這家公司正在影響大公司決策，還開發了一款機器學習優化引擎

機器之心原創

作者：虞喵喵

「人工智慧會提供偏早期的功能，比如從數據到規律。在規律之後，從規律到決策是運籌學的範疇。」

在斯坦福運籌學博士、杉數科技聯合創始人兼 CTO 王子卓看來，人工智慧和運籌學都能通過數據幫助人們解決實際問題。但與人工智慧專註於預測、識別等功能的準確性相比，運籌學更在意的是給出商業、金融等場景下完整的解決方案，解決具體的行業問題。

杉數將自己定義為在數據科學和運籌學之間的數據化決策公司

在供應鏈、物流、車輛調配等具體應用場景中，人工智慧技術正在與運籌學等學科共同協作。或許以數據化決策公司杉數科技為例，可以一窺兩者的相似與不同。

以 TSP 問題為例，了解運籌學的決策方式

在 Wikipedia 中，對運籌學的解釋是「一門應用數學學科，利用統計學和數學模型等方法，尋找複雜問題中的最佳或近似最佳的解答」。具體來說，運籌學是一門研究怎樣處理事情更有效的學科（因此達成「優化」或「最優化」常常是運籌學的目標），關注的往往是當今社會經濟發展的熱點，如航空公司的定價、超售問題，物流中的調度問題，共享經濟中的資源調配問題等等。

但凡涉及「決策」，就會有運籌學的用武之處。起源於第二次世界大戰的運籌學，是因英美兩國為有效配置資源，召集科學家研究軍事作業規劃而誕生。團隊的研究成果幫助盟軍打贏「不列顛空戰」、「北大西洋戰爭」、「太平洋島嶼戰爭」，戰後研究成果轉移為和平用途。如今，從管理、金融、計算機、軍事到日常生活的具體問題，運籌學都能給出可實施的解決方案。

想要更形象的理解運籌學，旅行推銷員問題（Travelling salesman problem, TSP）是個不錯的例子。作為運籌學經典模型之一，它描述的是「給定一系列城市和每對城市之間的距離，求解訪問每一座城市一次並回到起始城市的最短迴路」。

1930 年，TSP 問題被首次形式化，成為最優化中研究最深入的問題，許多優化方法都以此為基準

運籌學的解決方法，是先將 TSP 問題用數學形式寫出，即構建模型；第二步則是通過模型算出哪個線路可以達成預定目標，如優化時間、遍歷所有城市等等，即演算法。在現實生活中，TSP 問題往往有很多附加條件，比如必須在某時間窗口前往某城市，或者必須先前往 A 城市才能去 B 城市等等，這些約束條件同樣需要反應在構建的模型中。

「對於現實中的項目，需要根據實際業務場景需求提出的合適模型，這些模型往往是在經典模型上作修改。怎麼修改模型會最有效、能求解，正是決策學背景的用武之處。」

設計食品攤點網路同樣是運籌學適用場景之一，杉數的成員曾幫助美國著名橄欖球隊 49 人隊的主場球館 Levis Stadium 設計最優的食物快送攤點網路, 解決食品攤點位置的部署、送貨員的數量和安排等問題

除了 TSP，運籌學還有不少適用於不同情況和場景的模型，如多目標規劃模型、整數規劃模型、存儲模型、排隊模型等等。這些模型對應著商品定價、電網的布局和分配、空鐵的時刻表安排、信用卡額度評估、業務轉化率提升等等重要的實際應用。

電商、金融、供應鏈，杉數的「三大首選行業」

在上世紀 90 年代，人們認為用運籌學解決問題最為耗時的部分，是收集數據和建立模型。如今數據量大幅提升，不僅收集數據不再是困擾，更是運籌學能在近幾年快速發展的原因之一。

「運籌學在一些經典場景下有比較成熟的模型，但現實是不斷有新情況產生。比如同樣是路徑優化問題，由於共享經濟產生了拼車等一系列新的業務點，就不再是完全的經典模型。新的決策、新的約束要加入其中，對模型的修改也是核心難點。決策學的背景能夠幫助解決怎麼建立模型、怎麼滿足業務需求和怎麼求解。從項目角度看，這的確是需要花時間的過程。

目前，杉數科技主要涉及三種決策支持服務：收益管理、風險管理、供應鏈管理。收益管理主要應用在電商、金融領域，通過交易數據、行為數據、競爭數據等多維度數據找到不同場景下最優定價和銷售策略，在不增加流量投入的前提下提升銷售收入；風險管理是針對金融等行業客戶，提供從精準營銷、徵信、高危交易識別到不良資產處置的完整服務；供應鏈管理則包括訂單、庫存、倉庫、貨運、配送等各個環節提供優化方案，在提升供應鏈的響應速度和柔性的同時，幫助企業控制成本。

圖為收益管理中促銷管理的解決方案之一，尋找決策是一個複雜又系統的過程

2015 年底，杉數科技的前身「內點科技」成立，便開始市場探索。到 2016 年 7 月正式成立，再到如今，杉數的客戶從電商巨頭、網約車平台到金融平台、銀行等等均有涉及。

