Technologie numéro de maillot CTO Wang Zizhuo

Titane Média Presse: Cet article de Wang Zaizhuo finition titane table ronde médias gourou AI · Station Shenzhen conférence sur « la logistique AI et de la sagesse ».

Wang Zizhuo est professeur adjoint de l'Université du Minnesota, mais aussi le nombre de sapin de la technologie CTO. « Table ronde AI Masters Series » est le nombre de sapin titane forum technologique médiatique organisé conjointement par la profondeur de la série AI, le titane est également une partie importante de la maîtrise des médias Table ronde (Cliquez pour vous inscrire à la table ronde Master AI). Avec le soutien de la technologie de cèdre nombre de données grandes, la 2017 série « AI Master Table ronde » invité à l'intelligence artificielle, la recherche opérationnelle et d'autres domaines professionnels a une très haute position dans le discours d'un certain nombre de chercheurs et de professeurs de renommée internationale sont venus en Chine, Pékin tournée , Shanghai et Shenzhen, a pour but de discuter des effets perturbateurs de l'IA sur l'industrie.

Station Table ronde AI Masters Series de Shanghai - « ère AI, l'analyse du jeu et de comportement », le titane et le sapin plusieurs technologies de médias vous invite à venir « Père du maître froid de flottement » face à face (lien d'inscription), s'il vous plaît voir la fin du papier tiré détails.

Au cours des dernières années, l'intelligence artificielle et « big data » développement rapide de l'industrie scientifique et technologique est devenue la « viande et pommes de terre. » En fait, des décennies d'intelligence artificielle il y a quelqu'un avait fait beaucoup de recherches, mais grâce au développement de la technologie informatique, qui se compose de retour sous les projecteurs. Avec le développement de l'Internet, diverses entreprises ont accumulé de grandes quantités de données. L'utilisation de l'intelligence artificielle combinée avec des « big data », peut favoriser l'innovation dans de nombreuses industries. l'industrie de la logistique est l'un d'entre eux.

Cedar Technology CTO Wang Zaizhuo croient que cette combinaison des deux, complétée par l'étude de la coordination « solution optimale » l'idée de base, l'industrie de la logistique peut aider à résoudre beaucoup de problèmes - comme la plupart planification d'itinéraire commun, site centre de transit questions, ainsi que des services logistiques sur mesure, les prix, et ainsi de suite. Bien sûr, dans les scénarios d'application pratique, il existe de nombreux facteurs incertains. En plus du « modèle optimal », l'apprentissage de la coordination du concept « modélisation stochastique » peut aussi aider l'industrie de la logistique pour atteindre « Sagesse ».

Ce qui suit est le discours enregistrement Wang Zaizhuo sur le titane Media Technology cèdre organisé conjointement « Table ronde gourou AI » dans:

Aujourd'hui, je partage simplement avec vous comment nous aimons au numéro de cèdre de la science et de la technologie avec l'intelligence artificielle, l'apprentissage machine, les méthodes d'optimisation pour résoudre le problème de la logistique, et en fin de compte la logistique de sagesse.

Avant de discuter de la sagesse de la logistique, nous devrions discuter d'un plus grand sujet: Comment pouvons-nous prendre des décisions sages dans l ' « ère des grands volumes de données. » Maintenant, la plus grande différence avec le passé est que nous avons beaucoup de données. Ces données peuvent provenir de la production chez les consommateurs peuvent venir, peuvent provenir de divers aspects, il y a plusieurs façons de stocker, traiter les données. Mais pour une entreprise, comment jouer la valeur ultime de ces données, il est le plus important.

Comment « big data » pour aider les entreprises à prendre des décisions?

Ces données ne portent pas directement la valeur à l'entreprise, la façon de traiter avec ceux qui peuvent apporter une valeur à l'entreprise? Nous pensons qu'il ya environ trois étapes: La première est la collecte et la gestion des données. Bien sûr, après l'acquisition et la gestion, vous devriez être en mesure de décrire les données, les données décrit, cette étape est habituellement en informatique, sciences de l'information fait. La prochaine étape est que certaines règles de l'exploration des données cachées, et mieux prédire l'avenir par ces lois, que l'on appelle l'analyse de la régularité ou l'analyse prédictive. Cette étape est plus d'une intelligence statistique ou artificielle complète.

