【专访】悠桦林首席优化科学家丁伟军:推进AI+OR在中国的落地应用

发布时间:2018-08-21

640.jpg


嘉宾介绍:

丁伟军,清华大学工业工程学士,佐治亚理工运筹学博士,曾在美国优步工作,现悠桦林首席优化科学家。

 

Q:能否简单的介绍一下悠桦林,和你在公司的职责?

A:悠桦林的前身Decision Making Technology 是2013成立于美国,2016年3月整个团队决定回到中国成立悠桦林。它是以运筹优化、人工智能和可视化这三项作为核心技术,帮中国的企业提供决策自动化和智能化整体解决方案的一家创业公司。

我在公司主要是负责优化算法部分,优化算法团队由我带领。

 

Q:你们的融资现在到第几轮了?规模如何?

A:目前公司已完成了天使轮和A轮融资,上次融资是在去年10月份落实,融资金额超过3000万元。

 

Q:我看公司很多创始人包括你自己都是佐治亚理工毕业的,这里面有什么故事吗?

A:12年东航和佐治亚理工开展了一系列的项目合作,希望通过数据、优化和自动化的决策来为公司进行赋能。当时是和佐治亚理工系统与工程学院有两个项目,一个是关于机组人员排班,另一个是关于动态定价。我、肖芳芳都是这两个项目的主要参与人。后来我们是通过某些契机了解到国内各个企业无论是航空还是物流,对优化都有巨大的市场需求。这就是成立公司的源头。

 

Q:你为什么会加入悠桦林?

A:其实回国一直是我在考虑的问题,我感觉从13、14年开始,国内对运筹学,供应链、数据挖掘,通过数据对信息的提取,然后用优化的方法来为企业增加收益,节省成本这种趋势非常明显。运筹学近三四年在国内的发展趋势非常好,所以我一直在关注国内的这些机会,看怎么能够把优化这些应用到国内的具体问题中去。

加入悠桦林因为我最早在13年的时候也参与了东航的动态定价的项目,和公司其他创始人的关系非常好,所以一直对公司也比较关注,加入到这里没有一个特别明显的契机,就是说我一直有这个回国工作并在优化领域发挥所长的愿望。所以今年3月份决定辞职,加入悠桦林。另外相对来说,在悠桦林这样一家创业公司,感觉空间和自由度更大,能够做的事情更广一些,这也是一个很大的原因。

 

Q:注意到创始人里还有著名的Ellis Johnson教授,是他支持着成立公司吗?

A: EllisJohnson就是之前提到的13年成立的那家美国公司DMT主要的创始人,也是悠桦林的创始人。他是绝对支持成立悠桦林这家公司,他是我们公司的首席科学家,在航空、物流领域有很多经验,也是佐治亚理工物流中心的创始人。我们每过3、4个月到美国或者平时通过Facebook,会不断地向他请教一些关于行业或者是算法这方面的问题。

 

Q:您们招聘员工有什么硬性标准?哪一个专业的员工是你们现在最缺的?

A:我这边比较关注的是算法工程师的加入。没有非常明确的硬性标准,简单总结下,就是希望有研究生或者博士生的经历,对优化算法,优化模型或者统计模型等有更深入的一些了解。没有说一定是国外名校的或者GPA还是论文级别数量等这种硬性要求。但是如果有像类似于亚马逊,Sabre,Uber,Facebook等这种将算法实际落地实施的经验的工作经历,是一个很大的加分项。

 

专业:优化(工业工程、管理科学与工程)、机器学习、统计

 

实习要求:欢迎对优化应用、机器学习和统计应用有兴趣的学生来学习,希望实习阶段长一些,需要在公司至少两三个月。另一方面如果该学生在实习以后能够和公司有一些合作也是非常好的契机。

 

实习生的项目:比如物流领域具体场景的问题,可能需要去测试不同的算法或者模型但是可能这些算法时效性表现不一样,所以会去请一些实习生来协助开发或测试一些算法;针对某个客户的具体要求,如何去更改一些经典模型假设,经典模型的建模思路,甚至是设计全新的模型和算法逻辑,使整个模型能够应用到具体问题中去。


 

Q:悠桦林现在的盈利模式和主要业务方向是什么?一般一个项目的周期有多久?如何跟进?

