79 人工智能人工智能如何优化大传统商业难题在线匹配收益管理动态定价路径优化Word文档下载推荐.docx
- 文档编号:22078375
- 上传时间:2023-02-02
- 格式:DOCX
- 页数:25
- 大小:1.03MB
79 人工智能人工智能如何优化大传统商业难题在线匹配收益管理动态定价路径优化Word文档下载推荐.docx
《79 人工智能人工智能如何优化大传统商业难题在线匹配收益管理动态定价路径优化Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《79 人工智能人工智能如何优化大传统商业难题在线匹配收益管理动态定价路径优化Word文档下载推荐.docx(25页珍藏版)》请在冰豆网上搜索。
什么是运筹优化;
运筹优化能处理的问题;
运筹优化和机器学习之间的关系;
最终呈现几个运筹优化在实际中的使用以及和机器学习共同处理实际问题的场景。
大数据时代下的商务决策
如今是大数据的时代,公司都期望能利用数据做更好的决策。
我认为从数据到决策次要有三个步骤:
●
第一是数据的采集与管理,这是大数据时代的根本,这部分更多是由计算机技术实现的,包括硬件技术和软件技术,可以认为是数据驱动决策的原材料;
其次是对数据进行规律性分析,找到数据背后的规律,以猜想将来,这一步是由统计技术或者机器学习技术完成的;
但在实际的场景中,并不是简约地对数据规律性分析,想要制造实际价值,我们需要依据分析结果进行决策,即第三步,利用数据进行决策建模与求解,这一步用到的技术是我们接下来争辩的运筹优化技术。
数据是数据时代的原材料,规律性分析或机器学习把原材料加工成一些更精细内容,之后经过决策引擎,将这些材料转化成于公司无益的学问。
具体到底什么是运筹优化呢?
简约来说,我们可以将实际生活中的决策转化成数学模型,并且用运筹优化方法进行求解。
运筹学的背景
从广义上讲,优化运筹是格外陈旧的学科,可以追溯到人类有生产生活之后的格外久远的历史。
出名的数学家欧拉有一句话:
“NothingatalltakesplaceintheUniverseinwhichsomeruleofmaximumorminimumdoesnotappear。
"
意思是,世间万物无非都是优化过程,企业生产、一般人的生活,甚至一些重要的自然规律,实际上都是某种优化的问题。
给大家举个简约的例子,物理学中的光折射定律或者光反射定律,实际上都可以认为是光线在查找一条路径以最短的时间达到某一点的某种优化问题。
通常认为,现代的运筹优化起源于大约上世纪的四五十年月,大约在其次次世界大战期间,那个时候很多使用都集中于军事领域,盟军发觉他们在作战时有很多数学问题需要处理,比如说雷达部署问题、运输船的护航问题、炸弹的投掷问题等,这些问题都是某种格外简约的具体场景中的优化问题或者说数学问题。
当时盟军雇佣了大量数学家及计算机学家,像冯诺依曼等。
在这期间,人们系统地进展出一套处理这类问题的方法,这就是运筹学最终的背景。
值得一提是,1947年,运筹学的泰斗GeorgeDantzig制造了一个数学里最经典问题——线性优化问题的解法。
假如大家对这种算法比较感爱好,可以在网上找一找,这个算法被评为20世纪的十大算法。
战役结束之后,运筹学更多的被用到民用场景中,包括企业、政府、经济进展等,并且也产生了大量的新算法以及运筹学的各个分支。
在大约二三十年之前,由于计算机的进展,运筹学得到革命性突破,计算机的进展使得很多争辩的算法得以真正实现,使得其能真正挂念企业进行优化和决策。
过去十几年里,大数据的进展又给运筹学带来了更大的舞台,刚才也说到,运筹学可以认为是把实际中的数据转化成企业所需要的决策。
大数据时代到来,我们有了大量的数据支撑,那我们就可以通过这一套方法挂念更多的企业进行更优决策。
智能决策的重要工具
运筹优化