Cependant, dans de nombreux à l'intérieur de la scène commerciale, juste nous ne prédits par ces données ne sont pas pleinement maximiser la valeur de ces données. Vous voulez profiter pleinement de leur valeur réelle, nous devons convertir ces prévisions pour la prise de décision. Certaines scènes de ce processus est relativement simple, si elles doivent suivre la loi, alors il est plus facile de prendre une bonne décision. Mais dans le vrai monde des affaires, comme l'industrie de la logistique, il est très complexe, il y a beaucoup de facteurs à considérer. Dans ce scénario, à plusieurs reprises, du droit à des décisions ont encore beaucoup de travail à faire, ce qui fait partie de la modélisation et l'analyse de ce que nous appelons des décisions. Cette partie peut souvent utiliser des techniques de recherche et d'optimisation des opérations.

Profitez donc de grandes données pour prendre des décisions intelligentes, nous avons besoin de ces trois étapes: la collecte et la gestion, l'analyse de la régularité des données, l'analyse décisionnelle. Si ces trois étapes à regarder d'un autre point de vue, nous pensons que cela est de comprendre le monde, comprendre le monde, et, finalement, changer le cours du monde.

Ces dernières années, l'intelligence artificielle, l'apprentissage de la machine a été un grand développement et un grand succès dans de nombreuses applications. Et certaines de ces applications mentionnées reconnaissance d'images, reconnaissance vocale artificielle, jeux intelligents, bien sûr, ces applications sont en effet très choquant. Ce ne sont pas des concepts nouveaux, qui ont été étudiés plus il y a trente ans ou même plus devant le peuple. Cependant, en raison de deux aspects: Tout d'abord, nous avons plus de puissance de calcul, il nous permet de calculer de grandes quantités de données. Ne peut être calculé jusqu'à ce que le réseau de neurones en profondeur dans le temps, il est impossible d'obtenir un bon résultat pour un temps limité. Après addition, nous avons beaucoup de données qui applique à beaucoup de développement de notre technologie de l'information pour recueillir de grandes quantités de données, alors ces formations de données peuvent obtenir un meilleur modèle.

Ces méthodes sont appliquées à l'intérieur de la scène commerciale, comme appliquée au scénario de la logistique, nous avons besoin de plus qu'un simple modèle. Les différentes industries dans chaque numéro, il a des caractéristiques différentes, nous devons comprendre l'environnement des affaires de divers points différents. Donc, si vous mettez juste un modèle simple, par exemple, directement jeté dans l'apprentissage en profondeur de certaines données à l'intérieur du réseau, il est presque impossible d'avoir un bon effet. Pour obtenir de bons résultats, pour comprendre la profondeur de la scène, puis sélectionnez un modèle en fonction de la scène.

Le soi-disant réseau de neurones, apprentissage en profondeur, mais beaucoup dans la machine d'apprentissage beaucoup de temps peut-être pas le plus approprié. Nous espérons pense que la scène réelle, à la fin ce modèle peut atteindre la meilleure prédiction. Après avoir sélectionné le modèle, la chose la plus importante est de choisir un moyen efficace. Certains modèles relativement simple peut gérer de grandes quantités de données, et certains modèles doivent être des méthodes très compliquées avant de pouvoir obtenir les paramètres du modèle pour faire fonctionner ce modèle. Ce problème, qui implique un grand nombre d'opérations de recherche et d'optimisation. Après seulement une combinaison de ces éléments, nous pouvons faire une bonne prédiction.

Alors, comment prédire un résultat, converti en valeur réelle, convertie en une meilleure pratique de prise de décision? Tels que la logistique et la sagesse, pas seulement notre préoccupation, nous pouvons prédire le nombre de dispositif de distribution d'avenir ou l'avenir, où la « logistique de sagesse » est une question de la prise de décision - comment une entreprise de logistique pour faire une meilleure allocation des ressources et plus efficace marchandises aux mains des consommateurs à un coût moindre pour le transport de différentes marchandises. Tout d'abord, nous pourrions être appliquée à un peu plus d'optimisation et de la technologie.

La recherche opérationnelle, la sagesse logistique importante poussée

Ensuite, je veux partager avec vous quelques opérations de fond de recherche. Par exemple, dans les trois scénarios, comment la combinaison de ces trois méthodes, et finalement une meilleure solution parmi les problèmes de décision logistique.

En bref, la recherche opérationnelle est le problème réel dans un modèle mathématique et la résolution de manière efficace la méthodologie. Opérations des recherches sur leur origine dans les années 1940 lors de la Seconde Guerre mondiale. A cette époque, l'armée avait beaucoup de questions sur le déploiement des ressources: comment déployer le radar, comment déployer des troupes, larguant des bombes et ainsi de suite, ces questions ont besoin d'une approche systématique pour résoudre, alors quand les gens viennent avec une série d'opérations méthodes de recherche.

