这家公司正在影响大公司决策,还开发了一款机器学习优化引擎

机器之心原创

作者:虞喵喵

「人工智能会提供偏早期的功能,比如从数据到规律。在规律之后,从规律到决策是运筹学的范畴。」

在斯坦福运筹学博士、杉数科技联合创始人兼 CTO 王子卓看来,人工智能和运筹学都能通过数据帮助人们解决实际问题。但与人工智能专注于预测、识别等功能的准确性相比,运筹学更在意的是给出商业、金融等场景下完整的解决方案,解决具体的行业问题。

这家公司正在影响大公司决策,还开发了一款机器学习优化引擎

杉数将自己定义为在数据科学和运筹学之间的数据化决策公司

在供应链、物流、车辆调配等具体应用场景中,人工智能技术正在与运筹学等学科共同协作。或许以数据化决策公司杉数科技为例,可以一窥两者的相似与不同。

以 TSP 问题为例,了解运筹学的决策方式

在 Wikipedia 中,对运筹学的解释是「一门应用数学学科,利用统计学和数学模型等方法,寻找复杂问题中的最佳或近似最佳的解答」。具体来说,运筹学是一门研究怎样处理事情更有效的学科(因此达成「优化」或「最优化」常常是运筹学的目标),关注的往往是当今社会经济发展的热点,如航空公司的定价、超售问题,物流中的调度问题,共享经济中的资源调配问题等等。

但凡涉及「决策」,就会有运筹学的用武之处。起源于第二次世界大战的运筹学,是因英美两国为有效配置资源,召集科学家研究军事作业规划而诞生。团队的研究成果帮助盟军打赢「不列颠空战」、「北大西洋战争」、「太平洋岛屿战争」,战后研究成果转移为和平用途。如今,从管理、金融、计算机、军事到日常生活的具体问题,运筹学都能给出可实施的解决方案。

想要更形象的理解运筹学,旅行推销员问题(Travelling salesman problem, TSP)是个不错的例子。作为运筹学经典模型之一,它描述的是「给定一系列城市和每对城市之间的距离,求解访问每一座城市一次并回到起始城市的最短回路」。

这家公司正在影响大公司决策,还开发了一款机器学习优化引擎

1930 年,TSP 问题被首次形式化,成为最优化中研究最深入的问题,许多优化方法都以此为基准

运筹学的解决方法,是先将 TSP 问题用数学形式写出,即构建模型;第二步则是通过模型算出哪个线路可以达成预定目标,如优化时间、遍历所有城市等等,即算法。在现实生活中,TSP 问题往往有很多附加条件,比如必须在某时间窗口前往某城市,或者必须先前往 A 城市才能去 B 城市等等,这些约束条件同样需要反应在构建的模型中。

「对于现实中的项目,需要根据实际业务场景需求提出的合适模型,这些模型往往是在经典模型上作修改。怎么修改模型会最有效、能求解,正是决策学背景的用武之处。」

这家公司正在影响大公司决策,还开发了一款机器学习优化引擎

设计食品摊点网络同样是运筹学适用场景之一,杉数的成员曾帮助美国著名橄榄球队 49 人队的主场球馆 Levis Stadium 设计最优的食物快送摊点网络, 解决食品摊点位置的部署、送货员的数量和安排等问题

除了 TSP,运筹学还有不少适用于不同情况和场景的模型,如多目标规划模型、整数规划模型、存储模型、排队模型等等。这些模型对应着商品定价、电网的布局和分配、空铁的时刻表安排、信用卡额度评估、业务转化率提升等等重要的实际应用。

电商、金融、供应链,杉数的「三大首选行业」

在上世纪 90 年代,人们认为用运筹学解决问题最为耗时的部分,是收集数据和建立模型。如今数据量大幅提升,不仅收集数据不再是困扰,更是运筹学能在近几年快速发展的原因之一。

「运筹学在一些经典场景下有比较成熟的模型,但现实是不断有新情况产生。比如同样是路径优化问题,由于共享经济产生了拼车等一系列新的业务点,就不再是完全的经典模型。新的决策、新的约束要加入其中,对模型的修改也是核心难点。决策学的背景能够帮助解决怎么建立模型、怎么满足业务需求和怎么求解。从项目角度看,这的确是需要花时间的过程。

目前,杉数科技主要涉及三种决策支持服务:收益管理、风险管理、供应链管理。收益管理主要应用在电商、金融领域,通过交易数据、行为数据、竞争数据等多维度数据找到不同场景下最优定价和销售策略,在不增加流量投入的前提下提升销售收入;风险管理是针对金融等行业客户,提供从精准营销、征信、高危交易识别到不良资产处置的完整服务;供应链管理则包括订单、库存、仓库、货运、配送等各个环节提供优化方案,在提升供应链的响应速度和柔性的同时,帮助企业控制成本。