运筹优化有两大重要的工具,第一是所谓的优化工具,我们说运筹优化,自然的优化本身是最核心的内容。
优化问题有三个组成部分。
首先是决策。
在很多实际场景中,我们都是针对特定的某件事或特定的目的进行决策。
比如公司会经常面临着库存方面问题,要决策每天订多少货物;
电商可能面临着价格的决策、定价问题,在这个场景下,决策就是每一件商品的价格;
在其他场景中,我们可能需要设计最优路线,比如快递公司以最快的速度投递每天的函件,决策就是投递的路线,路线的全体就是决策。
其次是目标或目标函数,即我们做决策时期望达到的目的。
比如刚才提到的有关库存的决策,目标通常是削减库存积累、降低库存成本等;
有关定价的决策目的是添加企业收入或者销量;
路径优化的目的是使完成路线所需时间或者所需要的成本最小化。
第三是约束,实际场景中,决策往往遭到客观条件的约束,比如库存可能遭到满足用户需求的约束;
路径优化可能会有道路上的限制;
或有时候我们期望尽量少左转,左转的次数就成为约束。
优化问题便是要查找在满足这些约束的条件下最好地达到目标的决策。
在处理实际问题时,有两个关键的步骤:
第一是建模,将实际问题通过最无效的数学形式来表达出来,建立数学模型。
其次是求解,有了数学模型型之后,通过算法找到最优的决策、能够达到最优的目标的且满足约束条件的决策。
这两步是整个优化问题中核心的两部分,缺一不行。
首先,我们需要好的模型简约无效地刻画实际问题。
无效很简约理解,我们期望模型能够尽可能地和实际问题吻合,即考虑实际问题的各个要素;
简约是为了更好求解,另外也可以让人们更好地理解优化模型。
算法或求解也是格外重要的。
好的算法可以更无效地求解更大规模的问题,现在遇到的问题经常是格外大规模的,好的算法能保证在无效的时间内找到最优化目标的决策。
随机建模
其次个工具是随机建模。
次要的目的是科学刻画不确定性,并且基于不确定性环境分析,比如分析事物的进展规律及如何做出较优的决策。
其中有很多具体的模型,比如随机优化模型、鲁棒优化模型、随机仿照方法以及像马尔可夫决策过程这样愈加简约的优化和决策模型。
在简约场景中,通常通过优化加随机建模的方法刻画问题,再通过优化的算法进行求解,最终得到在简约问题场景之下的决策建议。
以上就是运筹学两大核心内容,即优化和随机建模方法。
智能决策
这几年,人工智能有格外大的进展,比如图像识别、言语识别等技术,使用领域包括自动驾驶、智能诊断等。
但机器学习或人工智能的本质到底是什么呢?
这个问题有很多角度,但在我看来,机器学习或人工智能使用到具体问题中的话,它的核心也是两部分,一部分是模型,另一部分是算法。
比如在自动驾驶中,我们需要通过模型推断如何识别妨碍物或路况,有模型之后,我们需要通过算法求解这个模型。
这里的算法包括两个部分,首先模型中存在大量参数,我们需要通过算法找到模型中的参数,使得模型能最好地刻画想刻画的场景。
另外,通过算法求解最优决策。
在自动驾驶中,我需要打算车往左走多少度或往右走多少度;
在玩耍里要打算我下一步做什么。
算法的其次部分就是在模型基础上做出最优决策。
我认为,机器学习和人工智能在处理实际问题的任何场景中,核心部分照旧是模型和算法两部分,虽然不同的场景有可能有不同模型和算法,这与上面引见的运筹优化是全都的。
机器学习与运筹优化关系
很多时候,机器学习本身的核心也是运筹优化的一部分。
机器学习中一个格外经典的问题:
支持向量机问题,简称SVM问题。
这个问题的背景是这样的:
我有很多数据点,我晓得一些数据属于某品种别,另一些不属于,我需要找到方法区分这两类数据点,假如有新数据点进来,我就可以推断其能否属于某个类别,这可以用到智能诊断中。
数据点对应病人的病历,通过历史数据,我们晓得某些病人患有哪些疾病,通过这样的分类,我们对将来病人自动诊断。
这类问题的使用场景格外广泛,除去刚才提到的智能诊断之外,还比如垃圾邮件自动分类、模式识别等,甚至一些图像识别都可以用类似方法处理。