對於為什麼選擇電商、金融和供應鏈作為首先進入的行業，杉數有自己的考慮。第一是行業應用背景廣泛，有足夠大的市場空間；第二是有優勢和積累的行業，在過往的工作中接觸較多、經驗豐富。這三個行業剛好應用廣泛，同時團隊成員都有相關積累——波音公司的貨運路線規劃、美國運通卡的反欺詐、IBM 解決方案報價系統、AOL 廣告投放優化等案例中都有團隊成員的身影。

不過短短一年多時間，杉數是如何進入這些「大行業」的？在 CTO 王子卓看來，搞定這些大客戶似乎並沒有多困難，「我們接觸這些企業時，他們之前可能對運籌學接觸很少、不夠了解，但只要一說我們在做的、適用的場景和模型，就會發現都是他們想要的東西。」

目前杉數以為「大公司」提供決策解決方案為主，但「接項目」並不會是他們的最終模式。「我們希望對行業加深了解後，以標準化的方式服務行業，希望能將提煉出來的東西產品化、軟體化、SaaS 平台化，能讓更多人使用。」

運籌學與人工智慧的交匯

與人工智慧學科的發展軌跡相似，運籌學也曾在 50、60 年代經歷過熱戀期，隨後墜入冷淡。直到近 10 年來，新行業的產生和數據的發展，為運籌學的重新崛起帶來不少積極影響。

專家系統曾是運籌學與人工智慧的交匯點之一，如今兩者的交匯更多表現在不同維度的互相支撐。回到最初的 TSP 問題，現實生活中人們往往會面對大量不確定性，如路程時間的不同、是否堵車等，機器學習強大的預測功能會在這些部分發揮作用，在其他模型中也同樣如此。運籌學的優化思想則為神經網路、圖像分割等提供啟迪。

從應用上看，定價系統、推薦系統、風控系統都有人工智慧和運籌學的身影。那與深度神經網路這類難以解釋的模型相比，運籌學模型的可解釋性會更好嗎？「從運籌學的角度看，解釋性體現在決策能帶來的變化，走這條路要花一個小時，其他的路需要 1 小時 10 分鐘，決策本身就是可以解釋的。」運籌學本身沒有解釋性這個概念，因為它所提供的是不同決策對目標的影響。

在為企業提供決策支撐的同時，杉數還在進行機器學習優化引擎的開發。與 H2o.ai 類似，這款優化引擎可供各類機器學習方案調用，提升學習效率。目前，杉數已經完成回歸類分析、分類及變種問題上的演算法開發，仍在開發更多場景、優化並行效率，預計將在今年 7 月正式發布。

「這本質上還是優化問題，機器學習領域的人重點大多放在什麼模型比較好，往往忽視了模型建立之後怎麼找到最好參數的過程。小的問題運算速度無所謂，大的問題效率就變得很重要，我們團隊的背景正是專門研究優化演算法效率的。」

數據化決策的三個關鍵槓桿

目前杉數團隊共有 40 人左右，包括科學家、演算法工程師、IT 工程師等等。與大部分創業團隊不同，杉數擁有龐大的科學家團隊。無論在優化演算法、數據還是金融，杉數都有斯坦福大學、哈佛大學、布朗大學等教育背景的科學家作為支撐。

杉數的創始團隊均為斯坦福博士，其中首席科學家葛冬冬目前任上海財經大學交叉科學研究院院長，CTO 王子卓 24 歲即博士畢業，兩人均為斯坦福大學終身講席教授葉蔭宇的學生。葉蔭宇教授是國際最知名的運籌學專家之一，曾獲運籌管理學領域最高獎馮·諾依曼理論獎，也是目前唯一一位華人得主。

「他研究了一輩子運籌學，但歸根到底（運籌學的）意義要發揮到實際中去。」老師希望有一家公司能將運籌學推向社會，作為學生的葛冬冬和王子卓以此為前提考慮創業，於是便有了杉數科技。

「這個學科在中國的發展水平還是相對落後，主要原因在於缺乏工業界的應用。一門學科的發展很大程度上取決於社會發展的需要，如果很多公司都需要這個學科 ，它肯定會發展得不錯，所以我們希望以此推動整個領域的發展。」

據悉，2016 年 8 月，杉數科技已獲得由真格基金及北極光創投聯合投資的 210 萬美元天使輪融資。

在今年的機器之心 GMIS 2017 全球機器智能峰會上，杉數科技首席科學家、上海財經大學交叉科學研究院院長葛冬冬將蒞臨現場，分享他關於運籌學與人工智慧的思考。杉數科技 CTO 王子卓將參與「探索人工智慧的應用場景和商業化」 圓桌論壇，與眾多工業界嘉賓一同探討人工智慧產品與應用的新方向。

同時本次大會還邀請到 UC Berkeley 計算機科學教授 Stuart Russell、LSTM 之父 Jürgen Schmidhuber 等眾多重量級嘉賓。

2017 全球機器智能峰會（GMIS 2017）是由機器之心主辦的關注全球人工智慧及相關領域的行業盛會，將於 5 月 27 日至 28 日在北京 898 創新空間舉行。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！