0
| 本文作者： 奕欣 | 2018-07-26 23:35 |
杉数科技一直以来对举办产学结合的圆桌会怀有极高的热情。
这家成立于 2016 年的公司由五位斯坦福大学教授及博士创立，以运筹学泰斗、冯·诺依曼奖得主叶荫宇教授为核心，联合商学院、运筹学及决策分析与风险分析等专业的四位博士，围绕海量数据环境下的复杂问题提供降本增效的优化决策方案。
叶荫宇教授认为，既然杉数科技的核心创始团队是以科学家为主，鉴于自身的技术优势与独特性，公司的经营与发展从战略层面而言，也不能只局限于产品本身，需要从最前沿的研究及行业亟需解决的问题为企业提供全新的思维模式。
因此，杉数科技在做好自身业务规划的同时，也组织了多场 AI 大师圆桌会。不论是关注算法及商业落地的「智能商业时代, 算法的力量」；或是关注博弈论及相关应用的「AI 时代, 博弈与行为分析」，无一例外地，杉数科技都邀请到了相应领域的国内外优秀甚至是顶尖的 AI 学者为与会者进行分享。
在近日杉数科技于上海主办的「2018 第二届 AI 大师圆桌会」——「从链到网：数字赋能零供新关系」上，杉数科技围绕智慧供应链的背景及现状邀请到了多位学者及企业嘉宾到场交流。
雷锋网 AI 科技评论了解到，杉数科技在服务企业，为他们提供多项定制最优化决策能力的同时，也希望能通过这样的研讨平台，助力企业间的商业合作。
「在服务企业之时，一方面我们提供上层解决方案，另一方面我们也在帮助企业建立他们的学科体系，人才体系，做这类看似『吃力不讨好』的工作。」杉数科技 CEO 罗小渠如是说，但他认为，这些服务对于一个具有科学家基因的公司而言是值得的。「所有的合作都是共赢的，当企业对这些思绪、工具和方法有了更深的理解，那么杉数能够得到更进一步的提升；而即便企业未来对杉数的依赖不再像以前那样大，我们在这个过程中也能收获宝贵的实践经验。」
目前在大量数据的业务场景下，融合运筹学与机器学习的方法能为以新零售、物流行业为代表的领域构造智能化系统，在智能选址上发挥作用。以杉数科技构建的智慧选址系统为例，它采用了「大数据+机器学习+运筹优化」三位一体的选址解决方案，综合全局多业务目标最优的基础上帮助企业。
纽约大学助理教授陈溪在演讲中也提及了仅仅依靠深度学习来解决实际问题的局限性。图像的结构化让深度学习得以提取足够的特征，并在一些应用场景中取得良好的表现，但这并不代表它在解决商业问题上同样能取得良好效果。AlphaGo Zero 通过深度强化学习算法，在围棋这样完全信息博弈的环境下，规则明确，且有既定的目标，因此能有出色的表现。但在如分类和预测这样的实际决策问题上，只依靠深度学习是远远不够的。而反过来说，决策的问题才是实际应用中最需要解决的问题。
一个决策过程需要综合在各种因素中进行权衡，这也是运筹和优化的复杂性及核心所在。特别是，综合历史数据、用户行为与实际购买行为匹配等多种条件下，如何考量决策的效果，也是陈溪博士在本次演讲中启迪大家思考的一点。
而从 UCLA 杰出教授、运营管理顶级期刊 MSOM 主编 Christopher Tang 的角度来看，供应链信息的交汇与融合能够成为「网」状决策，并从预测、优化、模拟及决策链条下进行科学管理。
供应链信息的流动主要从产品供应商，流经制造商、总经销、零售点，最终传递到消费者身上。通过列举 IPE、NIKE、大疆等企业的信息可视化、透明化案例，Christopher Tang 希望供应「网」决策能够影响消费者的决策思维，反过来影响企业的环境可持续发展、社会责任感、经济发展，综合提升企业的经济效益和环境效益。
从学术和应用的角度了解了机器学习、供应链信息与决策的关系后，普洛斯战略顾问、隐山资本合伙人董中浪以《物流：一个正被技术颠覆和解构的行业》阐述了他对物流行业资本层面的理解。在他的观点中，企业纷纷布局零售、电商行业，跑马圈地，本质上是希望尽快抢占一个全国甚至全球性的仓配体系、物流体系。
本质上，这是一个通过技术重构供应链的过程。科技在未来会「横切」物流产业，围绕核心技术，整个产业会从基础设施和应用场景两个层面进行变革，技术将抹平所有的服务界限。董中浪也指出，掌控物流产业中的应用场景是服务商的核心要务。
从代表生产力的 AI（机器智能），代表生产关系的区块链，以及代表生产资料的 IoT 技术，都将更进一步地让物流行业发生巨变。
「数据和 AI 驱动的物流资产所带来运营的高效率，将彻底解构原有的物流产业格局。」从资产角度，董中浪认为，最好的物流公司本质上应该是最好的科技公司，但更进一步地，最好的科技公司也将会是最好的资产管理公司，因为对于一个企业而言，资产的协调与统筹势必在未来将起到更大的作用。
在当今的商业环境下，更海量的数据、更多维的决策复杂度、更多元的决策信息、以及对实时性越来越强的需求，给目前的商业决策提出了更进一步的挑战。
与陈溪博士同样地，斯坦福大学教授、美国工程院院士 Peter Glynn 也指出了机器学习的局限所在，但他主要是从数据缺失的角度来分析的。此外，无从量化的因素在商业决策中随处可见，通过仿真模拟技术应用用于决策的必要性便呼之欲出。结合他在仿真技术框架在模拟与决策中的相应研究，Peter Glynn 向与会观众分享了他在大规模数据下，如何基于随机模拟解决不确定性因素众多的商业决策。
那么在如此繁杂的商业场景下，标榜自己是「真正意义上的人工智能决策公司」的杉数科技，又是从哪些角度来解决这一问题的？
杉数科技 CTO 王子卓在会议最后分享了公司如何在各个业务「打通从数据到决策的链条」。围绕零售、物流、制造业等三大核心产业，杉数科技围绕大规模调度与供应链解决方案，在智慧预测、库存优化、仓储自动化、数据管理、运输优化、智慧选址、生产制造等多个领域做全局统筹，并结合多种业务的约束条件，帮助企业高效低成本地实现资源的优化配置与统筹。
以物流行业为例，最常遇见的三类运筹学问题包括区域的划分和选址（哪个车队负责哪个区域，物流枢纽怎样才能是效率最高和成本最低等问题）、收益管理与定价（如何根据不同服务制定产品线）及运输优化问题。融合运筹学与人工智能学科的交叉，结合「算法+模型」的解决方案，杉数科技能为企业提供多维度、多目标、多场景的配送任务分配以及路线规划建议，能有效实现 10-25% 的物流配送成本节省。
在本期的 AI 大师圆桌会环节上，来自学界与企业的嘉宾通过观点的碰撞，畅谈了零供关系的趋势与机会所在。企业效益自然是以减少成本、提升收益为衡量条件，而以杉数科技为代表的 AI 企业也致力于将这种定制决策的能力赋予更多的公司。更难得的是，杉数科技通过这样一个学术意味浓厚的「AI 大师圆桌会」，一方面强化自己在学界领域的丰厚资源和技术实力，另一方面也为与会的企业人员提供了参考案例，为进一步的合作打下良好的基础。
深度学习训练数据不平衡问题，怎么解决？雷锋网 AI 研习社社区已于即日上线，欢迎移步看看哦！
雷锋网报道。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