A:我们目前有很多产品是面向航空业和物流业的,同时也在向新行业拓展。

盈利模式:主要是产品加轻量咨询这种形式。产品基本就是以软件为主要展示形式,只不过是我们的软件是结合大数据平台,结合了业务和模型算法的,而不是纯IT开发的。咨询是类似于解决方案的咨询。目前只针对于公司自己的产品做咨询,如果客户购买产品,而不是特别擅长使用,我们公司会根据我们自己的产品提供解决方案。

实际案例:销售的具体流程各家一般是不一样的,都有自己的方式。很多是市场和销售团队开拓出来的,也有现有客户推荐的,或者是客户自己哪里看到官网找过来的。大单这方面:我们标地高的有一些是过千万的订单,也有一些百万级的。目前客户主要是航空和物流,最早做的是航空,我们是在航空签了5家客户后,开始进入物流行业。

项目周期:取决于具体的合同,例如乘务排班,如果只签订一个基地,可能一个月就实施完成了,如果是签订15个基地,那时间肯定就会相应长一些。。不过按照目前的感觉,一般标的比较大一些的单子,可能实施周期就长一些,航空的实施周期会比物流的长一些。

如何跟进:一个项目的开展往往会经历很多阶段,尤其是这种运筹优化的项目,比如做科研,首先会有假设建模的过程,再有数据采集的过程和最后实施的过程。在实际中做一个项目,也是这样的过程,只是比重分配可能不一样。例如早期我们会花费很多时间去和客户探索这个问题真正的痛点在哪里,有一个需求摸索的过程;之后会有一个问题建模,来看些用什么方法来解决这个问题;最后是怎么落地,怎么做一些后续模型的微调。当然中间会包括落地实施、系统设计方面的内容。

 

Q:悠桦林目前有推出产品吗?

A:我们已经推出相对标准化的产品,目前在航空和物流领域相对成熟一些,并在进行逐步迭代。因为针对于同一类问题,其本质相当类似,所以做产品标准化是比较合适的。产品就是我们会有产品原型,在接新客户的时候会根据客户需求有部分微调。

 

Q:以后产品化主要的方向是?

A:我们会持续关注哪个行业对优化的需求量大,然后根据各个行业的需求量和标的价格,我们有先有后的逐渐进入相关行业,目前在考虑的可能有金融、制造业、供应链等。

 

Q:我看到公司创始团队包括您自己都有在 Sabre任职的经历,接下来的目标是打算做成中国的 Sabre吗?

A:我们目前没有目标做成中国的Sabre,而且我们公司很多程度上也和Sabre是不太一样的。Sabre是一家专注于航空业的企业,但我们并没有将我们的目光仅停留在航空业。虽然我们公司是从航空业的产品开始的,但是我们很快就把我们的视角范围扩大到了一些OR和数据科学能够发挥巨大作用的领域。所以我们从这个意义来说,我们没有要成为中国的Sabre的想法。但是有些方面是相通的,比如说我们想通过OR的技术去解决一些OR可以发挥巨大能量的行业问题。我们对标的行业要比Sabre更加广泛一些。

 

Q:你们提供的产品是否在国内民航业有了比较成熟的应用?

A:我们有几个产品都已经比较成熟,并且有航司实施部署验收的案例。例如我们公司提供的排班系统,,已经和不同的客户签订了四五份合同。应用下来的反馈都是非常不错的。就东航来说,可以增加10%以上的休息时间或者减少10%的人力成本我们的产品基本都是是减少成本,提高效率,减少操作员工作量。

 

Q:因为看到您在佐治亚理工的研究方向是定价方向,所以想问下悠桦林在定价方面的核心优势在哪里?

