快递恶意骗赔？微软人工智能预警准确率提升60% “一骑红尘妃子笑

　　“一骑红尘妃子笑，无人知是荔枝来。 ”这是中国古代对“快递”最广为人知的描述。时至今日，品尝一颗鲜美的荔枝已不再困难，物流服务也不再只是简单地将东西送达。如何让快递的每个环节效率最大化，找到运送货物的最优路径，减少理赔，成为快递企业需要解决的问题。

　　近日，在北京举办的“微软亚洲研究院创新论坛2019”上，微软亚洲研究院分享了利用人工智能（AI）技术推动快递业务高效运转的两个案例。在人工智能技术帮助下，针对个人用户快递业务，顺丰公司已做到了智能理赔预警，将准确率提升了60% 。海上航运方面，东方海外航运在AI的帮助下，可在毫秒内完成实时路径优化，大大提高了航运效率。

　　智能理赔预警，准确率提升60%

　　对顺丰来说，每天需面对大量的个人用户快递业务，会出现一定几率的需求风险，如恶意骗赔等。微软亚洲研究院与顺丰的合作就从这一业务场景切入。

　　微软亚洲研究院副院长刘铁岩在接受媒体采访时称：“微软亚洲研究院与顺丰合作的具体任务是做理赔预警。合作过程中，我们发现如果现实中做简单的分类任务，比如做基础研究，数据都是非常规整的，有标准的数据集。可是到了实际业务中，绝大部分的订单是正常的，只有万分之几甚至是十万分之几的订单是有问题的，所以拿到的数据会是一个严重不平衡的数据，大量的样本针对这一问题其实都没有价值，只有少量的样本有价值，是非常不平衡的，这是在合作中很明显的一个鸿沟和挑战。 ”

　　什么样的快递订单有风险？该如何去判断？传统做法是从订单信息中提取人工特征，利用梯度提升树方法学习理赔预警模型。然而，当模型达到一定准确率后，继续提升模型性能会付出极大的人工代价。另外，当线上数据分布发生变化时，原来的人工特征也容易在新的场景下失效，造成线上模型性能的下降。

　　为了构建合适的优化方案，微软亚洲研究院的研究员对数据进行了深入分析，发现方案构建的核心难点在于，历史数据中理赔订单仅占全部订单的万分之几，极度不平衡的样本比例使得传统机器学习方法无法达到理想效果。目前已知的处理不均衡数据的解决方案，无论在学术界还是工业界，均达不到智能理赔预测问题的要求。

　　为了解决这个难题，微软亚洲研究院采用了“深度因子分解+基于精度的级联”方案，利用多次选择交叉验证集减少由于分布变化造成的影响。通过对历史数据的测试，目前该模型在固定召回率的前提下，准确度已经比原始方法提升了约60% 。

　　智能航运：实现毫秒内完成实时路径优化

　　在微软亚洲研究院与东方海外航运的合作中，则覆盖了供需预测和路径优化这两个物流行业的主要业务场景，通过运用深度学习和强化学习等最新的人工智能技术，来优化现有的航运网络运营。

　　在过去的几十年里，航运企业通常采用基于运筹学的组合优化方法来实现路径规划。这种方法一般需要首先对供需进行预测，然后基于预测结果，将有关客户、港口、航线、区域的限制信息人为设置成现有商业软件的约束条件，并用其进行求解。

　　但对于东方海外航运来说，其全球港口数量众多、船只数目也很大，采用这种方法会让商业软件不堪重负。作为一种折中，人们通常需要将几个港口划成一个片区进行处理，而即便如此，实现一次优化仍然费时费力，每天可能需要花费数个小时来计算路径优化的方案。而一旦外部条件发生变动，就不得不重新执行如此费时费力的优化过程，才能做出合理的应激反应，这种延时对于航运公司会造成不小的损失。此外，对货品和空箱的供需预测，很难做到非常高的精准度。这种情况下，先预测再优化的方式或造成误差传导，导致整个优化过程的效果受损。

　　为了突破方法的局限性，微软亚洲研究院在与东方海外航运的合作中探索出了一套全新的解决方法——竞合多智能体强化学习技术（Coopetitive Multi-Agent Reinforcement Learning）。它把每一个港口和船只建模成智能体，对原来的复杂问题分而治之，以去中心化的方式进行求解。

　　微软亚洲研究院的研究员们在各个智能体之间建立了高效的通信机制，通过协调智能体之间的利益分配与转移，来促进智能体之间的合作，同时协调他们之间的竞争，最终起到全局优化的目的。

　　据刘铁岩介绍，通过竞合多智能体强化学习技术，可以做到航运路径优化的时间减少至毫秒级。每个智能体的局部运算可以并发进行，传统运筹学方法需要好几个小时进行的路径优化，利用竞合多智能体强化学习技术则可以缩短到毫秒级。当某个智能体遇到突发状况时，系统只需调动周围相关的几个智能体自己协调就能解决，无需从头开始重新计算。

　　其次，自动学习、适应变化，可与环境持续交互。当某个港口停运或者某一航线发生变化时，多智能体模型可以实时获得信息，并动态调整和反馈，快速适应新的环境。无需像传统运筹学方式那样，人为重写规则，再做优化。

　　第三，实现预测和优化的端到端学习，消除误差传导。在竞合多智能体强化学习中，预测环节与优化环节是一体化进行的，不需要分阶段、按顺序执行，因此，也就不存在误差传导的情况。

　　智能体的训练可以利用实际运营数据，也可以通过自我博弈的方式来获得提升。微软亚洲研究院为此设计了复杂的仿真系统和分布式计算框架，可以使模型训练又快又好，目标每年可为东方海外航运节省1000万美元的运营成本。

　　除了可以提高效率，新的解决方案中的每个智能体模型还可以针对港口的调度员进行模仿学习。在过去，航运调度员会根据自己的经验对商业软件给出的调度方案进行调整，方案的实际采用率甚至不足50% 。但竞合多智能体的模仿学习能力，可以学习不同调度员的行为习惯，生成更易于被调度员所接纳的方案。人工智能作为助手，结合调度人员的专业经验，将进一步提升东方海外航运的运输调度效率。这种人工智能（AI）与人类智能（HI）的结合，也将是未来人工智能普及的常见模式。