Il est à noter qu'en 1947, le simple algorithmes d'optimisation linéaire développé jusqu'à présent, il est encore largement utilisé - il est répertorié comme les algorithmes haut de dix du 20ème siècle. la pensée humaine après la guerre, comment cette méthode d'optimisation, utilisée dans la production de la vie, en particulier utilisé dans le commerce. Donc, cette discipline a également été un développement rapide, ce qui entraîne dans une variété de branches, la logistique est l'un d'entre eux.

Au cours des deux dernières décennies, le domaine de la recherche opérationnelle et d'optimisation pour obtenir le développement très rapide, la raison principale est que la technologie informatique intelligente. En 1947, nous avions algorithme, mais peut-être encore dans la réalisation de l'opération, mais fournit un procédé pour les systèmes informatiques. Mais maintenant, nous pouvons vraiment résoudre certains problèmes pratiques avec la taille des ordinateurs et des algorithmes. Cette combinaison peut résoudre des centaines de milliers, voire un million de question - est fait en quelques secondes. Puis, dans les dernières années, les grandes données générées pour promouvoir le développement de ce domaine, Extension plus d'applications. Ces données peuvent aller à appliquer notre modèle afin que notre modèle peut vraiment faire une entreprise de prise de décision précieuse.

Dans la recherche opérationnelle, et je veux vous dire expliquer brièvement deux outil très important, le premier outil est l'outil d'optimisation: Lorsque l'on considère le problème d'optimisation, il suffit de rappeler trois points: d'abord, la question de ce qu'il faut faire à l'intérieur de vos décisions sont les facteurs que vous pouvez contrôler ce que, d'autre part, par cette décision peut atteindre ce but - par exemple, pour maximiser l'efficacité, réduire les coûts, ou de réduire le délai de livraison, en troisième lieu, que cette décision peut être limitée par ce qui est. Tenez compte de ces trois points ensemble est un problème d'optimisation.

Le soi-disant problème d'optimisation est que nous allons chercher des décisions sous les contraintes sont satisfaites, et essayer d'atteindre les objectifs que nous voulons atteindre. Quelle est votre décision, quelle est votre objectif, quelles sont vos contraintes, ces trois points doivent être présentés par des méthodes mathématiques. Étant donné que la réalité est beaucoup plus complexe que le modèle, de sorte que le problème réel dans cette description, n'est pas si simple, et cela, il y a une étape très importante et nécessite une grande expérience.

décision intelligente

Avec des expressions mathématiques après, nous avons besoin de trouver un ensemble d'algorithmes pour nous aider à trouver les objectifs de décision. Tel est le processus de résolution. C'est où le problème implique beaucoup d'algorithmes d'optimisation - les plus brefs délais, la plus précise trouver une solution optimale au problème de la façon. Nous pouvons voir le problème d'optimisation est je l'ai écrit une forme mathématique, il peut généralement être écrit sous forme d'une telle droite. Vous devez avoir une fonction objective - besoins pour atteindre le nombre, l'objectif de maximiser ou minimiser l'objectif, mais aussi pour répondre à certaines contraintes. Dans la recherche opérationnelle à l'intérieur, un bon modèle peut être une bonne caractérisation et des questions, et peut prendre en charge un grand modèle de solution, ce qui est d'optimiser la logistique dans la technologie la plus importante. Bien sûr, nous avons parfois besoin de leur propre conception d'un algorithme pour résoudre ce problème est aussi les premières opérations des recherches dans une technologie très importante.

Un autre ajout à l'optimisation, la recherche opérationnelle, qui est une autre technologie très importante est la modélisation stochastique. Nous savons que beaucoup de choses dans la vie, y compris le commerce, est incertain. Peu importe le degré de précision du budget, mais aussi la demande pour un jour ne peut pas être un budget précis, qui concerne la modélisation stochastique chose. Là, je simplement cité plusieurs modèles: par exemple, le modèle d'optimisation stochastique, optimisation robuste, modèles stochastiques, processus de décision de Markov, qui appliquera à notre industrie de la logistique. La recherche opérationnelle est une majeure partie de ces deux technologies, l'optimisation et la modélisation stochastique. les combiner pour résoudre beaucoup de problèmes pratiques très complexes.

scénario logistique, ils ont besoin de toutes les opérations la recherche et l'intelligence artificielle pour aider

Ensuite, je voudrais discuter, dans ces scènes à l'intérieur comment utiliser ces méthodes, combinées à un apprentissage de la machine, les méthodes statistiques de l'intelligence artificielle pour résoudre certains problèmes importants dans le secteur de la logistique: la première est liée à la zone de sélection de la division et du site question. Il est évident que l'industrie de la logistique, ce problème est très important. Parce que nous devrons peut-être développer une livraison chaque frère est responsable de quelle région, quelle région est responsable de chaque véhicule, ce qui affectera directement notre efficacité logistique.

