機器之心原創
作者：虞喵喵
「人工智慧會提供偏早期的功能， 比如從資料到規律。 在規律之後， 從規律到決策是運籌學的範疇。 」
在斯坦福運籌學博士、杉數科技聯合創始人兼 CTO 王子卓看來， 人工智慧和運籌學都能通過資料説明人們解決實際問題。 但與人工智慧專注於預測、識別等功能的準確性相比， 運籌學更在意的是給出商業、金融等場景下完整的解決方案， 解決具體的行業問題。
杉數將自己定義為在資料科學和運籌學之間的資料化決策公司
在供應鏈、物流、車輛調配等具體應用場景中， 人工智慧技術正在與運籌學等學科共同協作。 或許以資料化決策公司杉數科技為例， 可以一窺兩者的相似與不同。
以 TSP 問題為例， 瞭解運籌學的決策方式
在 Wikipedia 中， 對運籌學的解釋是「一門應用數學學科， 利用統計學和數學模型等方法， 尋找複雜問題中的最佳或近似最佳的解答」。
但凡涉及「決策」， 就會有運籌學的用武之處。 起源於第二次世界大戰的運籌學， 是因英美兩國為有效配置資源， 召集科學家研究軍事作業規劃而誕生。 團隊的研究成果幫助盟軍打贏「不列顛空戰」、「北大西洋戰爭」、「太平洋島嶼戰爭」， 戰後研究成果轉移為和平用途。 如今， 從管理、金融、電腦、軍事到日常生活的具體問題， 運籌學都能給出可實施的解決方案。
想要更形象的理解運籌學，
1930 年， TSP 問題被首次形式化， 成為最優化中研究最深入的問題， 許多優化方法都以此為基準
運籌學的解決方法， 是先將 TSP 問題用數學形式寫出， 即構建模型；第二步則是通過模型算出哪個線路可以達成預定目標， 如優化時間、遍歷所有城市等等， 即演算法。 在現實生活中， TSP 問題往往有很多附加條件， 比如必須在某時間視窗前往某城市， 或者必須先前往 A 城市才能去 B 城市等等， 這些約束條件同樣需要反應在構建的模型中。
「對於現實中的專案， 需要根據實際業務場景需求提出的合適模型， 這些模型往往是在經典模型上作修改。 怎麼修改模型會最有效、能求解， 正是決策學背景的用武之處。 」
設計食品攤點網路同樣是運籌學適用場景之一， 杉數的成員曾幫助美國著名橄欖球隊 49 人隊的主場球館 Levis Stadium 設計最優的食物快送攤點網路, 解決食品攤點位置的部署、送貨員的數量和安排等問題
除了 TSP， 運籌學還有不少適用於不同情況和場景的模型， 如多目標規劃模型、整數規劃模型、存儲模型、排隊模型等等。 這些模型對應著商品定價、電網的佈局和分配、空鐵的時刻表安排、信用卡額度評估、業務轉化率提升等等重要的實際應用。
電商、金融、供應鏈，杉數的「三大首選行業」
在上世紀 90 年代，人們認為用運籌學解決問題最為耗時的部分，是收集資料和建立模型。如今資料量大幅提升，不僅收集資料不再是困擾，更是運籌學能在近幾年快速發展的原因之一。
「運籌學在一些經典場景下有比較成熟的模型，但現實是不斷有新情況產生。比如同樣是路徑優化問題，由於共用經濟產生了拼車等一系列新的業務點，就不再是完全的經典模型。新的決策、新的約束要加入其中，對模型的修改也是核心難點。決策學的背景能夠説明解決怎麼建立模型、怎麼滿足業務需求和怎麼求解。從專案角度看，這的確是需要花時間的過程。
目前，杉數科技主要涉及三種決策支援服務：收益管理、風險管理、供應鏈管理。收益管理主要應用在電商、金融領域，通過交易資料、行為資料、競爭資料等多維度數據找到不同場景下最優定價和銷售策略，在不增加流量投入的前提下提升銷售收入；風險管理是針對金融等行業客戶，提供從精准行銷、征信、高危交易識別到不良資產處置的完整服務；供應鏈管理則包括訂單、庫存、倉庫、貨運、配送等各個環節提供優化方案，在提升供應鏈的回應速度和柔性的同時，幫助企業控制成本。
圖為收益管理中促銷管理的解決方案之一，尋找決策是一個複雜又系統的過程
2015 年底，杉數科技的前身「內點科技」成立，便開始市場探索。到 2016 年 7 月正式成立，再到如今，杉數的客戶從電商巨頭、網約車平臺到金融平臺、銀行等等均有涉及。
對於為什麼選擇電商、金融和供應鏈作為首先進入的行業，杉數有自己的考慮。第一是行業應用背景廣泛，有足夠大的市場空間；第二是有優勢和積累的行業，在過往的工作中接觸較多、經驗豐富。這三個行業剛好應用廣泛，同時團隊成員都有相關積累——波音公司的貨運路線規劃、美國運通卡的反欺詐、IBM 解決方案報價系統、AOL 廣告投放優化等案例中都有團隊成員的身影。
