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。