智能化转型为快递行业带来服务 “质变”

英特尔® 架构 AI 核心软硬件产品助韵达提升快递物流系统运转效率

下载文档

快递与移动互联网、电商一起,被人们亲切地称为现代生活的“吉祥三宝”。快递小哥按下的清脆门铃声,已成为许多人心目中最美妙的音符。创立于 1999 年的韵达股份(以下简称“韵达*”),借此东风,历经十余年的高速发展,已成长为服务网络覆盖全国,拥有完备快递物流全产业链的行业巨头。

韵达在随全行业高歌猛进的同时,也清醒地意识到风险与机遇并存。随着业务量暴涨,其传统的人工作业模式,既费时费力,又无法保证质量。同时,人口红利的减少,也使人力和物流成本日益高涨,这些因素,正在形成制约韵达进一步发展壮大的瓶颈。

因此,利用自动化、智能化手段来节支增效、提升快递物流系统的效率,就成为了韵达应对上述挑战的重要手段。为此,它积极与英特尔等信息技术行业巨头开展深度合作,积极引入以人工智能(Artificial Intelligence,以下简称 AI)为代表的前沿技术手段,将之与传统快递物流行业的业务相融合,为自身及行业带来了智能化变革。

针对韵达的需求,英特尔不仅提供了英特尔® Analytics Zoo 大数据分析和 AI 平台、英特尔® 至强® 可扩展处理器等一系列领先硬件、软件产品及技术,还与韵达开展了全方位的技术交流与协作,助力韵达在“大小件测量”、“数据中心异常检测”以及“件量预测”等多个关键环节上构建起高效的 AI 应用,这些应用在实践部署中均达成了良好的效果,获得了韵达从一线员工到管理层的一致好评。

韵达 AI 解决方案优势:

• 能快速实现端到端的 AI 应用开发与部署能力,并提供强有力的技术支持;

• 显著提升快递物流系统的运行效率,缩短配送时长,提升用户满意度;

• 更好地优化物流资源,包括对货运车辆、分拣人员、包装物料等资源的使用;

• 大幅降低人力成本支出和物流成本支出。

互联网与电商的蓬勃发展,已经让快递成为大众生活中不可或缺的元素。来自中国国家邮政局的统计数据表明:2017 年中国全年快递业务量已突破 400 亿件,“双 11”期间日处理量更高达 3.3 亿件1。高速发展的快递行业,也孕育出了像韵达这样的行业龙头型企业。凭借遍布全国的服务网络,4,300 余条干线运输线路2,韵达正致力于为亿万用户提供优质、便捷的快递服务。

然而荣景之下,必然会酝酿新的挑战。随着行业日趋成熟,尤其当“人口红利”逐渐褪去时,快递业这一劳动力密集型产业,就已经无法再凭借扩大人力规模的传统模式来实现线性增益,逐渐走高的人力成本,正在成为企业发展的重担。正如商界巨子施振荣先生的“微笑曲线(SmilingCurve)”理论3 所体现的那样:一个行业在其早期阶段,在低效率的底部同样也能获得高速发展。随着竞争压力的加剧,如果技术不能提升,策略不能领先,企业的利润则将逐渐微薄,进而转为亏损。

引入自动化、智能化设备来提升效率就这样成为整个快递行业的共识。多年前,韵达就已开始尝试在快递物流体系中引入自动分拣、地址归集、车牌识别等技术手段,并在提升各环节运作效率上取得了良好效果。但在韵达看来,这些技术手段更多地只起到了“手”和“脚”的作用,要深层次地推动行业技术进步,更需要解决“头脑”的问题。

快递物流体系要做到运筹帷幄之中、决胜千里之外,关键在于能否建立起端到端的资源配置和优化策略,而这正是 AI 技术擅长之处。围绕着 AI 三元素:数据、算法和算力,高达 4.7 亿件的年揽件量让韵达拥有了开展 AI 技术研究的数据基础2,而与 AI 行业领先的核心技术提供者—英特尔公司一起开展的深层次技术合作,则为其补齐了算法与算力的短板。

算法或者说是 AI 软件的优化层面,英特尔为韵达提供了基于Apache Spark* 的英特尔® Analytics Zoo 统一分析与 AI 平台。它能以端到端的方式,助力韵达快速敏捷地构建 AI 应用,用于图像识别、时间序列预测等多个应用场景。在算力支撑上,来自英特尔的新一代英特尔® 至强® 可扩展处理器,则能为 AI 应用提供更为强劲的算力,使之充分释放潜能。

如图一所示,围绕着韵达快递物流最重要的三个环节:前端分拣、资源调配和后端支撑,双方先期选取了“件量预测”、“大小件测量”以及“数据中心异常检测”三个方向开展技术协作。实际结果表明:AI 应用不仅能帮助韵达有效提升其快递物流系统的运作效率,更可大幅降低人工劳动的强度和人力成本。