不過短短一年多時間，杉數是如何進入這些「大行業」的？在 CTO 王子卓看來，搞定這些大客戶似乎並沒有多困難，「我們接觸這些企業時，他們之前可能對運籌學接觸很少、不夠瞭解，但只要一說我們在做的、適用的場景和模型，就會發現都是他們想要的東西。」
目前杉數以為「大公司」提供決策解決方案為主，但「接項目」並不會是他們的最終模式。「我們希望對行業加深瞭解後，以標準化的方式服務行業，希望能將提煉出來的東西產品化、軟體化、SaaS 平臺化，能讓更多人使用。」
運籌學與人工智慧的交匯
與人工智慧學科的發展軌跡相似，運籌學也曾在 50、60 年代經歷過熱戀期，隨後墜入冷淡。直到近 10 年來，新行業的產生和資料的發展，為運籌學的重新崛起帶來不少積極影響。
專家系統曾是運籌學與人工智慧的交匯點之一，如今兩者的交匯更多表現在不同維度的互相支撐。回到最初的 TSP 問題，現實生活中人們往往會面對大量不確定性，如路程時間的不同、是否堵車等，機器學習強大的預測功能會在這些部分發揮作用，在其他模型中也同樣如此。運籌學的優化思想則為神經網路、圖像分割等提供啟迪。
從應用上看，定價系統、推薦系統、風控系統都有人工智慧和運籌學的身影。那與深度神經網路這類難以解釋的模型相比，運籌學模型的可解釋性會更好嗎？「從運籌學的角度看，解釋性體現在決策能帶來的變化，走這條路要花一個小時，其他的路需要 1 小時 10 分鐘，決策本身就是可以解釋的。」運籌學本身沒有解釋性這個概念，因為它所提供的是不同決策對目標的影響。
在為企業提供決策支撐的同時，杉數還在進行機器學習優化引擎的開發。與 H2o.ai 類似，這款優化引擎可供各類機器學習方案調用，提升學習效率。目前，杉數已經完成回歸類分析、分類及變種問題上的演算法開發，仍在開發更多場景、優化並行效率，預計將在今年 7 月正式發佈。
「這本質上還是優化問題，機器學習領域的人重點大多放在什麼模型比較好，往往忽視了模型建立之後怎麼找到最好參數的過程。小的問題運算速度無所謂，大的問題效率就變得很重要，我們團隊的背景正是專門研究優化演算法效率的。」
資料化決策的三個關鍵杠杆
目前杉數團隊共有 40 人左右，包括科學家、演算法工程師、IT 工程師等等。與大部分創業團隊不同，杉數擁有龐大的科學家團隊。無論在優化演算法、資料還是金融，杉數都有斯坦福大學、哈佛大學、布朗大學等教育背景的科學家作為支撐。
杉數的創始團隊均為斯坦福博士，其中首席科學家葛冬冬目前任上海財經大學交叉科學研究院院長，CTO 王子卓 24 歲即博士畢業，兩人均為斯坦福大學終身講席教授葉蔭宇的學生。葉蔭宇教授是國際最知名的運籌學專家之一，曾獲運籌管理學領域最高獎馮·諾依曼理論獎，也是目前唯一一位華人得主。
「他研究了一輩子運籌學，但歸根到底（運籌學的）意義要發揮到實際中去。」老師希望有一家公司能將運籌學推向社會，作為學生的葛冬冬和王子卓以此為前提考慮創業，於是便有了杉數科技。
「這個學科在中國的發展水準還是相對落後，主要原因在於缺乏工業界的應用。一門學科的發展很大程度上取決於社會發展的需要，如果很多公司都需要這個學科 ，它肯定會發展得不錯，所以我們希望以此推動整個領域的發展。」
據悉，2016 年 8 月，杉數科技已獲得由真格基金及北極光創投聯合投資的 210 萬美元天使輪融資。
電商、金融、供應鏈，杉數的「三大首選行業」
在上世紀 90 年代，人們認為用運籌學解決問題最為耗時的部分，是收集資料和建立模型。如今資料量大幅提升，不僅收集資料不再是困擾，更是運籌學能在近幾年快速發展的原因之一。
「運籌學在一些經典場景下有比較成熟的模型，但現實是不斷有新情況產生。比如同樣是路徑優化問題，由於共用經濟產生了拼車等一系列新的業務點，就不再是完全的經典模型。新的決策、新的約束要加入其中，對模型的修改也是核心難點。決策學的背景能夠説明解決怎麼建立模型、怎麼滿足業務需求和怎麼求解。從專案角度看，這的確是需要花時間的過程。