这是格外基本、也是格外核心的机器学习问题,从数学角度来看,这个问题无非就是优化问题。
上面PPT的右上角坐标系中,我们期望找到一种分割方式,把红点和蓝点尽可能地区分开。
假设先考虑简约的划分方法,比如找到一条直线尽可能将红点和蓝点区分,那么,决策就是找到这条线,这条线对应运筹优化中的决策。
有了决策,即我们找到了这条线之后,将来有一个新的点,只需推断其在线上还是线下,就能推断它是红色还是蓝色。
我们的目标是尽可能使这条线把不同类别的数据点能够分开。
在实际情况,明显不行能有一条线数据点彻底分开,必定存在误差,这种情况下,我们就要尽量减小误差。
除此之外,实际中对于这些线也有约束,比如参数要满足特定条件。
这样,我们可以把这个问题写成优化问题,通过求解找到最优参数。
如今,通过一些先进的优化算法,可以格外无效地求解这类优化问题,把这类问题转化线性规划问题或凸优化问题,现在算法可以格外无效地求解。
对于上述问题,哪怕存在几百万变量求解也可以很简约,在笔记本电脑上求解可能只需要几秒或者几分钟。
其中的核心是优化算法。
刚才我们是用直线划分,其实我们也可以用其他外形划分,比如椭圆、圆形等。
不同情况对应不同的模型,不同的模型对应不同的优化问题,写优化问题的时候需要修改,修改后又会面临求解问题,其中会涉及到优化问题求解算法。
其中,优化模型和算法是机器学习问题的关键。
实际上,基本全部机器学习问题都可以归类成优化问题,我们需要选择的是机器学习模型下的参数,用x表示;
历史的数据用D表示,我们要查找最优参数使其可以最好描述历史数据。
f表示x和D的拟合程度,通常对于x,我们会加一些惩处函数使得x满足某种条件,甚至有时对x加一些约束条件。
从这个角度来讲,所谓的机器学习问题,本质上都是优化问题,假如我们有优化算法方面的优势,意味着我们也无机器学习算法的优势。
争辩机器学习或争辩机器学习时,一方面模型的选取格外重要,另外一方面,背后的优化算法也很重要,这些才是使你在面对新模型或简约场景时都找到好的处理方案的基础。
机器学习、运筹优化、使用案例
一、在线婚配问题
静态婚配的问题
我简约引见一下静态婚配问题,在很多场景中我们都会面临这样的问题,即将供应和需求进行婚配,比如打车软件需要将出租车司机和乘客进行婚配;
搜索引擎需要把搜索关键词和广告商进行婚配;
在线交友网站需要把男生和女生进行婚配,其中每一个婚配都有其分数,即两端婚配程度。
在静态的婚配问题中,我们的目标是供应与需求如何婚配以最大化婚配总分数,这样的问题实际上就是典型的优化问题。
我们依据刚才说的决策目标和约束,把它写成优化问题。
在实际场景中会存在一些约束,比如一个供应只能婚配给一个需求,一个需求只能配给一个供应,以及一些更简约约束都有需要考虑,但是不管怎样,我们把这个问题写成优化问题,有好的算法之后就可以高效求解。
在线婚配问题
上面讲的是静态婚配问题,即假设婚配的两端都是在确定的情况下进行婚配的。
但在实际场景中,我们通常面临动态或在线的问题,比如在打车过程中,车和乘客都是动态毁灭的;
在搜索引擎场景下,婚配一端比如广告商是固定的,但关键词是逐一毁灭的,每毁灭一个关键词的时候都要打算把它婚配给哪个广告商。
这些问题涉及不确定性,我们在婚配这个需求的时候,并不晓得将来可能还会产生哪些需求或者供应,但目标仍是使得最终婚配分数最大,在某个时间段或长时间维度上获得最大价值。
这就是一个不确定性下的优化问题。
这个问题就比静态婚配问题简约不少,但我们照旧可以把它写成优化问题形式,只不过在这类优化问题中,系数不是事先给定而是动态生成的,我们可以用多种方式假设,比如这些系数可能是按某种概率分布生成的,甚至我们可能都不晓得这些系数分布,只晓得毁灭的挨次是随机的。
我们可以有不同的假设,但在每一个点产生之后,我们要打算如何进行支配,是支配给某资源?
