随着数字化时期的到来，外卖市场近年来发展非常迅猛。对外卖物流系统而言，配送效率和用户体验至关主要。而实际配送过程是由配送员（骑手）终极完成的，因此，想要真正提升配送效率，不但要在智能调度系统（订单指派、路径方案、ETA）高下功夫，还要不断提升配送员的“附加”能力，让他们越送越“熟”，越送越“顺”，越送越“快”。以此为出发点，美团点评研发团队设计了骑手智能助手，全面提升骑手的各方面能力。
在 1月份的AICon环球人工智能与机器学习技能大会上，美团点评配送人工智能方向卖力人何仁清分享了《美团骑手智能助手的技能与实践》。讲解如何在利用环境繁芜、用户群体多元化的情形下，以智能耳机和语音交互为载体，并通过大数据挖掘、机器学习、自然措辞处理等技能，让智能助手具备繁芜场景精准识别、做事智能推送，智能勾引、全语音操作等能力。终极在智能、安全、便捷、精准等多个维度上，全面提升骑手配送能力，从而提升全体配送效率和用户体验。以下系演讲内容整理：
AI技能对同城配送的业务代价总体而言，物流业务是一个比较传统的行业，但是随着全体电商、移动互联网和移动支付的兴起，近些年全体物盛行业实现了持续和高速的发展。
上图系中国物流与采购联合会在 2016年发布的一个报告，调研数据表明，全国物流件数环比增长超过 50%，达到 300多亿件。
同时全体物流的用度占比也很高，从图中可以看到，物流本钱已经霸占 GDP的 15%。而在欧美国家以及日本，这个比例大概只有 8%～9%旁边，以是中国的物盛行业还有很大的优化空间。这也是很多公司大力投入去做物盛行业的一个很主要的缘故原由：行业正处于高速发展阶段，而且体验、效率和本钱方面都有巨大的优化空间，大有可为。
下图紧张先容了美团外卖现在的发展情形：
美团外卖从2013年启动，目前大概能够做事 2.5亿用户，已经覆盖1300多个城市，能够为 200多万商户供应做事，日峰值订单超过 1800万。美团外卖智能配送调度系统每天匹配50多万外卖小哥，基于海量数据和人工智能算法，确保均匀配送时长不超过 28分钟。这也是目前天下上规模最大、繁芜度最高的多人、多点实时智能配送调度系统。
我们对美团配送的定位是：做成最大的即时配送平台。
比较传统物流，即时配送包括以下几个上风：
第一点，非常快。从商家发单，比如说一个外卖订单，从下单到用户收到，均匀要在 30分钟内能完成，最慢的也该当在一小时旁边。快，是最主要的一个特点，快，也能够使全体做事的哀求和做事质量得到巨大提升。 第二点，能够直接联系用户和商户。之前的物流基本是从商家接单，要经由很多环节，包括仓储、运输调度、职员配送等等，末了再送到用户，中间几经转手，乃至由不同的公司配送，或者有不同的加盟商。但是即时配送直接将用户和商户联系起来，进而直接影响目标人群，这是很大的一项代价。 第三点，能够承担多种配送场景，不仅仅可以送外卖，还可以送商超、生鲜等等，基本上所有的同城快件，都可以纳入其配送做事范围。总体来说，配送是一个非常繁芜的业务，为了能够便于大家理解，我把这个业务模型进一些抽象和简化，可以用下面这张图来进行解释。
从实质上来讲，配送紧张是把用户的配送需求和线下的各种运力（比如说骑手或车辆之类）进行匹配的过程。匹配分为线下匹配和线上匹配，线下紧张靠运营，线上便是我们技能部门所构建一些系统。从这个层面而言，我们要办理的紧张是在这个需求和运力之间，如何实现最优匹配的问题。
这实在也是一个相比拟较传统的问题，像做广告或者推举，都会面临这个问题，需求是要推举的产品，供给是广告位置，但位置并不是无限多，如何在需求和供给之间达到最好的匹配，这本身便是效率优化问题，只不过广告和推举利用的 CTR预估，而物流中利用的方法更加繁芜一些。
配送中的繁芜性，详细来说有几点：
