Ele.meにおける人工知能の応用

[[212221]]

Ele.meについて

ほとんどの人がテイクアウトを注文したことがあるでしょう。テイクアウトは中国で食事のスタイルになっています。テイクアウトの注文規模は誰もが驚くかもしれません。中国で最大の分野は、タオバオやJD.comなどの電子商取引です。2番目に大きい分野は、滴滴出行やUBERなどの旅行業界です。次はシェア自転車です。これらの企業からの注文総数は、1日あたり約2,000万〜3,000万件です。食品配達業界では誰もが知っているように、この業界では現在までにすでに 1 日あたり 2,500 万件の注文が処理されており、この業界が急速に発展していることは想像に難くありません。なぜデータとアルゴリズムがそれほど大きな役割を果たすのでしょうか? それは、インターネット+ 時代には注文が非常に多く、少なくともデータ業界ではやるべきことがたくさんあることを誰もが知っているからです。

2500万件の注文の中で「Ele.me」が辿ったシナリオとは？ モバイルアプリを開いて、お気に入りのレストランを見つけることができます。誰もがレストランを選び、好きな食べ物を選びます。この行動は料理を注文する行為ですが、実はTaobaoで服を買ったり、Ctripで航空券を買ったりするのと同じです。前回は、電子商取引プラットフォームで取引される食品についてでした。今では食品だけではなく、花や薬も購入でき、地元での買い物や配達サービスなども行われています。電子商取引はまだ序章に過ぎません。電子商取引がどの程度の規模に達しているかご存知ですか？ 「Ele.me」には2億6000万人のCエンドユーザーが登録しており、Bエンドの加盟店は130万社にのぼり、毎年数千万件の注文が寄せられています。これは、電子商取引プラットフォームである当社の食品配送業界の一部です。

2 つ目は、この写真ではライダーが箱を持って歩いているか電動自転車に乗っているのがわかります。実は、これはローカル物流プラットフォームです。なぜローカルを強調するのでしょうか。それは、私たちの業界の特殊性が他の物流業界とは異なるためです。他の業界は到着までに数日かかりますが、私たちの業界のローカル物流は30分以内に手元に届けられなければなりません。そのため、このアーキテクチャを設計する際には大きな課題に直面しました。これは少し異なりますが、後でアルゴリズムモデルについて話すときに明らかになります。私たちはローカル物流を行っているため、非常に厳しい時間的制約があります。

現在、配達員は300万人います。全国で毎日平均30万人から40万人の配達員がオフラインで活動しており、いつでも注文を受け付ける準備ができています。これはDidiと同じ運営モデルで、現在では全国2,000以上の都市をカバーしています。

AI @ Ele.meについて

第二部は「Ele.me」におけるAIの応用についてです。なぜこの業界に人工知能が必要なのでしょうか?地域生活の基盤として、食料、衣服、住居、交通手段が非常に必要であることは誰もが知っています。それぞれの方向には多くの大手商人が存在します。彼らの技術的課題の違いは、ビジネスモデルから生じているに違いありません。

これについて簡単に説明しましょう。まずはタオバオです。ほとんどの人はタオバオを使うと思います。タオバオはオンラインショッピングで最もよく使われるプラットフォームです。主にユーザーと商人で構成されています。オフラインについては、皆さんご存知のとおり、同じ都市であれば当日配達です。オープンプラットフォームでは注文が増えています。注文後、配達されます。これはSFエクスプレス、Cainiao自体、またはSFエクスプレスによって配達されます。これはオープンプラットフォームです。最も重要な点はタイムリーさで、通常は日数で計算されます。いわゆる残業代はありません。これはタオバオの場合です。