A:一方面结合我之前做过的定价方面的研究来说,我认为我们提供的这套解决方案哪怕在国际上,无论从技术水平还是现实角度来说都是比较领先的。另一方面,因为我们服务过国内不少的客户,对国内的数据和业务的整体情况有一个大致掌握,所以我们对本土市场的了解是另外一个优势。

 

Q:除了做航空优化和物流优化,你们之后有没有打算进入一些其他领域,例如,金融,电商、制造业?

A:我们对进入其他行业这一点是呈开放态度的,我们目前进入的是航空和物流行业,并且都有比较稳定的客户下一步针对金融,能源,交通,制造业,医疗这些在已经被证明优化是可以发挥巨大能量的行业会持续关注。同时我们也会有战略上的考量,比如说先进入哪些行业,后进入哪些行业,我们也想形成自己的核心竞争力,对该行业有个非常准确的把握。

 

Q:您觉得不同行业对运筹优化的业务需求上有什么不同?你们是如何针对这些不同做出相应的调整的?

A:不同的行业对问题的定义是不一样的,所以在这个过程中,怎样能够做到提供的解决方案最有效就是前期的调研是非常重要的,一定要抓到问题的本质,知道对方真正的痛点在哪里。

 

Q:机器学习和深度学习在悠桦林运用的具体案例有哪些?

A:机器学习和深度学习在我们公司应用的非常广泛。就像之前提到的做研究写一篇论文,我们可以直接假设说我们问题的参数和需求,然后来做一个优化,提供一个算法知识。但是实际中这些参数或者说输入并不可以假设,是需要在实际中提取。或者另一个角度说,判断一个实际问题做的好与不好的一个很重要的关键是输入是否准确或者说是假设是否合理。在这个过程中,机器学习的方法就显得尤为重要。另一种场景,即使不以优化为依托,对于我们服务的很多行业,比如物流是非常希望知道自己未来的需求是多少;再比如航空里面的收益管理,营销推荐也是需要知道顾客偏好。同时,我们也有一些产品,是用机器学习的结果去增强优化的落地性,和客户的真实场景进行更高层次的结合。所以这很多方面,对于机器学习和深度学习来说是一个非常合适的应用领域。

 

Q:现在有很多关于大数据运筹优化的初创企业,悠桦林的核心竞争力是什么?

A:第一,是我们的团队,团队里面的人员都是有优化或者机器学习的背景。这个是非常难得的。

第二,是我们的技术积累,像航空里面的优化问题机组排班或者物流里面的VRP问题都是OR中经典的、实际应用难度非常大的问题。我们公司是从最难的问题开始,花费很大经历去把对算法、时效要求都比较高的问题解决的不错,并且得到客户的认同。我们是从这些问题开始,在这个过程中就积累了很多算法和优化方面的技能。

第三,是我们有很多对业务场景十分熟悉的一些员工,他们非常懂物流和航空的背景知识,都在对应行业有较长时间的这些行业知识是在解决实际问题中非常重要的。

 

Q:能不能谈一谈运筹学在中国未来发展的前景如何?在中国开展业务有没有遇到什么阻力?

A:前景非常光明。中国的很多行业,例如物流、电商可能已经过了快速发展,依靠补贴疯狂拓展的时期。目前像物流、航空更多的关注怎么通过优化的方法节约成本、增加收益,像电商更希望对供应链进行更精益化的控制,来对客户响应,服务上面有一个质的提升。总结来说,越来越多的行业对优化、对通过机器学习和统计在数据中提取有价值信息这一概念越来越认可。这与我刚刚在国内研究生毕业出国时期是完全不一样的场景。

困难:一方面因为是从一个阶段转向另一个阶段,所以很多程度上是从更高层上认可运筹学,但是针对于细节还不是很了解,所以在做项目的同时也不得不做一些知识普及的过程,这时候就需要一些沟通上的技巧。另一方面国内优化的人才相对于国内运筹学的发展速度还是略显得不足。


本文转载自“运筹OR帷幄”公众号。