这是一个NP-Hard问题，打算繁芜度随着规模呈指数级增加。比如是骑手身上 N个订单的路径方案问题，或者是 M个订单与 K个骑手的订单分配问题，这两个都是指数级繁芜度，而且相互关联。 这不但是一个多点取多点送问题，而且随时有新订单增加，具有非常强的实时打算哀求，当一个新订单天生后，须要在几十毫秒内别完成调度运算，比较传统物流中有几十分钟以上的打算韶光，即时配送系统设计的难度要大得多。 配送场景非常繁芜，涉及景象、路况、骑手闇练程度、商家出餐速率等多达几十个成分，极大增加理解空间的随机性和繁芜度，对配送算法的稳定性温柔应力寻衅极大。对美团配送来说，要完成这个任务，须要分为大概三个层次，如上图最右侧所示。
第一层，物流根本构造培植。包括在城市里如何培植站点，如何配备人力，如何配备商家的供给情形。这些根本构造不但深刻影响配送的规模、本钱、效率，而且是物流管理和运营的根本，比如加盟商管理、骑手运营等都需基于这个构造进行展开，因此这些根本构造的浸染非常主要，而且它们较难进行即时调度，非常磨练技能的长期预测和方案能力。 第二层，供需匹配的动态均衡，通过定价机制进行市场调节，包括几个方面：一个是根本定价，比如一个定单来了，到底向用户收多少钱，向商家收多少钱，给骑手多少补贴，这须要考虑很多成分，担保定价的合理、公正。另一个是供需平衡，当碰着恶劣景象等突发情形，通过动态调价办法，实时调节用户需求和运力供给，担保全体系统的稳定与用户体验。 第三层，订单和骑手的实时匹配，也便是派单，在订单涌现后在几十毫秒内分配到一个最得当骑手，并完成多个订单的路径方案。这是一个NP-Hard问题，而且由于不断有新订单天生，须要实时打算，对并行打算引擎的哀求很高。派单的优化目标是：提升整体配送的效率，并担保用户体验，是全体配送系统的核心模块之一。以上，紧张是我们对全体配送的理解，接下来讲述如何利用技能手段来进行落地和实践。
对付 AI问题来说，全体配送在AI问题中的分类该当是什么样？下图给出了一个阐明。
我们可以从两个维度来看AI问题。一个维度，是看机器与人工的比拟，速率上是不是比人工更快，是不是比人工的效果更好。
另一个维度是AI所发挥的浸染。首先是不是能够感知天下，比如说现在做得图像识别、语音识别以及OCR，都是像人一样能够感知这个天下。其次是不是能做到认知，比如说了一句话，“本日景象怎么样”，不但要把语音翻译成文本，这里讲的是“景象”这个实体，还有“本日”这些限定成分。第三便是要做决策，现在比较火的人工智能运用都在“如何做决策”这个层面，而且要做比人做更好的决策。一些代表性运用，比如智能助手，特殊是赞助人进决策权的（谈天机器人会差一些），可以帮你完成更好的任务；比如无人驾驶；比如在物流领域，如何分配订单，并通过无人车或别的办法交付订单；还有在游戏和医疗里面，AI赞助年夜夫做决策，在游戏里面，当用户掉线时，游戏AI可以帮助用户打怪升级。
可以看到在配送层面，我们会涉及智能助手、聪慧物流、无人驾驶等多个维度，而为了提升配送的整体智能化程度，我们构建了自己的“美团配送 AI”，详细来说分为两大部分：
第一部分是信息化，也便是数据网络。举个例子，要网络到什么样的数据？我们要网络到一个商圈的数据，这个商圈可能要风雅到小区和楼宇级别，一个楼在什么地方，这个小区是不是让骑手进来，同时还要网络景象数据，比如风速、温度，是否有雾霾，由于所有数据会影响到配送的效率，用户下单情形，比如本日雾霾，北京的外卖订单量估计会上涨。 第二部分是智能化，也便是构建一整套智能化模块，构成一个智能配送系统，覆盖配送的各个环节。为了完成这个“美团配送 AI”的具有寻衅的目标，并考虑全体行业的长期发展，我们在全体人工智能上的布局如下：
首先是广度方面的培植。我们的目标是配送整体流程和环节进行 AI化，从用户下单开始的每个配送步骤都要覆盖，为此我们整体技能方向的面非常广，不但横跨三个大学科，而且从预测、挖掘、定价、方案、调度和硬件等都要进行技能研究和业务落地。 其次是深度方面的培植。这不单单是指技能方面，比如根本打算框架和模型研究等，还包括技能与配送业务的深度整合，比如配送仿真平台培植，具备进行多配送场景的仿真能力，无需上线就能够对不同业务策略效果进行准确预估。同时还要结合行业情形，供应行业的智能化办理方案，比如在骑手运营方面，更有效的骑手勉励和骑手留存的机制设计。而美团外卖语音助手就属于我们在广度和深度结合比较好的案例。接下来就和大家分享一下我们在全体智能助手的实践和设计过程中，以及在全体物流业务中，如何将人工智能技能更好的落地的一些履历。
