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。