或不婚配这个点,这就是实际中做决策的问题。
实际上,对于做运筹优化的人来说,我们要对这个问题设计一系列算法,即如何决策才能达到最优目标。
经过一系列争辩之后,人们提出一些算法。
其中一种算法是,观看少量样本,求得每个右端资源j的“合理”价格,在优化里称之为“对偶变量”。
当新的需求或婚配产生之后,将婚配分数和所需消耗资源的价值进行比较,看这个婚配能否带来了应有的价值,假如婚配的价值比计算出的合理价格高的化,我们就进行这个婚配,而且选择其中最有婚配使得价值比价格高最多。
否则,就拒绝这个婚配恳求,这就构成了可以实际运转的算法。
另外,做运筹优化的人不只是提出一个算法,还期望能证明一个算法的确能够达到最优的决策,实际上,通过一些数学方法也可以证明。
从某方面看,这个问题也有一个机器学习的成分,比如通过不断观看样本,机器可以学习每件商品的价值。
本质上,这也是优化结合随机建模的问题,我们刚才讲到优化和随机建模是运筹学的两大核心内容,通过这样的算法和模型,我们可以面对这种实际的场景,达到长期最优的策略。
二、收益管理
其次个是关于收益管理的场景。
简约来说,收益管理就是定价和销售问题,商家要打算其商品以什么形式什么价格卖给消费者,或者说期望以正确的时间将正确的商品以正确的价格卖给正确的人,通常在进行收益管理的决策的时候会有这样的过程。
首先是数据采集;
然后依据数据对消费者进行分析,比如客户挖掘、对消费者进行标注、分析消费者对价格的敏感程度等;
在此基础上进一步决策,比如用什么样的价格买哪些商品、什么时间卖等。
实际上这部分与我们开头说的从数据到决策的链条是全都的。
组合定价
其中一个很重要的问题叫组合定价问题。
商家要管理很多商品,商品之间可能会有需求的关联性,比犹如时销售可乐和百事的话,一种商品的价格可能会影响另一种商品的销量,在这种情况下,商家需要打算如何对多种商品进行组合定价。
其中的决策就是每一种商品的具体价格,目标是将来最大化全体收益,这个过程也涉及建模和求解两个步骤。
这里也有很多模型,比如通过消费者选择模型刻画消费者对商品的选择,其中用到优化和机器学习选择最好的模型。
有了模型之后,我们要打算如何定价以最大化利润或销量等,这就变成了格外经典的优化问题。
除定价以外,商家还面临着像选品、商品呈现区等问题,照旧需要考虑到商品之间相互影响情况,这些问题均可以写成优化问题,同样需要优化算法对这类问题求解。
三、动态定价
上述组合定价问题可以看做静态问题,在实际中我们经常遇到动态问题。
一开头,我们对消费者的偏好不是格外了解,期望通过动态定价、数据收集来了解消费者对商品的偏好、或学习消费者的行为,这就涉及如何动态定价的问题。
我们要确定到底要通过多少数据点、怎样设计这些价格以学习消费者行为,同时不能由于定价波动太大构成收益损失、或对消费者产生负面影响,我们要确定什么样的方案是长期最优方案,既能学习到消费者对商品的偏好,又能够获得最大收益,这个可以认为是机器学习问题,也可以看做运筹优化和机器学习结合问题。
同样,关于这类问题有大量算法,但重要的是,我们不只需提出算法,还要证明这个算法是全部算法中最好的。
四、路径优化
我们之前也提到过,像电商、物流公司等企业在运营过程中都会面临这样的问题:
比如每天要把货物送达几个消费者,想要设计一条在最短的时间或路程内完成任务的路线,这就是路径优化问题的基本形式。
有很多优化模型或算法可以求解这个模型,但实际生活中,基于这个基本的场景还有很多格外简约的变化或需求,比如不只需送货,还要取货;