Ctripを例に挙げてみましょう。ホステルやホテルを予約できます。オンラインビジネスは主にユーザーと販売者に基づいており、オフラインでの注文はありません。

フードデリバリー業界に特に近い企業はDidiです。実はUberも海外で大成功を収めています。ビジネスモデルから見ると、Didiとフードデリバリーは非常に似ています。 Didi はオフラインとオンラインの両方でユーザーとドライバーのコミュニティであり、注文フォームもフランチャイズを通じて、またはドライバーがオンラインで登録して輸送能力を引き受けるクラウドソーシングです。交通事故が発生するかどうかは誰にも予測できないため、ドライバーは残業で罰せられません。時間制限は保証できないため、Ele.me と非常によく似ています。最後に、「Ele.me」とフードデリバリー業界について触れました。

まず、オンラインは主にユーザーと商人で構成されており、オフラインの注文の方が多くなっています。ブルーライダーの中には「Ele.me」の従業員、つまり自営の人もいますが、チームやフランチャイズもあります。もちろん、クラウドソーシングもあります。たとえば、今日は会議があり、午後に4時間あれば、いくつかの注文を配達できます。これはクラウドソーシングの一形態です。タイムリーさは分単位で計算されます。実際、私たちは長い間目標を達成してきました。全国平均で30分以内に注文を配達でき、残業補償も提供しています。配達が30分後に10分以内に到着しない場合は、補償として赤い封筒があります。残業補償のプレッシャーは比較的高いですが、顧客にとって、これは不十分なサービスに対する一種の補償です。

上記を踏まえて、私たちは大きな枠組みに入りました。それは、フードデリバリー業界には3つの大きなことがあるということです。1つは機械学習であり、業務の最適化は実は機械学習と切り離せないものです。業務の最適化に関しては、ビッグ データが業務の最適化の基盤として非常に重要な役割を果たします。この図が非常に興味深いものであることがおわかりいただけると思います。ビジネスにおけるアルゴリズムの問​​題について、あと 2 分ほどお話しします。大まかに 3 つのレベルがあります。草の根の食品配達業界は、30分以内に顧客に食べ物を届けることを望んでいます。20キロや30キロ離れた場所に食べ物を届けるのは不可能です。飛行機が使えない限り、30分で10キロを配達するのは不可能です。このような状況を踏まえ、すべての業界は現在オープンな APP ポジショニングをベースとしており、半径 3 キロメートルまたは 5 キロメートルの範囲である可能性があります。LBS は、オペレーターがさまざまな推奨や検索を基礎として行うことを保証し、次の 2 つのレイヤーは機械学習と最適化です。それでは、これら 3 つの部分について詳しく説明します。

第一に取引

中央のモジュールは、ユーザーと販売者の階層化、推奨検索、スマート補助金であることがわかります。これらの主要な方向性は、どの電子商取引会社でも実行する必要があるものです。

非常に詳細なユーザー ポートレート システムに基づいて、ユーザーと販売者のライフサイクルを厳密に管理したいと考えています。これに基づいて、適切な推奨、検索、補助を行います。たとえば、ユーザーが休眠期間に入った場合、特定の方法で顧客を刺激します。

2番目: オフライン

取引が発生すると、30 分以内にテイクアウト商品をユーザーに届けたいと考えています。これには機械学習による計画が必要です。インテリジェントなスケジューリング、食事の準備時間と配達時間の見積もり、ダイナミック プライシングなどのモジュールについて詳しく説明します。インテリジェントなスケジュール管理はスケジュール管理の一部です。当社の 30 分には、準備時間、移動時間、さらには階下に商品を届ける時間やエレベーターが到着するまでの待ち時間なども含まれます。そのため、30 分には予測できないことがたくさんあります。では、圧力バランスとはどういう意味でしょうか?ご存知のとおり、オンライン取引は当社の物流とは相反するものです。オンライン取引では、できるだけ多くの注文をいただき、数秒以内に数千万人のユーザーがアクセスすることを望んでいます。しかし、一度に30分以内にすべての注文を配送することはできません。圧力バランスを実現するために、取引、物流、流通のバランスを確保し、ユーザーの熱意を失うことなく取引品質を実現する必要があります。