美团外卖智能语音助手定位我们为什么要智能语音助手？骑手到底在什么情形下须要智能助手做事，全体做事里面的关键是什么？先阐明一下这个问题。如上图所示，这个是全体骑手在配送过程中碰着的一些环节，可以分为两大部分。
第一部分是线上的决策，而且涉及的决策各式各样。举个例子，这个骑手有定单，要送到一个用户那里，他可能要做几个决策，比如说要不要给用户打电话，由于有些地方是不用打电话的，像住宅楼里面，骑手有很大概率知道这个用户该当在家里的，不用打电话；有些必须打，比如写字楼，由于骑手上不去，以是须要提前打电话让用户下来。
但须要提前多永劫光呢？是提前一分钟，两分钟，还是五分钟？这个问题很关键，如果打电话韶光比较早，用户就会提前下来，会造成用户等待骑手的问题，用户体验不好，可能会有投诉。如果这个骑手非常守旧，到楼下再打，但用户住在 10层，那么用户下来包括等电梯的韶光可能要须要 10分钟，效率会变得非常低。
第二个部分是骑手操作过程，由于骑手会频繁和手机交互。他要查看一个定单，步骤非常繁芜，把手机拿出来，解锁，打开 App，查看信息，做操作（比如说点击完成），末了放反击机，大概须要五到六个过程。如果操作快，也须要 10到 20秒钟。而且很多骑手是在骑行过程中做这些操作的，这样会非常危险。
总结一下，配送骑手碰着的困难可以总结为三个大的层面：
第一，任务繁芜，须要做很多决策，不过繁芜度会随着骑手的闇练度有所变革。 第二，操作繁琐，大概须要五到六个步骤，至少须要 10到20秒，或者更永劫光。 第三，骑手在骑行过程中操作手机非常危险。对付有50万骑手的平台，我们必须考虑骑手在全体驾驶过程中的安全。基于这些考虑，我们做了美团外卖语音助手，它的定位紧张包括以下三点：
第一点便是哀求安全，要做一套全流程的语音交互方案，配送过程中的各个环节都能用语音操作，不须要骑手看手机，解放双手，让骑手更加安全。比如在行驶过程中，有个定单过来了，系统问骑手要不要接单，只要通过指令回答，“是”或“否”，或者“OK”这种，全体过程就完成了；不须要像以前那样的，把手机取出来再进行操作，这个场景非常受骑手欢迎。 第二个，设计极简的步骤，所有操作能在一到两个步骤里完成，第一个步骤是信息播报，第二个步骤通过语音命令完成操作，将原来的五到六个步骤，精简到现在的一到两个。 第三个，供应很多智能化做事。最范例的，刚才说的骑手要去一个楼，用户可能在 5楼，可能在4楼，这个用户下来须要多永劫光，做智能化推举，根据用户的地址信息，系统智能推举打电话机遇，当然还包括像导航之类的根本功能。上文的剖析，基本年夜将我们怎么把智能语音助手在场景里落地的最关键的点剖析出来了。我们要落地，最核心的便是要帮助骑手完成配送任务，而不是“谈天”或者“问答”。这就哀求语音交互全体过程要非常便捷，同时也非常智能。
而我们碰着的第一个寻衅，便是交互模式如何设计的问题。
如上图所示，左侧是一样平常的语音助手方案，须要唤醒、应答、要乞降再应答四个步骤，但是并不符合配送场景的哀求。首先，骑手所在的场景，噪音很大，比如风噪、汽车噪音以及阛阓噪音等等，唤醒比较难实现。其次，须要四个步骤，还要考虑骑手的事情状态，这个操作过程太繁琐。
那怎么办？我们思考，是否能做到一套不须要唤醒的办理方案呢？答案很肯定，可以做！
举个例子，一个骑手身上可能有几个订单，他正在朝一个地方提高，通过场景剖析，我们知道他要给详细哪个用户配送，而且我们能理解用户在这个楼里的几层，下来大概须要几分钟，以是能够推算出来，大概在哪个韶光点提醒骑手打电话比较好。这样我们就可以省略唤醒和应答流程，直接给骑手发提醒，骑手只要回答是或否够可以了。这样设计才符合骑手线下的实际配送情形，能够真正给骑手办理实际问题，才能够真正称之为“智能”。
AI核心技能详细技能分为几个紧张的部分。第一个部分是根本举动步伐，包括语音识别和语义理解，现在这方面开源的东西非常多，做通用的语音识别不是很难。
