一周人物 一周数字
地方经济资料库

AI智能时代,商业的真相到底是怎样的?

2017年06月27日 14:33   来源:中国经济网   
[字号 ]

     中国经济网北京6月27日讯 商业智能时代,量化决策势不可挡,如何从汹涌的AI泡沫中找到正确方向?AI智能时代,商业的真相到底是怎样的?

  6月24日,首场深度AI系列论坛“AI大师圆桌系列”首场在京开讲,Stanford讲席教授叶荫宇坐镇,佐治亚理工学院、明尼苏达大学、纽约大学、清华大学青年领袖学者助阵,从深度学习在时空大数据分析中的应用谈开,详细解剖商业智能中的机器学习、深度学习,以及少为人知却直指真实场景中复杂决策的运筹学。

  王子卓:“定价策略”是公司的“生命线”

  杉数科技CTO、明尼苏达大学助理教授王子卓首先谈到由数据驱动的定价策略,他认为好的定价策略是一家公司的“生命线”,在比较广泛的意义上来说,一个好的定价策略,需要在正确的时间,正确的地点,以正确的价格,把正确的服务和商品卖给正确的消费者。如何在价格和需求量之间找到平衡,获得最大收益,需要企业充分利用数据进行智能决策,机器学习、人工智能技术、运筹学的技术都是必不可少的。

  在不同的商业领域里,有很多不同的定价场景,具体的定价场景非常复杂。他将定价场景分为6大类。

  以标准定价为例,在杉数科技和多个互联网企业的合作中,就需要刻画消费者的商品选择行为,从而利用消费者对不同商品的需求关联性,推动消费者在一次消费中购买多件商品,以提升单次消费的客单价,增加收益。这就需要综合考虑采销业务需求或公司战略要求、商品的历史销售与价格数据、及基于用户行为数据分析得到的消费关联特性,构建联合定价的商品池;基于联合定价商品池,综合考虑友商价格、季节性、促销、替代品与互补品等因素的影响,构造出需求函数模型,并在此需求函数形式下构建多SKU联合定价方案,实现全局销售收益最大化。产品量达到百万级。

  王子卓博士指出:“之前很多人觉得,销量、利润、营业额,这几个可能是互相矛盾的指标,可能说想提升销量就必须降低利润,但是实际上并不是这样。我们在这里进行组合优化之后就可以发掘每一个SKU它的一些特性,充分利用每一个SKU它自身的一些特性,可以达到对这些指标的整体的提升。这也是我们觉得用数据驱动的这个定价非常有潜力的一点。”

  陈溪:机器学习应该如何做决策

  纽约大学助理教授陈溪介绍了前沿机器学习应用,解答通过机器学习应该如何做决策的问题——真实商业场景中的问题都是决策问题,好的预测并不等于好的决策。目前,人工智能对于决策或逻辑上的推导还相对薄弱。因此,传统的机器学习虽然在飞速发展,但也迫切需要与运筹学、统计学结合起来,才能够使机器学习在商业当中得到广泛应用,让用户产生的数据变得更有价值。

  在演讲中,他生动地讲解了多臂老虎机问题(Multi-Armed Bandit Problem,MAB):不同老虎机有着不同的收益反馈,但每一次拉动老虎机时,老虎机的反馈数值是随机分布的。如何进行最少的尝试、尽可能多地确定老虎机的整体收益反馈水平,映射了很多实际生活的问题。多臂老虎机MAB算法有着广泛的商业用途,比如电商可以把该算法用于某个产品消费群体的认知和开发。

  李建:时空大数据分析应对复杂商业场景

  清华大学助理教授李建的分享聚焦时空大数据分析,以深度学习应用的五个例子详细阐述深度学习应用的难点、重点、要点。为人所熟知的深度学习往往是图像识别、人脸识别、语音识别,或者说自然语言处理。而将时空大数据和深度学习结合起来的并不常见。时空大数据的特点是,数据类型非常丰富,比如GPS、订单数据、天气数据、路况数据等等。这与语音识别、图像识别不同,需要把不同质的数据组合起来进行学习和预测,来应对这一复杂商业场景提出的实际挑战。

  通过对于交通路况的预测,可以解决网约车供需匹配、交通部门协管交通状况等等问题,而订单预测则对于在线租车的车辆调度、物流网点的资源匹配等十分必要。物流公司和其他相关产业的选址问题、无人驾驶对于障碍物的预判等等也都需要相关的辅助。时空数据在各行各业中海量产生,对于这些数据的合理挖掘与利用可以帮助生产者乃至整个社会提高生产效率。

  蓝光辉:优化算法在机器学习、深度学习中的应用

  佐治亚理工学院终身教授蓝光辉的演讲则围绕(大规模)优化算法在机器学习、深度学习中的应用展开。近几年,机器学习和人工智能得到突破性发展,在银行、保险、营销、通讯、医疗等等领域得到了广泛应用。他指出,在这些商业应用中,“除了用机器学习来做预测以外,最重要是要做决策。建立模型再做决策,涉及到优化的系统集成,不管是在机器学习过程中还是在决策过程中,都需要用到优化模型或者算法。”优化算法的系统集成,即求解器(Optimization Solver)。问题规模、难度越大,求解精度越高,对于求解器的要求也就越高。

  叶荫宇:AI的发展趋势

  斯坦福大学讲席教授叶荫宇结合杉数科技的实际案例分别讲解路径优化、库存管理、投资组合三大应用。1982年就去美国斯坦福大学读书的他看待今日的AI热潮,有着独特的历史眼光。对于AI的发展趋势,他提出三个观点:

  1、未来数据量会几何增长,模拟规模也飞速增长,所以需要超大规模的优化算法,比如工业4.0的智能排程与生产,需要超大规模的的线性非线性规划,优化算法;

  2、要从实际的角度考量,如何实现算法的大规模高效实现,特别是并行化与集群化,使得其与软硬件充分结合发挥其最大效能,例如如何利用GPU实现一些复杂二阶算法的并行运算,都是目前研究的热点与难点。

  3、在AI的应用上,要考虑如何充分发展可以应用于具体场景的高效算法,如智慧供应链,智能金融,健康管理等领域。

(责任编辑:彭金美)