3番目: 下

この2つについて話した後、基本的なことを見てみましょう。では、前の図を見てみましょう。左側には、サイトの推奨などが含まれています。先ほど、配送はローカルであると述べました。商人が配送場所を決めるとき、彼は円を描きます。たとえば、円や六角形を描きます。これは何気なく描かれているわけではありません。まず、この場所は高速道路や高架である可能性があります。すべての人のプラットフォームが同じではありません。一部のユーザーは常に安い注文をするかもしれません。グリッドとサイトを計画するときは、すべての要素を考慮します。これには、多くの運用最適化の問題が含まれます。最後の例では、サイトの選択とグリッド計画の問題について説明します。簡単に言えば、私たちの 3 つの部分には、私たちのビジネスにとって非常に重要な人工知能に関するすべての取り組みが含まれています。

オペレーションズリサーチの最適化と応用例について

この部分を、機械学習の応用事例と機械学習の社会最適化の事例の2つに分けて説明します。

ケース1: 推定提供時間

1 つ目は、食事の配達時間の見積もりです。ここでは Didi を例に挙げます。待ち時間の見積もりはどのくらいですか? たとえば、Didi のシナリオで注文すると、たとえば浦東空港に行きたい場合、車が 2 キロメートル離れており、3 分で到着すると表示されます。3 分が推定待ち時間です。 「Ele.me」は注文をするのと同じで、準備に約20分かかります。早く到着するよりも、ちょうどいい時間に到着するほうがいいと思います。私のプラットフォームでは、ライダーはちょうど20分で到着します。早く到着すると、ライダーがそこで待つのはもったいないですが、遅れると注文が時間を超えてしまう可能性があります。

食事の提供時間の正確さが鍵です。注文が完了したとき、注文が完了するまでにどのくらいの時間がかかるのか、どうやって知るのでしょうか。これは、レストランの食事の準備時間、カフェテリアで食事をするユーザーの数、料理の種類、調理方法、注文のサイズなど、多くの要因によって左右されます。食事が準備された後の通知もありません。たとえば、レストランに多くの顧客がいる場合、通常の時間には食事の準備に5分かかるかもしれませんが、人が多すぎると不可能になる場合があります。また、製品カテゴリの問題もあり、その日の天候、レストランの出席率、レストランのシェフが休暇を取って突然人が数人減るなど、さまざまな理由もあります。これらはすべて、不正確な見積もりの​​理由の1つです。私たちは、レストラン側が準備ができたら教えてくれたら、それで出発すればいいのではと考えました。この理論は実現可能です。レストランの厨房がどのようなものか想像してみてください。油まみれの手でシェフが出てきて、注文を受け、次の注文を出すところを想像してみてください。これは想像しにくいですし、この点に関するデータもありません。これは前提です。私たちの解決策は間違いなく機械学習です。最も単純なバージョンは線形モデルです。最初は効果があまり良くありませんでした。徐々に後で使用されるGBDTに進化しました。誰もがそれに精通しています。特別な平均ではなく、シナリオ内の平均を達成できます。また、食事の配達時間は10分なので、7分から13分に固定することができ、精度率が高くなります。

平均を強調するのは、特殊なシナリオがたくさんあるからです。シェフに何かが起こった場合、機械学習は過去の出来事に基づいて未来を予測することしかできないため、私たちにはわかりません。緊急時のための製品ソリューションもいくつかあります。たとえば、レストランの料理の配達量と注文量が直線的に増加しておらず、前方に混雑が予想される場合は、データに基づいてプラットフォームをリアルタイムで調整します。

最後に、現在使用している手法はディープラーニングです。LSTM を使用します。この記事の右側の図をご覧ください。時間相関によって予測の精度が高まります。配達時間が過去の注文と関連していることは疑いの余地がなく、説明の必要はありません。しかし、なぜ未来と関連しているのでしょうか? 今後 3 ～ 5 分以内に新しい注文があると予測していますが、それらは既存の注文と共通点があります。同じ料理かもしれませんし、共通点があるかもしれません。同じ料理はキッチンへの注文であり、料理は一緒に調理できます。このモデルはこれらの特徴も捉えることができることがわかりました。これは注文の割り当てや注文の梱包にも役立ちます。

