數據專家閔萬里的第一個「難題」，如何讓 ET 做「送餐小哥」？

閔萬里在阿里雲內部是一位非常受大家喜歡的科學家，他在做數據分析時一直舉重若輕，思路清晰而且熱愛分享。不過最近，他遇到了進入阿里之後的第一個大難題。

2016 年 AlphaGo 戰勝李世石拉開了人工智慧的大幕。然而，與下棋有明確的遊戲規則不同，在通過數據解決現實問題的調度中，不僅要考慮點與點之間的距離，位移速度，還要考慮到天氣，甚至是人性。

閔萬里的這道難題，就是如何運用阿里雲的人工智慧 ET 來幫助外賣平台「餓了么」。

為什麼要用黑科技替代人工調度？

ET 匯聚了阿里雲全部的人工智慧技術，曾經被運用在貨運、交通、空管等領域。餓了么是中國最大的在線外賣和即時配送平台之一，每天配送訂單超過 300 萬。

這次雙方之所以走到一起，主要出於二個原因。首先，如果以某些特定繁華區域為例，如果採取人工調度的方式，外賣調度員需要在每 6 秒鐘完成一個訂單的分配。不僅工作量巨大，訂度員還需要綜合考慮多種因素，是巨大的體力和腦力挑戰。將人工智慧引入外賣行業，正是由於人力工作已經無法應對複雜的需求。其次，隨著外賣行業的白熱化競爭，服務成為用戶的體驗的關鍵。人工智慧可以使外賣平台在送餐速度上更快，更穩健地進行分配。

在推進 ET 與餓了么的合作前，閔萬里就曾在兩個典型的領域深度探索過。一個廣州的交通信號調控。閔萬里和團隊曾經研究出讓 ET 觀察車輛流動情況，從而對紅綠燈進行調控。與以往的電子眼不同，ET 可以捕捉到更廣闊視覺領域中的數據，而不僅僅是電子眼錄像範圍內的車輛情況。根據閔萬里提供的數據，在使用 ET 調控紅綠燈的路段中，廣州南華中路-寶崗大道在上午和傍晚的擁堵指數分別下降了 25.75% 和 11.83%。此外，ET 還曾被運用到貨車司機和車輛匹配之中。

除了這兩個案例，阿里雲曾經與快的打車合作，當時是首次將人工智慧運用到調度領域。阿里對外公布的數據顯示，當時將快的搶單時長最高降低了 21.11%，成交率提升了 7.87%。

而這一次與外賣平台的合作則側重對全局的觀察和實時決策計算，以解決供求之間的平衡。餓了么的智能調度如果變得更加精準，將不僅僅是解決外賣吃飯的問題，可以複製到很多其他應用場景比如交通、貨運等，解決供需智能匹配和調度問題。這個演算法的核心是讓供需雙方的信息更加對稱和透明。

當然，在基礎調度工作被人工智慧取代後，傳統的調度人員可以轉型運營。閔萬里認為，在很多行業都需要精細化運營和本地化運營，此外，還要進一步擴展品類和物資等。人工智慧節省了調度員的時間，可以讓他們做更有價值的事情。

如何用黑科技送餐？

解決外賣送餐過程中的配比，主要難在如何讓人工智慧 ET 可以結合不同地區的用餐習慣、風土人情甚至是霧霾這種極端天氣等各種條件，得出綜合計算結果。當然，這一過程並不平坦。

最近的一個例子是，閔萬里所在的研發小組發現，有 2 個配送站點曾出現嚴重超時問題。這 2 個站點均在成都，出現的問題是由於成都人喜歡早、中餐一起吃，送餐高峰從 11 點就開始了。而 ET 的計算此前都是以北上廣民眾的生活習慣為主，與這個時間並不匹配。

閔萬里意識到，不存在一套演算法適配所有地方，人工智慧必須要學習不同場景下的風土人情。如果把外賣送餐想像成一個不規則的大盤，這個大盤上則存在中三個重要的不確定性：

1、運力。送餐過程中，難免出現送餐員不尋常理的情況。

2、食客的需求。食客會出現位置模糊情況。

3、餐館。供給端的繁忙度影響送餐具體情況。

根據這些綜合性因素，在閔萬里和團隊設計的送餐智能體系中，最底層涉及到五個維度：騎手基礎信息、騎手實時位置、餐廳表、訂單表以及訂單流水表。

在這基礎之上，為騎手、餐廳和送餐地打標。第二個層次，則是基於數據挖掘模塊，做出出餐時間預估模型和送餐時間預估模型。第三個層次是優化階段，設置順路拼單模型和騎手調度模型。最終完成整個調度推薦。在三個計算過程中，涉及到價值模型、策略模型和調配系統。

ET 的解決方法是，通過掌握餓了么全球百萬家餐廳的出餐時間以及超過 180 萬送餐員的送餐速度。將新訂單按照演算法分發給送餐員，如果送餐員身上已經有送餐任務，在接受到新訂單後，實時計算出全新的送餐路徑。工作時間最短的所有送餐員將獲得任務。除了通用的計算方式，ET 會識別出是否存在區域、天氣以及類似火鍋等大單對送餐速度的影響。

在這個過程中，餐廳出餐等待時間的考量是一個重要的指標。餐廳出餐等待時間佔到了整個送餐時間的三分之一。ET 要想提高騎手效率，必須準確預估出餐時間以減少騎手等待，但又不能讓餐等人。ET 還需要知道每個騎手在不同區域、不同天氣下的送餐速度。但餐送到了，顧客並不一定會立刻來取。顧客可能需要等三部電梯才能下來。這些 ET 都需要計算在內。阿里雲的數據研發團隊和餓了么還為 ET 內置了惡劣天氣的演算法模型。通常情況下，每逢惡劣天氣，外賣訂單將出現大漲，對應的餐廳出餐速度和騎手騎行速度都將受到影響，這些 ET 都會考慮在內。

現實應用場景催生技術進步

在中國，數據領域的比拼早已開始。中國有比美國豐富的市場場景試驗，這些應用領域的複雜難度遠遠超過 AlphaGo 下圍棋。在美國沒有餓了么這種外賣訂餐的繁盛需求，閔萬里認為：「經濟體量展現出的規模效應會帶動創新。應用的創新又催生了技術的發展。斯坦福的教授目前研究的都是非常經典物流倉儲供應鏈的東西，沒有涉及到彈性供應鏈，這正是因為因為美國沒實驗場景。」

閔萬里在 2013 年從 Google 回國加入阿里巴巴雲計算部門，他曾在 Google、IBM research 先後研究數據。在閔萬里的眼裡，谷歌對數據的研究偏業務形態，變現形式是廣告。而阿里更多是與電商用戶購買數據有關，與線下業務場景結合緊密。

閔萬里此前在谷歌也研究數據，他覺得今天中國的大數據研發跟國外是完全不同的，甚至中國更加領先。「十年前，IT 信息革命時代，中國是落後的。但是到了大數據時代，中國和國外幾乎是同時起步的。而且我們很幸運有這麼大的市場，中國這麼大的場景存在，從應用催生了創新。當你只有幾百個人的時候你會考慮大數據的情況嗎？估計不太會。」他說道。

「作為一個技術公司，非常容易陷入閉門造車的環境，幾十個產品經理和研發人員開發一套程序，然後推向市場做運營。這可能會使得你瞄準的方向跟客戶的痛點並不一致，最後解決的效果會打折扣。」