不只是一个人送货,可能有很多人或车要送货或取货,这就涉及到车辆和人员的支配问题;
或有些需求不是事先确定的,还有一些实时需求,比如快递员突然接到上门取件的订单;
另外,在送货路途上花费的时间也有很大不确定性,这些情况下,就需要在线算法应对这样的需求。
现在比较火的自动化仓库管理,机器人管理仓库时会遇到货物摆放问题、机器人如何取货问题等,这里要平衡不同机器人之间任务以及优化每一个机器人路径,其中也会面临简约的建模和求解问题。
实际场景中的问题是格外简约的,而把这些场景的要求转化为数学模型,之后进行求解,这是运筹优化最擅长的。
总结:
说了这么多,我期望大家能了解这几点:
对运筹优化有基本了解。
什么是运筹优化,对于实际问题能产生什么价值,运筹优化和机器学习的关系。
两者之间更多是一种相互支持的关系,在很多场景下,优化运筹和机器学习结合才能提高好的处理方案。
运筹优化的一些基本方法。
包括优化和随机建模。
最终,我想谈一下国内运筹优化的进展情况。
总的来说,国内运筹优化的进展比美国要落后一些,美国很多的大企业,像亚马逊、谷歌或者一些物流企业,内部都有一大批运筹学背景的团队来处理公司生产可能面临的问题,比如亚马逊中有50~200个的运筹学博士做定价、库存、物流等方面的决策支持,这方面,国内要落后一些,但我认为,将来几年,国内很多企业会在这方面转型,过程中正需要运筹优化的技术,这些技术挂念企业将大数据转换为真正的决策。
延展阅读:
人工智能解锁智能供应链
华信孜寻
人工智能(ArtificialIntelligence),英文缩写为AI。
它是争辩、开发用于仿照、延长和扩展人的智能的理论、方法、技术及使用系统的一门新的技术科学。
近两年,由于AlphaGo大战李世石、美国安保智能机器人“跳水自宰”等热点大事层出不穷,激发了公众对于人工智能的关注爱好。
同时,互联网高速进展产生了大量的数据,这些数据极其浩大,需要处理和加工提炼,人工处理格外困难,这时,数据处理的需求确定程度上催生了人工智能的快速进展。
顶层设计相继出台,“人工智能”一词在国家各类文件中高频毁灭:
2015年7月,“人工智能”被写入《国务院关于乐观推动“互联网+”举动的教导意见》;
2016年3月,“人工智能”被写入“十三五”规划纲要;
2016年5月国家发改委等四部门联合发布《“互联网+”人工智能三年举动实施方案》;
在去年年底,《智能制造进展规划(2016—2020年)》也已印发。
其中,在《“互联网+”人工智能三年举动实施方案》里,明确了人工智能的总体思路、目标与次要任务。
该方案指出,到2018年,人工智能产业体系、创新服务体系、标准化体系基本建立,并构成千亿级的人工智能市场使用规模。
与此同时,科技巨头扎堆规划生态,创投界狠下血本,细分产业频爆独角兽……总之,人工智能概念在2017年彻底火爆了起来。
在供应链领域,据埃森哲数字业务调查显示,85%的企业表示在接下来一年中,他们将把数字化科技引进到供应链当中。
因此,数字化技术成为了现今趋势,而因此催生出的大量数据,可以借助人工智能进行效率革新。
此外,在供应链中使用AI可以挂念企业最终构成一套生态生产系统,可以让供应链的每一个环节都能环环相扣,从而实现产品和信息的终端能够无缝链接。
智能供应链内容:
企业可以在供应链的多个环节实行智能化的使用:
1)智能猜想
基于历史数据和统计学习模型,对商品将来的销量猜想、对各维度仓库的单量猜想,对促销期间的促销猜想,给出更为智能的相关业务数据猜想和相关方案性支持;
2)智能商品
基于大数据进行智能化商品分类,从多维度评估商品特征和价值;
3)智能定价