ケース2: 移動時間の推定

移動時間はこのように見積もられます。注文が完了すると、ライダーは注文を受け取り、オフィスまたは自宅まで走ります。これが移動時間の見積もりです。DidiがA地点からB地点まで移動するための交通手段は間違いなく車であり、Amap、Googleマップ、Baiduマップなどの大量の地図データがあります。これらのデータはリアルタイムでサーバーにアップロードされます。

このような交通状況の予測はすでに比較的正確です。「Ele.me」のシナリオと比較すると、情報がはるかに少ないです。まず、ライダーは歩く、エレベーターに乗る、階段を上り下りする、電動自転車に乗る、または交通手段を乗り換える場合があります。これは、データ収集が極めて不正確になる直接的な原因です。もう1つ言及された点は、建物内の交通が複雑であり、このデータを取得するのが難しいことです。私たちが仕事をしているとき、レストランと顧客はすべて建物の中にいます。建物内には GPS 信号がないか、あまり良くありません。受信するデータまたは測位誤差は数百メートルにもなります。

したがって、事前に時間を推定するには、軌跡を確立する必要があります。Amap や Tencent Baidu Map の時間推定は履歴データに基づいているため、最初のステップは履歴データをクリーンアップすることです。屋内測位は不正確であるか、完全に欠落している場合もあります。この場合、さまざまな方法を考えました。WIFI 信号、GPS 信号を使用するか、全員がお互いの位置を特定して、測位の欠落の問題を最小限に抑えます。次に、測位が達成されたとしても、その場所には GPS 軌跡と多くのノイズがあるため、ノイズ除去が必要です。位置決めアルゴリズムを使用して、関連する時間、ポイント O、ポイント D を組み合わせ、最後に軌跡のクラスタリングを実行します。

ケース3: インテリジェントな注文分割

Didi と当社では注文を分割する難しさが異なります。Didi のシナリオでは、1 人のドライバーに割り当てられる注文は最大で 2 つまたは 3 つになります。 Ele.me では、1 人の配達員が 1 つのバッグに同時に 5 ～ 10 件の注文を詰め込みますが、注文間に時間制限があり、多くの時間厳守要件が課せられます。

2 つの解決策についてお話しします。1 つ目は、非常に伝統的な VRP である経路計画問題です。

注文をいただいた場合、乗車人数と料金が決まっているため、一致するルートを見つける必要があります。注文ごとに約束された時間は異なり、時間制限を超えることはできません。デフォルトモードでは、配達員は一度に 5 ～ 10 件の注文を配達できます。各注文には厳しい時間制限があり、ランチラッシュ時には注文数が爆発的に増加します。  

解決策1は車両経路計画である

• 入力: 注文、ライダー、容量、コスト。
• 出力: 注文と乗客および移動ルートのマッチング。
• 最適化の目標: 時間または運転距離を最小限に抑える。
• 制約: ライダーが運ぶ注文数、ライダーの数、最遅到着時間など。

シミュレーテッド アニーリング アルゴリズムを使用しました。シミュレーテッド アニーリング アルゴリズム (SA) は、モンテ カルロ反復解法戦略に基づくランダム最適化アルゴリズムです。探索プロセスに、最終的にゼロに向かう時間変動確率ジャンプを与えることで、局所的最小値に陥ることを効果的に回避し、最終的にグローバル最適なシリアル構造最適化アルゴリズムに近づくことができます。理論的には、このアルゴリズムは確率的なグローバル最適化性能を備えており、エンジニアリングで広く使用されています。VLSI、生産スケジューリング、制御エンジニアリング、機械学習、ニューラルネットワーク、信号処理などの分野で注文を割り当てるために使用されます。ただし、時間の見積もりが準備されていないため、最終結果はあまり良くありません。パスを計画するときに、最初に行くのは注文Aですか、それとも注文Bですか、時間に誤差があると、パス計画は非常に悪くなります。

