杉數科技,是一家怎樣的非典型AI公司?

量子位發表於2018-03-05
李根 發自 凹非寺 
量子位 報導 | 公眾號 QbitAI

杉數科技,非典型AI公司。

不從事語音、影像和NLP鏈條上的任何一項,也不以機器學習、深度學習作為唯一的核心支撐,杉數站在機器學習和運籌的交叉口,做的是資料規律挖掘之後,建模、求解,提供最佳決策方案的生意。

目前,付費客戶名單中囊括了京東、順豐、滴滴、永輝、萬達、百威、德邦等。營收方式也簡單而直接:出售結合使用者場景的深度、精細解決方案,一個合作一筆賬款。

於是挑戰也暗含其中,一次合作結束,付費客戶是否還願意繼續合作?供應方案效果,就是營收鑰匙。

杉數方面稱,2017年回款數已經超1000萬元。但看起來只是起跑小試,因為2018年第一個月,商業合同確認數便超過了2017年全年總營收。

就是這樣一家公司,近日還宣佈獲得高達投資(Pagoda Investment)領投,將門創投、聯想創投跟投的Pre-A輪融資,總額4000萬元。

杉數究竟是做什麼的?

640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

 杉數科技CEO羅小渠

決策AI

對於AI的理解,杉數科技CEO羅小渠有清晰的鏈條層次劃分。

他認為AI可以分為三大層次:

首先是資料層,包含影像、語音和自然語言處理在內,本質都是資料採集和管理,把真實世界資訊轉換成機器可以理解和處理的資料。

其次是分析層。通過機器學習和統計學的方法,從蒐集的資料中分析隱藏的規律,找到規律性的東西。

最後到達決策層,在規律的基礎上,通過演算法實現決策性分析,輔助人類完成決策。

實際上,一般意義上,分析層和決策層之前少有明確區分。無論是機器學習的方法,還是深度學習的理論,簡單而言都是通過大規模資料分析完成決策。

640?wx_fmt=jpeg

但羅小渠並不認同。

他解釋說,分析層更多在找尋“關聯”,但關聯並不等於決策。

比如以天氣預報舉例,往往通過歷史資料探勘去捕捉關聯性,然後出預測結論,並給決策性分析。

這其中就有分析和決策的不同。

第一,分析給出的規律應用到決策,涉及具體的場景和個體差異。比如明天天氣預測下小雨,對於身體強弱不同的人,實際的決策性建議就會不同——或許身體好的人不需要帶傘。

第二,資料規律得出的預測,永遠都有不確定性,如何在實際決策時應對不確定性,這是決策必須要解決的核心問題。

第三,從預測到決策,中間還有諸多限制性因素需要考慮其中,如何在這些影響因子中得到最優解、系統平衡點,會展現為決策結果。

分析和決策的區別,正是杉數安身立命的要點所在,最核心的技術有兩個:一個是建模,另一個是求解。在當前學科體系中,這屬於運籌學範疇。

傳統運籌的科研方法是先找問題場景,在基於假設和經驗去找邏輯,進而匹配模型去描述,最後通過數學求最優解。

但在新時代裡,優化已經變成了一個非常底層的演算法科學,並且在機器學習、深度學習中發揮重要作用。

杉數,就是希望運用運籌的方法在整個AI鏈條中發揮作用,或者更直白講:供應決策方案。

640?wx_fmt=png

實際應用

來幾個實際案例。

比如跟物流企業合作,核心要解決的問題是“物流網路規劃”。

通常對方會給出基礎資料集分析,顯示路線、物流量、量變情況等,如果進一步分析這些資料,也能得到一些關聯性規律,排出路線與路線之間的耦合性、替代性,以及淡旺季變化情況。

OK,分析層結束。

杉數所要進行的就是在此基礎上給出一個最後決策方案。具體來說,就是要給客戶一套實際可行的建議,具體到整個網路中每一箇中轉場、營業站、網點如何排兵佈陣,每一個都在什麼位置?相互之間的距離如何安排?