En fait, cela est un problème d'optimisation, pourquoi le problème d'optimisation? Il faire la prise de décision est de savoir comment diviser la région, ou que tous les points à la fin quelle région devrait appartenir. L'objectif est de faire en sorte que la même zone de problème superficie à peu près divisé, ce qui est sensiblement la même demande, chaque véhicule doit fournir en même temps, nous essayons de faire en sorte que chaque équilibre régional. Mais nous un tel but par écrit sous la forme d'une mathématique. En second lieu, le processus de division, il peut y avoir beaucoup de contraintes pratiques, comme un deux points appartiennent à la même région, deux points ne appartiennent à la même zone et similaires. Cela a été notre troisième partie importante, ce qui nécessite une certaine optimisation. Dans ce scénario, le plus simple est une optimisation à deux dimensions.

Nous considérons que la division fixe faisant dans le plan, mais dans la pratique, nous dépendons de la latitude du temps, parce que parfois il y a une fenêtre de temps de livraison, cela conduira à un zonage non seulement statique, mais aussi changer au fil du temps, même en tenant compte d'autres facteurs, tels que certains sont expédition, une certaine reprise, ce qui rendra le problème en plus diversifié. En fait, l'utilisation de techniques d'optimisation est ce que je l'ai dit, à ce moment la demande, nous utiliserons l'apprentissage machine, les méthodes d'intelligence artificielle, va probablement obtenir le meilleur d'un divisé après la combinaison.

Parfois, après avoir effectué le zonage, il y a une chose que nous devons faire, il est à des décisions de localisation de la zone. Mon espace à l'intérieur duquel le réseau local et où est le point de livraison, où mon objectif deliveryman récent départ ou la distance la plus courte à ma station. Ces problèmes, nous pouvons voir est une optimisation différente.

Choix de l'emplacement de formule

Ici, je vous donne de mettre une formule simple, ce qui signifie que cette forme, nous devons définir mes variables de décision définissent ma fonction objectif, définir mes contraintes, le mettre dans un format de données, un tel problème d'optimisation, nous la sélection finale du site peut être établi quelque part. Mais il y a des contraintes, des contraintes d'inventaire, nous considérons certains facteurs incertains. Par exemple, que diriez-vous du délai moyen de livraison est la plus courte, la plus longue les plus brefs délais de livraison, etc., pensez à certains de ces éléments.

Il suffit de parler de l'emplacement des zones problématiques, ainsi que problème de l'emplacement du centre de niveau supérieur. Nous avons quelques logistique à travers le monde, nous avons besoin de mettre en place une partie du moyeu. Si je fais l'optimisation du site de centre de distribution, tout comme cela, il peut être transformé en problème, vos objectifs et vos contraintes. Après avoir déterminé le format en question, avec un algorithme approprié, finalement, nous pouvons obtenir une très bonne décision. Bien sûr, cela est très compliqué, nous prendrons en compte les nombreuses contraintes, peu importe combien de retenue, peut être modélisé aussi longtemps que possible par une méthode appropriée. Pour vous donner une réponse définitive. C'est la première application que je voudrais dire.

La seconde est l'application de la tarification et la gestion des recettes. En fait, très important pour l'industrie de la logistique, alors quel est le problème de la tarification et la gestion des recettes? Bien sûr, le nom est très simple, rien de plus que la façon dont ces entreprises de faire un peu les prix et les ventes, donc quelques-unes des décisions, ou qui ciblent les prix et la gestion des revenus, qui est, au bon moment, le droit de vendre le bon produit au bon prix les gens, cette phrase peut être vu dans certaines des décisions que nous devons faire. Cela va choisir le bon moment, le droit de recommander différents produits aux personnes concernées, alors vous donner un prix approprié.

Vous voulez être une bonne gestion des recettes, nous voulons procéder à une collecte de données et la collation décision intelligente dans la première étape à l'intérieur, il y a le plus besoin est des données sur la valeur du service à la clientèle pour vous, certaines options comprennent consommateur avant certaines situations rencontrées avant la consommation, ce sont les données pertinentes, certaines des données dont nous avons besoin de recueillir. Avec ces données, puis après, on peut utiliser une méthode d'apprentissage de la machine pour prédire la consommation pourrait être nouvelle à nos services, les prix pour certains de nos produits, où nous utiliserons simplement les statistiques mentionnées, l'apprentissage machine méthode.