这家公司正在影响大公司决策,还开发了一款机器学习优化引擎

图为收益管理中促销管理的解决方案之一,寻找决策是一个复杂又系统的过程

2015 年底,杉数科技的前身「内点科技」成立,便开始市场探索。到 2016 年 7 月正式成立,再到如今,杉数的客户从电商巨头、网约车平台到金融平台、银行等等均有涉及。

对于为什么选择电商、金融和供应链作为首先进入的行业,杉数有自己的考虑。第一是行业应用背景广泛,有足够大的市场空间;第二是有优势和积累的行业,在过往的工作中接触较多、经验丰富。这三个行业刚好应用广泛,同时团队成员都有相关积累——波音公司的货运路线规划、美国运通卡的反欺诈、IBM 解决方案报价系统、AOL 广告投放优化等案例中都有团队成员的身影。

不过短短一年多时间,杉数是如何进入这些「大行业」的?在 CTO 王子卓看来,搞定这些大客户似乎并没有多困难,「我们接触这些企业时,他们之前可能对运筹学接触很少、不够了解,但只要一说我们在做的、适用的场景和模型,就会发现都是他们想要的东西。」

目前杉数以为「大公司」提供决策解决方案为主,但「接项目」并不会是他们的最终模式。「我们希望对行业加深了解后,以标准化的方式服务行业,希望能将提炼出来的东西产品化、软件化、SaaS 平台化,能让更多人使用。」

运筹学与人工智能的交汇

与人工智能学科的发展轨迹相似,运筹学也曾在 50、60 年代经历过热恋期,随后坠入冷淡。直到近 10 年来,新行业的产生和数据的发展,为运筹学的重新崛起带来不少积极影响。

专家系统曾是运筹学与人工智能的交汇点之一,如今两者的交汇更多表现在不同维度的互相支撑。回到最初的 TSP 问题,现实生活中人们往往会面对大量不确定性,如路程时间的不同、是否堵车等,机器学习强大的预测功能会在这些部分发挥作用,在其他模型中也同样如此。运筹学的优化思想则为神经网络、图像分割等提供启迪。

从应用上看,定价系统、推荐系统、风控系统都有人工智能和运筹学的身影。那与深度神经网络这类难以解释的模型相比,运筹学模型的可解释性会更好吗?「从运筹学的角度看,解释性体现在决策能带来的变化,走这条路要花一个小时,其他的路需要 1 小时 10 分钟,决策本身就是可以解释的。」运筹学本身没有解释性这个概念,因为它所提供的是不同决策对目标的影响。

在为企业提供决策支撑的同时,杉数还在进行机器学习优化引擎的开发。与 H2o.ai 类似,这款优化引擎可供各类机器学习方案调用,提升学习效率。目前,杉数已经完成回归类分析、分类及变种问题上的算法开发,仍在开发更多场景、优化并行效率,预计将在今年 7 月正式发布。

「这本质上还是优化问题,机器学习领域的人重点大多放在什么模型比较好,往往忽视了模型建立之后怎么找到最好参数的过程。小的问题运算速度无所谓,大的问题效率就变得很重要,我们团队的背景正是专门研究优化算法效率的。」

这家公司正在影响大公司决策,还开发了一款机器学习优化引擎

数据化决策的三个关键杠杆

目前杉数团队共有 40 人左右,包括科学家、算法工程师、IT 工程师等等。与大部分创业团队不同,杉数拥有庞大的科学家团队。无论在优化算法、数据还是金融,杉数都有斯坦福大学、哈佛大学、布朗大学等教育背景的科学家作为支撑。

杉数的创始团队均为斯坦福博士,其中首席科学家葛冬冬目前任上海财经大学交叉科学研究院院长,CTO 王子卓 24 岁即博士毕业,两人均为斯坦福大学终身讲席教授叶荫宇的学生。叶荫宇教授是国际最知名的运筹学专家之一,曾获运筹管理学领域最高奖冯·诺依曼理论奖,也是目前唯一一位华人得主。

「他研究了一辈子运筹学,但归根到底(运筹学的)意义要发挥到实际中去。」老师希望有一家公司能将运筹学推向社会,作为学生的葛冬冬和王子卓以此为前提考虑创业,于是便有了杉数科技。

「这个学科在中国的发展水平还是相对落后,主要原因在于缺乏工业界的应用。一门学科的发展很大程度上取决于社会发展的需要,如果很多公司都需要这个学科 ,它肯定会发展得不错,所以我们希望以此推动整个领域的发展。」

据悉,2016 年 8 月,杉数科技已获得由真格基金及北极光创投联合投资的 210 万美元天使轮融资。

相关推荐