雜得多。比如說路徑規(guī)劃，算法設(shè)計好之后需要大量運(yùn)輸車輛運(yùn)行一段時間才能得到反饋。有了反饋還不夠，還需要從中分析具體的原因，運(yùn)輸速度變慢究竟是下雨或修路導(dǎo)致的，還是算法出錯了呢？這個過程是很困難的。
此外，在物流領(lǐng)域為了搜集數(shù)據(jù)和驗證算法，有時候還需要造一些硬件。物流網(wǎng)絡(luò)的優(yōu)化是一個大的系統(tǒng)級工程。工程師不僅需要考慮算法的優(yōu)化，還需要思考硬件該怎么設(shè)計；硬件設(shè)計出來后，需要搜集大量數(shù)據(jù)；用數(shù)據(jù)去驗證并進(jìn)一步優(yōu)化算法。這是一個月循環(huán)往復(fù)的過程，周期十分漫長。
算法優(yōu)化已經(jīng)給物流行業(yè)帶來了顯著提升。從簽收時間來看，2013年“雙11”包裹簽收過1億用了9天，2014年用了6天，到2015年提速到了4天，2016年則進(jìn)一步提速到只用3.5天。
而很多物流公司正在大力研發(fā)和布局的送貨無人機(jī)、末端配送機(jī)器人卻收效甚微。無人機(jī)送貨目前還處于試驗性階段，未來面臨著續(xù)航短、負(fù)重小、監(jiān)管嚴(yán)等諸多難題。末端配送機(jī)器人雖然已經(jīng)在部分封閉園區(qū)內(nèi)投入使用，但還只是輔助性設(shè)備，無法大面積取代人力。
朱禮君對雷鋒網(wǎng)表示，每個行業(yè)都要做一些前瞻性研究，企業(yè)做前瞻性研究的出發(fā)點(diǎn)是行業(yè)趨勢而非短期內(nèi)的應(yīng)用。他指出，物流行業(yè)自動化的趨勢不可阻擋，提前研究和布局對推動整個行業(yè)是十分重要的。
菜鳥ET實(shí)驗室目前也在做物流前沿技術(shù)的研究，末端配送機(jī)器人和機(jī)械臂等都有涉及。去年9月1日，菜鳥網(wǎng)絡(luò)通過一則視頻發(fā)布了能將包裹全自動配送到用戶家門口的智能配送機(jī)器人“小G”。目前“小G”已經(jīng)走出阿里園區(qū)，進(jìn)入法院運(yùn)行，后續(xù)還將逐步推廣到更多的場景下運(yùn)行。但阿里和菜鳥做這些研究的第一出發(fā)點(diǎn)并非在一兩年內(nèi)將其商業(yè)化。
不過朱禮君博士對末端配送機(jī)器人未來大規(guī)模商用還是非常樂觀的。他指出，無人機(jī)——尤其是末端配送機(jī)器人對行進(jìn)速度的要求并不高，而低速無人駕駛要比高速無人駕駛簡單得多。另外，由于末端配送機(jī)器人不占用機(jī)動車道，政策監(jiān)管的掣肘并不多。他預(yù)計，末端配送機(jī)器人大規(guī)模商用要比無人駕駛汽車早3-4年。
無論在前面提到的倉儲還是運(yùn)輸環(huán)節(jié)中，運(yùn)籌學(xué)算法都起著舉足輕重的作用。但長期以來，運(yùn)籌學(xué)算法領(lǐng)域的前沿位置始終被國外團(tuán)隊所牢牢占據(jù)。朱禮君認(rèn)為，這是由國內(nèi)的學(xué)術(shù)研究與產(chǎn)業(yè)應(yīng)用相脫節(jié)導(dǎo)致的。
他指出，國內(nèi)學(xué)術(shù)圈一直在進(jìn)行運(yùn)籌學(xué)算法方面的研究，國內(nèi)部分頂尖院校培養(yǎng)出來的人才也都十分優(yōu)秀。但過去國內(nèi)產(chǎn)業(yè)界對運(yùn)籌算算法的應(yīng)用并不廣泛，很多專業(yè)人才找不到對口的工作，只好轉(zhuǎn)行做其他事情去了。
國外的環(huán)境則好得多，比如美國很多大企業(yè)，像亞馬遜、谷歌或者一些物流企業(yè)，內(nèi)部都有一大批運(yùn)籌學(xué)背景的團(tuán)隊來解決公司生產(chǎn)可能面臨的問題，比如亞馬遜中有50~200個的運(yùn)籌學(xué)博士做定價、庫存、物流等方面的決策支持。
朱禮君表示，目前國內(nèi)確實(shí)存在相關(guān)人才短缺的問題，不過這一局面并不會持續(xù)很久。一方面，很多大型企業(yè)正積極從海外招募人才；另一方面，隨著運(yùn)籌學(xué)算法在國內(nèi)產(chǎn)業(yè)界的應(yīng)用日趨廣泛，學(xué)術(shù)圈和產(chǎn)業(yè)界逐步銜接，國內(nèi)將快速涌現(xiàn)出大量的相關(guān)人才。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