基于统计学习和决策树进举动态定价,实现客户为先、供需协同及可持续的最优价格策略;
4)智能库存
基于大数据平台和销量猜想,为选购、库存管理等供应了更智能化的建议;
5)智能运筹
科学地支配订单生产路径及快递支配,以最优的方式满足客户时效要求;
6)智能风控
基于模式识别等技术的风险把握系统,准时预警订单的风险级别等,供应更为平安牢靠的客户体验。
在大数据使用的基础上,进一步使用机器学习等人工智能手段,搭建智能仓储。
通过对于服务水平要求、供应商送货提前期、平安库存分析等一系列参数的学习和仿照,结合基于大数据机器学习的销售猜想模块,能够实现自动化的商品选购下单、调拨和畅销清仓。
人工智能虽然很强大,但要用好也并不简约,在使用人工智能有可能遇到了如下一些问题:
1、多环节协同
目前的智能供应链系统,由于遭到现实条件的限制,使得供应链的各个环节相对独立的进行优化而没有构成完整的闭环系统。
2、应对愈加简约的不确定性
供应链系统的运转效率,与它所面临的不确定性有严峻关系。
为了应对愈加简约的不确定性,我们往往需要建立愈加简约的模型,但是模型简约度的提高对模型的训练和基础数据的质量提出了更高的要求。
3、时效性与猜想性
目前,部分信息的采集与处理未能构成高效的处理方案,使得部分AI模型的快速训练与验证遇到确定问题,导致模型相比当前实际情况“慢半拍”。
同时,当前模型的训练次要基于历史数据进行,对于将来新场景的猜想力气有待提高。
4、数据源难打通
用户数据的敏感性导致不同数据源之间的数据难以打通,使得AI模型的使用遭到局限。
发挥AI的巨大潜力,需要扩大基础信息的采集面。
比如,系统智能补货系统需要依据用户的购买行为、经济力气等信息计算系统最优的补货策略。
但是,由于信誉卡数据、通信数据等格外能反映这些特征的数据或信息未能准时反映到智能供应链系统中,所以我们仅能依据用户的购买和扫瞄行为对用户的特征进行分析,使得AI技术的使用“巧妇难为无米之炊”。
此外,智能供应链也不是一蹴而就的事情。
实际上,智能供应链的建设需要经过数字化、智能化、和自动化三个阶段。
数字化就是利用信息技术实现供应链流程的线上化,只需线上化才能获得数据。
有了数据后,就能利用人工智能算法从数据中学习,固化人的阅历,达到智能化。
最终是自动化,随着供应链智能化升级,很自然就是自动化,渐渐实现供应链的自动化闭环,系统就可以本人学习演进,最终构成智能的供应链。
大数据时代,如何用数据进行物流决策
随着信息时代数据量的剧增,深化物流管理最为无效的方法是引入数据分析技术,对物流数据进行分析和猜想,取代阅历论,挂念决策者做出快速、精确 的决策。
1、物流领域常用数据分析场景
梳理我们整个物流环节,数据分析的使用可以分为两个方向,规划和猜想。
其中规划方向的使用往往是以成本和时间为优化目标,或者是两者综合的多目标优化,在分析过程中我们往往是通过成本构成或者时间构成的角度去查找他的影响要素,在分析这些影响要素的基础之上,找到合理的变量取值,使得成本最优,时间最少。
常用的使用场景包括仓储选址规划、运输路径规划、仓储规划规划。
猜想方向的使用场景次要包括市场销售猜想
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 79 人工智能人工智能如何优化 大传统商业难题在线匹配收益管理动态定价路径优化 人工智能 如何 优化 传统 商业 难题 在线 匹配 收益 管理 动态 定价 路径
链接地址:https://www.bdocx.com/doc/22078375.html