在我们场景中，要办理各种环境噪音的问题，可能骑手并没有说话，但阁下有些噪音，车的噪音或者别的噪音，乃至路上正在放一个歌，都会被识别为是骑手在说话，以是 VAD（静音检测）方面须要做很多事情。
另一个基本的组件是NLU，自然措辞理解。举个例子，骑手要给尾号 6551打电话，首先系统要知道，骑手的意图是要打电话，后面要调起打电话的操作；其次要知道打电话的工具是谁，是用户，而不是商户，这就要找出用户信息；第三，要做检测，比如骑手已经送完某个订单，再打电话可能是缺点操作，须要提醒骑手。
即时配送场景是一个范例的韶光序列问题。从上面的图可以看出，场景包含前后关联，一个骑手历史的行为和决策会影响现在，同时现在的决策和行为会影响未来，这是个范例的韶光序列问题。
场景识别要办理的两个紧张目标，一个是事宜预测，要知道下一时候大概会发生什么事情，比如骑手是不是已到商家，商家是不是已经出餐；另一个是机遇预测，未来要打电话，到底什么时候打更得当？
为了更好的解释，举个打电话的案例。
首先，要判断是否须要打电话，如果在不须要的场景也频繁提醒打电话，对骑手和用户都是骚扰。上图列举了不同地址类型下骑手打电话的比例，可以看到，像在企业和写字楼里面比例很高，但是住宅区就很低了，由于在住宅区，很大概率用户都是在家的。
其次，要针对每一个小区和楼宇类型，给一个得当的打电话机遇，即提前多久打电话，对骑手和用户是最好的体验。打电话太早，用户在楼下等骑手，体验比较差。 打电话太晚，骑手在楼下等用户，效率太低。我们有精准的骑车轨迹数据，我们知道针对每一栋楼、每个小区，骑手在不同时候打电话时会在楼下勾留多久，以是可以画出一个曲线。得当的区间就在两条红线之间。
前两个紧张是大数据剖析，末了要实时决策，哪个订单，什么时候须要打电话。这里就要根据骑手的实时数据了，包括订单状态、轨迹状态、环境情形等等，结合前面的大数据剖析进行实时的预测骑部下一个配送地点和配送任务，并在得当的机遇通过语音助手给出提醒。
详细到实现方面，场景识别须要三方面的技能：骑手轨迹挖掘、机器学习和数据挖掘。
先先容一下轨迹，我们每天能有几十亿次的定位数据，进而可以基于这些数据做很多事情。
第一，可以精准知道 A、B两点间最好的导航办法，比较第三方舆图，可以挖掘到 A和 B间可能有可能有更好的骑行通过办法。 第二，光有轨迹数据还不足，我们还须要办理室内定位问题，室内 GPS定位已经不足用了，须要新的技能体系。比如 WiFi定位，同时还须要设计硬件，比如在商家支配硬件，判断骑手是否到店 第三，传感器的利用，无论在室内还是在室内时候，我们不但要知道骑手的精准定位，还要知道运动办法，比如是勾留、步辇儿、骑行，是爬楼还是坐电梯，这些信息不但判断骑手在到底做什么。而且能够风雅刻画配送难度，在定价和调度上非常有代价。我们可以通过骑行轨迹来改动导航和定位。来看两个例子。
第一个例子（左侧）用户不才单时定位的分布，由于大家在室内下单，定位偏离是非常大的。但通过骑手轨迹的改动，实际上大概只有四个点，每个点可以认为是这个这栋楼的一个门口，这大幅提升了用户的定位精度，让骑手配送更随意马虎。
第二个例子（右侧）通过骑手轨迹对 AB两个点的骑行路径进行改动，上图中轨迹剖析创造了更短路径，穿过小区更节省韶光；下图中，原舆图导航要跨过中间过街天桥，但通过轨迹创造更多骑手是绕行通过，这才更符合真实的情形。
下面先容一些机器学习干系技能，紧张是运用在各种韶光预估层面。
只有高精度的 ETA（估量到达韶光）预估，这样才能更加准确的预测骑手行为，我们会做三个维度的风雅预估，包括平面的配送时长、高下楼时长以及商家出餐时长。这样才能比较全面和风雅的刻画骑手的配送过程。
为此，我们做了很多根本事情，比如实时特色平台，机器学习平台，包括深度学习在内模型等各种机器学习干系事情。同时我们还会做比较风雅的配送知识图谱培植事情，比如风雅化地址解析。