Après la dernière avec ces prévisions, nous avons décidé d'aller pour ces produits, ces dépenses pour développer ce prix, et même comment développer notre menu, qui exigent que les résultats prévus, le modèle à optimiser, finissent par stratégie certains objectifs.

Peu importe quel genre de but, on peut écrire un tel problème de décision, donc une méthode d'optimisation finale est résolu. Voici quelques exemples spécifiques mentionnés, l'industrie de la logistique est un problème très important est de savoir comment développer sa gamme de produits, ou le catalogue, les consommateurs choisira une sélection de votre service d'annuaire, qui a trait à différents services le sexe, vous pouvez vouloir tirer la pertinence de cet intérieur.

Ensuite, vous devez décider de choisir qui affichent des éléments au consommateur, ce qui est un problème de localisation. Et puis il y a des décisions sur les prix, comme dans le répertoire, une maximisation du revenu global, en tenant compte des différents services ici, un certain nombre de facteurs entre les différents produits et ainsi de suite, mais en fin de compte par une modélisation et la résolution.

De plus, nous ne pouvons pas avoir beaucoup de données sur le début du consommateur, dans ce cas, nous avons besoin d'un apprentissage de dynamique, l'accumulation et l'analyse des données, où le processus de conception est un apprentissage de la machine dynamique. Il devrait prendre des décisions est la question de la façon d'apprendre une partie du comportement de ces consommateurs, certaines règles de choix des consommateurs, voici donc un apprentissage de la machine, comment les décisions il? Par exemple, je suis beaucoup des prix différents, combien de temps chacun, et comment développer un avenir des décisions optimales par ces résultats, cette question a besoin de combiner l'apprentissage machine et de l'intelligence artificielle.

La dernière partie, je veux parler de l'optimisation du chemin. Il est évident que dans l'industrie de la logistique qui, l'optimisation des routes est une technologie fondamentale. Comment concevoir un cours pour répondre aux besoins personnalisés, de minimiser les coûts, obtenir le plus bref délai possible d'envoyer un seul, et les problèmes de planification des véhicules et ainsi de suite.

Dans la scène réelle, ces questions deviendront très compliquées, car il y a tellement de facteurs à considérer. Par exemple, tout d'abord, il y a plus d'exigences, plus commissionnaires, plus d'un point de départ. D'autre part, la demande en temps réel, beaucoup de fenêtres de temps, une certaine reprise, une livraison, une autre limite. De plus, parce que la limite de poids de la Chine, ce sera beaucoup d'incertitude sur le voyage, l'incertitude du temps, et chaque incertitude auquel cas comment développer un itinéraire pour mieux servir les clients, mais aussi question très importante. Il faut beaucoup d'opérations la recherche des techniques d'optimisation et les techniques d'apprentissage machine. Plus la prédiction exacte du temps, mais aussi sur la scène de la logistique dans une application très importante.

Enfin, l'optimisation des routes de cours En plus d'optimiser la manière, on place dans l'entrepôt, ramasser la livraison, qui est en fait un problème d'optimisation, nous avons besoin de la même machine apprendre à prédire le nombre de fois que chaque navire et la demande de marchandises, puis optimisation logistique programme d'affichage de conception, le chemin du programme, il est également possible de combiner l'apprentissage de la machine et l'optimisation de la recherche opérationnelle sur la scène ensemble.

Je veux dire est la vraie sagesse de la logistique, nous devons combiner de nombreux aspects, certaines techniques nécessitent des méthodes d'intelligence artificielle d'apprentissage machine pour prédire l'avenir de la loi, nous devons aussi vous aider à optimiser la logistique de ces lois seront traduits dans la prise de décision réelle, et enfin notre logistique plus efficace, et, finalement, créer une plus grande valeur pour notre entreprise en Chine, l'industrie. (Première édition des médias de titane, finition / usine Don Xiao)

------------- -------------- suivante attractions à venir

« Ère AI, jeu et analyse du comportement » Table ronde de maître AI, et le visage « père du maître froid de flottement » à face

Temps: 20 Juillet h Lieu: Howard Johnson Plaza Hôtel Caida

Table ronde titane médias · Shanghai Master programme de la station AI

Plus de contenu passionnant, l'attention des médias titane signal de micro (ID: taimeiti), titane ou télécharger les médias App