大小件测量

快递件的体积测量是韵达各分拨中心的核心工作内容之一。通过对快件的体积进行预判,分拨中心工作人员可以给出更为合理的分拣、装车和配送规划,来降低单件配送时长及单公斤成本。传统的方式,是分拨中心采用人工方式来进行判别,不仅费时费力,还可能出现较大误差。

因此,韵达计划利用机器视觉技术来提升测量的效率与质量。通过装备在分拨中心输送系统上的高拍仪,AI 应用会采集快件的图像信息,并传送到后端服务器进行测量。测量完成后,数据返回至输送系统,并据此将不同大小的快件送至合适的分拣和装车处。

英特尔® Analytics Zoo 平台提供的图像分类技术在其中起到了关键作用。利用该平台内置的图像识别模型,AI 应用首先能够提取出待测量的快件轮廓,进而通过平台提供的 TensorFlow* 等深度学习框架,结合英特尔® 至强® 可扩展处理器提供的强劲算力,完成从模型训练、模型重定义到模型推理的 AI 处理全流程,最终获得准确的大小件测量数据。

基于此,韵达还在进一步地利用深度学习算法来进行运筹优化。例如其将装车过程抽象为经典的“切箱问题”,也就是当不同大小的快件到来之际,要规划好摆放的次序、朝向和位置,来使装件量最大化,从而尽可能降低运输成本。在英特尔的协助下,韵达 AI 团队利用深度学习的结构来表述这一问题的各个状态,并在其后加上强化学习的方法,将这一启发式的策略学习出来,其应用效果,甚至优于传统的运筹优化方式。

在获得初步成果之余,双方的团队还将进一步深入挖掘英特尔®Analytics Zoo 平台蕴含的潜力,计划以更优化的 AI 应用方案,将大小件测量升级为“体积精确测量”,希望借此实现效率的进一步提升和成本的进一步降低。

件量预测

众所周知,快递行业的业务量在很大程度上受到电商促销活动的影响,例如“双 11”、“618”等。为应对这些活动带来的业务量剧增挑战,并降低爆仓等业务风险,韵达往往需要提前准备大量物流资源,包括货运车辆、分拣人员、包装物料等,以做好相应的准备。

但基于经验的件量预测往往并不那么可靠。以 2018 年的“618”活动为例,由于恰逢俄罗斯世界杯鏖战正酣,许多球迷更关注球赛而并没有被促销活动所吸引,结果造成大量物流资源的浪费。有鉴于此,韵达希望利用英特尔® Analytics Zoo 平台提供的 LSTM深度学习算法,来实施更精准的件量预测方案。

长短期记忆网络(Long Short-Term Memory,LSTM)是一种时间递归神经网络,它可以将历史信息有效地区分为长效记忆和短效记忆,非常适用于预测类 AI 应用的开发与部署。利用英特尔®Analytics Zoo 平台,韵达AI团队轻松地将基于 LSTM 算法的 AI应用无缝扩展到了它的 Apache Hadoop* 集群,利用韵达海量的物流历史数据对模型进行训练和推理。

英特尔® 至强® 可扩展处理器同样为这一过程提供了强大的算力支撑。针对韵达 AI 应用的实际需求,英特尔与韵达一起,针对英特尔® 至强® 可扩展处理器具备的各类领先技术特性,对方案进行了充分优化,使之获得更优表现。该处理器所配备的英特尔® 高级矢量扩展 512(英特尔® AVX - 512)等技术在并行计算方面的强大实力,被证明可以大大加速应用的训练与推理过程。

Analytics Zoo:基于 Apache Spark 的“分析+ AI ”平台为帮助用户能够快速、高效地在 Apache Spark 上构建各类AI应用,简化端到端开发和部署方案,英特尔与众多合作伙伴一起,推出统一的“分析 + AI”平台 Analytics Zoo(https://github.com/intel-analytics/analytics-zoo),其可将 TensorFlow、Keras* 以及 BigDL* 等 AI 框架无缝集成到同一处理流程中,并可方便地横向扩展到大型 Apache Hadoop*/Spark 集群环境中使用,供用户实施分布式训练和推理。

目前,基于 AI 的件量预测已在韵达部分站点实际部署使用。来自一线的反馈表明,这个基于深度学习的方案,在预测效果上已逐步接近预期目标,甚至超过了传统启发式预测方案的效果,这有望帮助韵达实现更好的业务收益,并降低成本。

数据中心异常检测

作为韵达快递物流系统的核心,韵达数据中心肩负着公司全业务产业链数据的分析、存储和传输职责,并在此基础上承担起了各类数据应用,例如数据模型构建、数据抽取转换加载、自动化报表、算法研发等职能。可以说,韵达目前几乎所有的经营活动,都离不开其数据中心的支持。