地址对配送来说是非常主要的信息，通过 NLP和舆图搜索的方法，解析成层次构造，对剖析商圈、楼宇维度的画像非常有帮助。我们把一个地址分解为四个层次，小区、楼号、单元号和楼层等。个中要办理很多实际问题，比如用户填写的信息完备不标准、存在歧义等问题。
做了这些事情之后，能实际产生的效果还是很故意思的。我们通过“高下楼韶光”这个详细场景来进行剖析。
第一张图，是不同楼宇的高下楼时长，左侧两个是厦门的两个楼宇的韶光，右侧两个厦门均匀值和全国的均值。可以看到，不同楼宇的高下楼时长还是存在很大差异，无法大略利用城市或者全国维度的均值进行替代。 第二张图，是不同楼层的高下楼韶光，从 B2开始到 8楼。有个很故意思的是，高下楼时长与高度不是线性关系，大概在二楼、三楼和四楼时，相隔的韶光很长，但是到了五楼、六楼、七楼，韶光差就很小了。缘故原由很大略，楼层较低时，骑手可能会选择爬楼。高层则选择乘电梯。不同楼层之间勾留韶光很短，越往上韶光间隔越小。 第三张图，是不同城市的高下楼时长分布，最故意思的是黄色的线，也便是重庆的整体高下楼时长明显偏长。由于重庆是山城，屋子常常在半山腰上，与平原比起来其高下楼的难度当然更大。 整体效果上面整体先容了语音助手依赖的场景识别技能，现在先容一下语音助手的整体效果。首先语音助手供应了四个核心功能，包括定制耳机、语音交互、场景识别、智能勾引等。
为什么要定制耳机呢？在骑手的利用环境中，须要战胜很多噪音，很难通过软件和程序去做，而必须通过硬件去做。以是我们和厂商进行互助，定制去噪效果好的硬件。
第二个功能是语音交互，它可以在派单、查询、取餐、拨打电话等配送全流程中实现语音交互，骑手全体过程中不须要看手机，只要耳机提醒就可以完成智能配送。
第三个是智能勾引功能，包括安全驾驶提醒，信息播报，任务舆图勾引等，紧张是让骑手行驶更加安全，供应全面的信息做事，让骑手配送更加方便和高效。
下图是智能语音在线下推广中的一些实际数据。
蓝色的线是利用语音助手的骑手的操作次数，绿色的线是不该用的操作次数。可以看到，操作次数明显低落。但是还没有降为 0，有两个缘故原由：骑手在静止状态下，不须要利用语音助手；有些骑手的蓝牙耳机还没有下发到位。再来看下一张图：
左图是骑手接单韶光时长分布，越往右骑手接单的韶光越长，用户体验越差。绿色的线便是之前骑手手动接单的一个分布，长尾情形比较严重，通过语音接单，接单时长明显向左侧靠拢，整体接单时长明显缩小，比较好的提升了用户体验。
右图是骑手在用户交付外卖所花费的韶光的比例，横轴是骑手在楼下等待用户的时长，越往右，骑手在楼下等用户的韶光越长。通过语音的提醒后，可以明显降落骑手永劫光等待的情形，节省了大量骑手的韶光。
写在末了总结一下，语音识别和语音助手在实际落地过程中面临很多寻衅，而且大多和场景有关系，场景识别非常主要，乃至比语音识别更为主要。
由于语音识别现在已经是比较通用的技能了，而且有很多专业厂商供应做事，硬件也是如此，进行定制化相比拟较随意马虎。因此目前做一个软硬件结合的语音助手，从根本技能来讲都不是问题，想做一个 DEMO并不会存在太大的技能障碍。
反而在详细的业务中，如何结合业务场景，把语音助手落地，才是我们须要真正考虑的。也便是说，如何将语音助手从“能用”做到“好用”，再做到让用户“乐意用”，这些才是未来语音助手面对的真正寻衅。
语音识别和语音助手在实际落地过程中有很多寻衅，而且和场景有关系，场景识别比较主要的，乃至比语音识别更为主要，由于语音识别现在已经是比较通用的技能了，如何结合业务场景，把语音助手落地、用好，可能是未来一段韶光的寻衅。
为了实现配送的全面智能化，美团点评在个中做了大量事情和考试测验，这里不单单是要做好机器学习，还包括如何进行更好的实时运筹优化、实时空间数据挖掘以及人机交互等多个方面的技能内容。
作者简介 仁清，美团点评配送算法策略方向卖力人。2016 年加入美团点评，卖力美团配送业务的算法整体方向。包括智能调度系统，智能网络方案系统、机器学习平台、配送仿真平台等，全面支持美团专送、快送、跑腿等多个业务方向发展。加入美团点评前，曾任百度凤巢团队 T9 架构师，从事搜索广告 NLP、数据挖掘、检索技能方向研究。