最後に、多数の関数に基づく組み合わせアルゴリズムでもある 2 番目のアルゴリズムが使用されました。

左下隅にマトリックスがあります。各行は注文、各列はライダーです。いくつかのルールと機械学習アルゴリズムを使用して計算したいと考えています。右側は注文のマッチングの結果です。

最適なマッチングは KM アルゴリズムです。スケジューリング アルゴリズムの最も初期の進化は VRP でした。

その後、KM アルゴリズムが登場しましたが、この基本的なフレームワークが定義された後も、やるべき作業はまだたくさん残っていました。注文はパッケージ化できるため、実際には注文は類似しています。数分待つだけで、この注文はあの注文と非常に類似している可能性があります。同じ場所に行き、同じ人に注文を渡すだけです。そこで、注文の梱包と吸水が最初に行う作業ですが、ピーク時とオフピーク時では注文のルールが異なります。2方向に道路があり、2方向に角度の異なる場所があります。そのため、注文マッチングモデルはバージョン2.2をベースに作成され、機械学習を使用して履歴データでトレーニングします。ここでもいくつかの課題に遭遇します。異なるステーションの配達員は習慣が異なるため、プロモーション時に問題が発生します。誰もがステーションAでは大丈夫だと思いますが、ステーションBではそうではありません。今では千地点一面のものがあり、類似のステーションの履歴に基づいていくつかの状況を共有しています。これらのモデルを使用してトレーニングすることで、類似のステーションでは注文の分割方法が似通うようになります。なので、この注文分割方法は特に嫌いではないでしょう。いくつか類似点があるので、バージョン 2.3 を作成しました。現在のバージョンは学習が強化されており、リアルタイムの状況に応じて動的な調整を行います。

レストランの立地選定については、ここでは詳しくは触れません。私たちは実際に企業と協力してレストランをオープンし始めています。私たちは皆、レストランが最も多くのユーザーをカバーできる最適な場所を選びたいと考えています。料理もユーザー層もそれぞれ異なるため、立地選定は非常に重要です。

終わり

本日の私のテーマは応用実践です。私は個人的に 10 年以上機械学習に取り組んできましたが、私の仕事における課題は基本データの完全性と正確性にあります。先ほど申し上げたように、データが不正確であったり、レストランが不規則であったりと、正確な状況が把握できないこともあり、基礎データの調整に多くの時間を費やしました。 2 番目に述べた点は、フードデリバリー業界では人間が実行する必要があるため、アルゴリズムの改善と人間の行動の理解がより重要であるということです。以前は、手動での割り当ては電話を介して行われ、多くのコミュニケーションが必要でした。現在は機械が一度にタスクを共有しますが、これは機械にとって理解するのが困難です。さらに、機械は局所最適ではなく、人間にはできない全体最適を考慮します。アルゴリズムの改善と製品の運用を組み合わせることによってのみ、この問題を前進させ、全員に習慣を身につけさせることができます。 3 つ目のポイントは、最適化アルゴリズムと機械学習が私たちの業界では相互に補完し合っていることです。機械学習だけでなく、より重要なのは、いかに短期間で人材を最適に配分し、最短時間で注文を完了できるかということです。皆様ありがとうございました！

何かアイデアがありましたら、下部にコメントを残してください。ありがとう！

著者について

Ele.me の技術担当副社長である Zhang Hao 氏は、人工知能とビッグデータの開発を担当しています。チームを率いて、物流スケジュール、圧力バランス、食品推奨などのシナリオに機械学習を適用し、データマイニングを通じて完全なデータ運用システムを確立し、データとインテリジェンスでビジネス開発を推進します。機械学習、データマイニング、配信分野で10年以上の経験を持ち、Didi研究所、米国Uberビッグデータ部門、LinkedIn検索分析部門、Microsoft Bing Voiceグループなどのシニアディレクターを務め、機械学習とビッグデータ業務に従事。