随着业务高速发展,韵达数据中心也迎来了多重挑战。一方面,数据中心的技术研发周期长、成本高,对大数据集执行高级分析渐渐心有余而力不足,在效率提升上难以追上业务增长的速度,在应对“双 11”、“年货节”等尖峰时段时,已经很难输出更强的助力;另一方面,数据中心的可靠性也面临难题,特别是黑客的攻击、数据拥塞等挑战。

韵达同样利用了英特尔® Analytics Zoo 平台提供的 LSTM 深度学习算法来应对上述挑战。LSTM 算法可以通过有区分的记忆信息来增强神经网络的效能,从而更准确地分析与判别信息,因此在数据分析和预测方面有着独到的优势。

例如在流量拥堵预测中,韵达 AI 团队将部署有 LSTM 算法的服务器部署在数据中心的存储系统中。该算法可以帮助系统利用已有日志中的关键信息,譬如时间、硬件地址等不断进行强化训练,同时滤去大量无关信息。通过对日志数据进行大量的训练和推理,系统能够精准地预测到数据中心潜在的风险和薄弱环节。

在这个 AI 应用的部署过程中,在通过英特尔® Analytics Zoo 平台提供大量基于 LSTM 算法的内置学习模型,以及丰富的参考用例供韵达 AI 团队进行佐证的同时,英特尔还派出了经验丰富的专家团队,以远程协助、现场指导以及电话沟通等方式协助韵达快速构建了业务模型,达到了事半功倍的效果。

展望

通过在上述三个方向上的合作,韵达和英特尔双方的团队已建立起了高效的合作沟通机制,并积累了大量业务模型构建经验。同时,双方协作所获取的成果,也受到了韵达从一线员工到管理层的一致好评。目前,韵达已计划在未来两年内,在京、沪、广、深等一线城市逐步推进这些AI应用的大规模部署。

接下来,韵达还计划基于英特尔® Analytics Zoo 平台以及其他英特尔领先产品技术,推进更多的 AI 应用开发与部署。例如通过引入自然语言处理技术,来构建全新的智能客服系统。这不仅可有效帮助韵达缓解目前所面临的客服压力,提升客服质量,还可令客服信息得以数据化,成为又一笔宝贵数据资产。

而引入以英特尔® MovidiusTM MyriadTM X 为代表的视频处理单元(Video Processing Unit,VPU),也被韵达列入到规划中。将它置入高拍仪,利用其强大的边缘 AI 处理能力,势必能帮助韵达快递物流系统提升其图像光学字符识别(Optical Character Recognition,OCR)的质量与效率。

可以预见的是,未来,通过对机器人、仓内技术、无人驾驶以及智能快递柜等众多新技术的应用,韵达快递物流系统将有望完成更为全面和深入的智能化转型,为数以亿计的用户提供更优质、便捷的服务,成为快递物流行业持续引领技术和业务创新的模范型企业。

为提升开发与部署效率,英特尔® Analytics Zoo 为用户提供了丰富的端到端处理流程分析和 AI 支持,其中包括:

• 易于使用的抽象模型,例如针对 Spark DataFrame 和 ML 的处理流程支持,传输学习支持以及 POJO 样式服务 API 等;

• 针对图像、文本和 3D 图像的常见特征工程操作;

• 内置深度学习模型,例如文本分类、推荐和对象检测;

• 大量的参考用例,例如时间序列异常检测、欺诈检测、图像相似性搜索等。

人工智能,从至强® 开始

人工智能 (AI) 可以帮助您的企业将数据价值发挥到极致。快来一探究竟,看运行在 CPU 架构上的 AI 如何为您做得更多。

了解更多

如何开始人工智能之旅: 技术路径不只一条,您的选择也不只一个

在 AI 之旅的起点上,无论是传统推理、机器学习、深度学习,亦或是它们的融合,都是可选项。

了解更多

如何开始人工智能之旅: 改弦更张不合算,别忽视既有平台

无论是在机房,还是选择公有云服务,企业要充分评估既有的数据存储、处理和分析平台,基于或借助它构建和部署符合自身需求的 AI 应用。

了解更多

如何开始人工智能之旅: 你已拥有 “原力”,只待释放潜能

企业既有 IT 基础设施在 AI 应用上的潜能很强,随着 CPU 在流行深度学习框架上的持续优化和提供更多的软件工具,只需对它稍做升级,即可充分释放潜能。

了解更多

产品和性能信息

1数据援引自中华人民共和国国家邮政局《2017 年四季度中国快递发展指数报告》,http://www.spb.gov.cn/sj/zgkdfzzs/201801/t20180112_1467247.html
2数据援引自韵达提供的内部统计材料。
3《全球品牌大战略—品牌先生施振荣观点》中信出版社出版