目前，杉數科技主要涉及三種決策支援服務：收益管理、風險管理、供應鏈管理。收益管理主要應用在電商、金融領域，通過交易資料、行為資料、競爭資料等多維度數據找到不同場景下最優定價和銷售策略，在不增加流量投入的前提下提升銷售收入；風險管理是針對金融等行業客戶，提供從精准行銷、征信、高危交易識別到不良資產處置的完整服務；供應鏈管理則包括訂單、庫存、倉庫、貨運、配送等各個環節提供優化方案，在提升供應鏈的回應速度和柔性的同時，幫助企業控制成本。
圖為收益管理中促銷管理的解決方案之一，尋找決策是一個複雜又系統的過程
2015 年底，杉數科技的前身「內點科技」成立，便開始市場探索。到 2016 年 7 月正式成立，再到如今，杉數的客戶從電商巨頭、網約車平臺到金融平臺、銀行等等均有涉及。
對於為什麼選擇電商、金融和供應鏈作為首先進入的行業，杉數有自己的考慮。第一是行業應用背景廣泛，有足夠大的市場空間；第二是有優勢和積累的行業，在過往的工作中接觸較多、經驗豐富。這三個行業剛好應用廣泛，同時團隊成員都有相關積累——波音公司的貨運路線規劃、美國運通卡的反欺詐、IBM 解決方案報價系統、AOL 廣告投放優化等案例中都有團隊成員的身影。
不過短短一年多時間，杉數是如何進入這些「大行業」的？在 CTO 王子卓看來，搞定這些大客戶似乎並沒有多困難，「我們接觸這些企業時，他們之前可能對運籌學接觸很少、不夠瞭解，但只要一說我們在做的、適用的場景和模型，就會發現都是他們想要的東西。」
目前杉數以為「大公司」提供決策解決方案為主，但「接項目」並不會是他們的最終模式。「我們希望對行業加深瞭解後，以標準化的方式服務行業，希望能將提煉出來的東西產品化、軟體化、SaaS 平臺化，能讓更多人使用。」
運籌學與人工智慧的交匯
與人工智慧學科的發展軌跡相似，運籌學也曾在 50、60 年代經歷過熱戀期，隨後墜入冷淡。直到近 10 年來，新行業的產生和資料的發展，為運籌學的重新崛起帶來不少積極影響。
專家系統曾是運籌學與人工智慧的交匯點之一，如今兩者的交匯更多表現在不同維度的互相支撐。回到最初的 TSP 問題，現實生活中人們往往會面對大量不確定性，如路程時間的不同、是否堵車等，機器學習強大的預測功能會在這些部分發揮作用，在其他模型中也同樣如此。運籌學的優化思想則為神經網路、圖像分割等提供啟迪。
從應用上看，定價系統、推薦系統、風控系統都有人工智慧和運籌學的身影。那與深度神經網路這類難以解釋的模型相比，運籌學模型的可解釋性會更好嗎？「從運籌學的角度看，解釋性體現在決策能帶來的變化，走這條路要花一個小時，其他的路需要 1 小時 10 分鐘，決策本身就是可以解釋的。」運籌學本身沒有解釋性這個概念，因為它所提供的是不同決策對目標的影響。
在為企業提供決策支撐的同時，杉數還在進行機器學習優化引擎的開發。與 H2o.ai 類似，這款優化引擎可供各類機器學習方案調用，提升學習效率。目前，杉數已經完成回歸類分析、分類及變種問題上的演算法開發，仍在開發更多場景、優化並行效率，預計將在今年 7 月正式發佈。
「這本質上還是優化問題，機器學習領域的人重點大多放在什麼模型比較好，往往忽視了模型建立之後怎麼找到最好參數的過程。小的問題運算速度無所謂，大的問題效率就變得很重要，我們團隊的背景正是專門研究優化演算法效率的。」
資料化決策的三個關鍵杠杆
目前杉數團隊共有 40 人左右，包括科學家、演算法工程師、IT 工程師等等。與大部分創業團隊不同，杉數擁有龐大的科學家團隊。無論在優化演算法、資料還是金融，杉數都有斯坦福大學、哈佛大學、布朗大學等教育背景的科學家作為支撐。
杉數的創始團隊均為斯坦福博士，其中首席科學家葛冬冬目前任上海財經大學交叉科學研究院院長，CTO 王子卓 24 歲即博士畢業，兩人均為斯坦福大學終身講席教授葉蔭宇的學生。葉蔭宇教授是國際最知名的運籌學專家之一，曾獲運籌管理學領域最高獎馮·諾依曼理論獎，也是目前唯一一位華人得主。
「他研究了一輩子運籌學，但歸根到底（運籌學的）意義要發揮到實際中去。」老師希望有一家公司能將運籌學推向社會，作為學生的葛冬冬和王子卓以此為前提考慮創業，於是便有了杉數科技。
「這個學科在中國的發展水準還是相對落後，主要原因在於缺乏工業界的應用。一門學科的發展很大程度上取決於社會發展的需要，如果很多公司都需要這個學科 ，它肯定會發展得不錯，所以我們希望以此推動整個領域的發展。」
據悉，2016 年 8 月，杉數科技已獲得由真格基金及北極光創投聯合投資的 210 萬美元天使輪融資。