這就進入了決策層。

這樣的合作並不容易,一旦決策實施,資料反饋就會迅速知曉方案到底好不好。

另一個案例則更實時,涉及平臺需求分配和資源排程。

這樣的合作方通常會有兩套演算法系統。第一套是預測系統,對一定時間視窗內的需求增長情況有大致判斷;另一套是分配系統,這套系統還需要增加各方面權重,幫助整個平臺內參與者有序排布。

最具挑戰是,這兩套系統通常要一起運轉,並且對計算時間的要求極為嚴格,越快得出決策結果,使用者體驗會越好。

之前一般做法是增加伺服器、計算力,但物理量變後來已經無法應對指數級增長的需求。

於是後來意識到只有從演算法層面做出質變革新。羅小渠透露說,雙方合作重構了底層演算法,聯合研發了3個月之久,從演算法層面解決了原本堆疊伺服器才能完成的需求應對。

當然,同樣還是供應解決方案。

標準化挑戰

杉數科技也不是沒有意識到一單生意一單營收的侷限。

團隊認為,2018年是公司以模組化、標準化方式服務市場的重要時期。2017年下半年,杉數團隊已經推出了兩款模組化標準化產品。

一款針對庫存管理,叫“StockGo庫存狗”。主要通過需求預測和優化決策,為零售電商類的客戶提供供應鏈和庫存管理的解決方案,針對滯銷、脫銷問題,適用於涉及到庫存的客戶,目前客戶包括日化、圖書、食品、家居、彩妝、母嬰、3C、家電、鞋包等領域。

另一款主打運輸優化,名為“PonyPlus小馬駕駕”,是由演算法驅動的智慧運輸管理產品,主要針對有城市配送需求的客戶,根據其需求,提供多維度,多目標,多場景的配送任務分配以及運輸優化解決方案,幫助企業提升運營效率,降低物流決策成本。

目前,“PonyPlus小馬駕駕”已與海底撈物流子公司蜀海、百威等達成了合作,而且越是涉及多方對接配送、多個配送因素參與的物流場景,越能展現“PonyPlus小馬駕駕”的決策和效率優化效果。

羅小渠說,標準化、模組化化產品研發,會重點放在物流、零售和快消三個領域。它們的共同點是:供應鏈。都是線性鏈條上覆雜問題的決策,需要考慮的影響因子很多。

於是就決定了在決策層,標準化產品永遠無法滿足需求。

特別是B端大客戶,都有具體的場景、特殊的問題,需要定製化服務和方案。也就是說,一對一的解決方案供應需求肯定長期存在。

羅小渠心中也清楚,對於技術公司來說,沒有一個技術領域的技術優勢是永恆的,所以杉數這樣的以演算法為核心競爭力的公司,永遠考慮的事情是如何持續保持領先性,保持學習能力和解決問題能力的及時性。

他把這種挑戰當做機遇,把這把達摩克利斯之劍當做鞭策。“我們有這個領域最優秀的團隊,我們知道機會和挑戰。”

實際上,杉數最早被真格資金和北極光投注天使輪,也與其團隊構成有關。

杉數的5位管理層人員全部博士畢業於史丹佛大學,其中聯合創始人兼首席科學家葛鼕鼕、CTO王子卓及CPO王曦都是運籌學博士。團隊發表過優化演算法、供應鏈、機器學習等領域大量國際一流論文,也主持過多項中美自然科學基金的專案。王曦在加入杉數創始團隊之前在Google總部任職,負責Project FI專案。

此外,團隊也組建了一支科學家服務團隊,包括馮•諾依曼獎唯一華人得主、史丹佛大學講席教授葉蔭宇,以及知名ML青年學者、佐治亞理工大學終身教職副教授藍光輝等。

截至2017年底,杉數的團隊規模超過了50人。杉數CEO羅小渠認為,目前人才方面的優勢,仍舊是杉數發展的勢能所在。

作者系網易新聞·網易號“各有態度”簽約作者


加入社群

量子位AI社群15群開始招募啦,歡迎對AI感興趣的同學,加小助手微信qbitbot6入群;


此外,量子位專業細分群(自動駕駛、CV、NLP、機器學習等)正在招募,面向正在從事相關領域的工程師及研究人員。


進群請加小助手微訊號qbitbot6,並務必備註相應群的關鍵詞~通過稽核後我們將邀請進群。(專業群稽核較嚴,敬請諒解)

誠摯招聘

量子位正在招募編輯/記者,工作地點在北京中關村。期待有才氣、有熱情的同學加入我們!相關細節,請在量子位公眾號(QbitAI)對話介面,回覆“招聘”兩個字。

640?wx_fmt=jpeg

量子位 QbitAI · 頭條號簽約作者

վ'ᴗ' ի 追蹤AI技術和產品新動態



相關文章