滴滴叶杰平：年运送乘客百亿次，AI如何“服务”出行领域？| BDTC 2019

出品 | AI科技大本营（ID:rgznai100）

“如果把北京一天滴滴的轨迹数据放在一起，要覆盖北京所有道路差不多四百次，数据非常大、非常完整。”

 

超5.5亿用户，年运送乘客100亿人次，除了中国地区，滴滴也在拉美、日本、澳大利亚等地提供出行服务。在近日由中国计算机学会主办，CCF大数据专家委员会承办，CSDN、中科天玑数据科技股份有限公司协办的2019大会上，滴滴人工智能实验室负责人、滴滴出行副总裁，美国密西根大学教授叶杰平介绍，滴滴目前每天产生超过100T的轨迹数据，滴滴平台基本上每辆车每隔几秒钟都会传送GPS信号数据，这也使其成为出行领域领先的数据公司。

滴滴希望通过大数据、人工智能技术，能够从海量的出行数据里挖掘有价值的信息，提升出行安全、体验与效率。

无疑，交通设施领域，人工智能、大数据技术可以显著提升服务效果。虽然庞大的数据量也带来了业务上的挑战，“比如每天做路径规划需要超过400亿次，高峰时期每1秒钟可能需要处理好几百万次的路径规划，定位也是超过150亿次。”但大数据智能会发挥越来越重要的作用。

 

滴滴究竟在技术上是如何落地到出行服务的？大会上，叶杰平做了题为《人工智能在出行领域的机遇和挑战》的报告，对滴滴技术布局和落地进行了详细阐述。

 

以下为叶杰平部分演讲内容实录，AI科技大本营（ID:rgznai100）整理：

 

滴滴的AI布局

滴滴非常早期投入了大数据和人工智能，成立了研究院，AI在滴滴的各个核心系统、场景包括智慧交通，用AI优化交通基础设施，包括智能交通工具，滴滴在电动车、自动驾驶领域也有很深入的投入。

 

 

还有智能运营，包括怎么做派单，拼车、怎么做供需预测等等；还有出行安全，我们一直致力于用人工智能技术让出行更安全。地图是非常核心的模块，我们用很多前沿技术提升地图体验效率，包括路况预测、路径规划、时间预估等等。客服方面，每天有超过120万次的用户进线，这个量非常大。我们利用前沿知识图谱、NLP、语音技术，构建一套智能的客服系统，目前75%的进线可以用智能助手来回答。去年8月份我们还提出AI赋能社会，用AI来赋能安全、环保、健康等等。

 

 

这是滴滴的人工智能布局，底层是做核心的基础人工智能技术，包括强化学习、深度学习、统计、运筹，这些是核心关键基础技术。中间层是技术层，包括语音识别、自然语言理解、计算机视觉、知识图谱。上面一层是应用层。

AI技术在出行领域的落地

很多人问为什么出行交通需要用到前沿的AI技术，为什么AI在出行领域发挥很大的作用？国际顶级专家Michael Jordan去年在上海人工智能大会给了一个Keynote，总结人工智能成功的几个阶段：Back End、Human Side、End to End。目前处于第三个阶段End to End的深度学习，带来很大的变革，利用深度学习在语音、视觉、NLP取得很大的突破，我们在很多方向已经接近或者超越人类了，他也展望了下一个10年人工智能应该往哪个方向走，他提出大家应该关注的方向是Market，有交易市场的人工智能，这个问题更复杂，牵涉到大数据、人工智能、经济等方向。

 

除了预测，交易市场很重要的一个方向是怎么做决策，而且是系列决策，如何保证所有决策是最优的？我们目前做序列决策的方法论不是特别完善，他认为这是未来10年我们非常需要关注的方向。

 

今天我重点讲讲在出行领域，AI如何落地创造价值。

 

出行场景一个最重要的模块是派单，如何匹配司机和乘客。在滴滴，派单系统会每2秒钟做一次订单匹配，把乘客和司机做最优匹配。这分几个步骤：第一步，两两计算它的匹配度，比如一个司机和一个乘客如果距离近、行驶时间短，那这个匹配是好的。如果离得很远，那这个匹配是不好的。第二步，有了这个匹配度之后，基于二分匹配图可以实现最优的匹配。

 

用二分图方法解最优解，结果是2秒之内最大量的乘客被满足需求。这里面需要预估司机接乘客需要的行驶距离和时间，里面会涉及两项核心技术，一个是路径规划，一个是预估到达时间。滴滴开发了一套基于深度学习和强化学习的地图算法。

  

早期，我们派单算法的目标是在提升用户体验到同时让2秒钟之内更多乘客被应答。2016年，我们思考算法如何更加优化，比如考虑能不能更长时间优化，比如优化1小时或者1天。

 

本质上，派单是序列决策问题，而且我们做每一个决策能够影响未来司机的分布，比如一个司机接一个乘客可以认为是一个动作，动作带来的结果是这个司机过了一段时间到了乘客目的地，这个动作导致状态发生变化，这是类似AlphaGo的强化学习问题。

  

2017年我们开发了一套基于强化学习的智能派单匹配系统，把目标从2秒钟最优改成了1天最优，2017年上线取得显著的收益，目前全国很多的城市都是用了基于强化学习的智能派单系统。

 

实际上，2017年的时候我们的派单还有很多不足，只能模拟简单的时间、空间，不能模拟动态的复杂信息，比如天气，这个区域如果发生下雨了，对派单会产生很大的影响，如何把这些信息都包括进来？

 

去年我们开发一套基于深度强化学习的方法V-Net，把所有潜在有价值的信息都包含起来，建立深度学习模型，显著超过了之前的算法。今年10月，我们基于强化学习的网约车派单解决方案获得了2019年度INFORMS Daniel H. Wagner Prize，这是这个奖项22年以来第一次颁给中国公司。

 

基于这套深度强化学习我们还定制了一套司机AI助手，来帮助司机做合理的调度决策。其实每个司机其实都很在乎，没有订单时到底是应该原地不动还是开空车到一个热的区域。如果他做了一个错误的决策，可能空车开到别的地区后依然长时间没有订单。我们开发一套基于深度强化学习的系统，能为司机提供更好的调度决策，来帮助提升司机的收入。基于类似于AlphaGo的深度优化方法也能显著提升平台效率。

滴滴的核心AI技术

 

下面介绍滴滴这几个核心的AI技术，包括语音、NLP、视觉、知识图谱，如何在出行领域落地创造价值。最近十年我们在语音、视觉、NLP取得很大突破，尤其最近两年NLP方向取得很大突破，每过几个月就能够听到新的模型出来创造价值。

 

 

1、NLP。有人会问为什么在滴滴需要做NLP？举几个例子，滴滴的司机、乘客有很多交互，比如司机、乘客会联系客服，接单后司机和乘客相互间也可以通过端内IM交流，NLP能够让这些沟通更加高效便捷。假设你去日本旅游，通过滴滴APP叫了一辆出租车，假设你要问司机一些问题，不懂日语也没关系，你可以直接在IM里输入中文，我们会把你的中文翻译成日语，司机看到的是日语，看到之后他可以用日语写一段他的回答，然后IM会自动翻译成你能看懂的中文。这背后是一套中日翻译系统，这个系统极大解决了中国用户和日本出租车司机间的交互，且更加便捷和高效。

 

滴滴高质量的人工智能翻译系统核心技术是利用海量的文本数据，我们拿到海量的中文、日文，找到一些匹配对，背后有一套很强大的算法能够检测这个对是不是相似的、是不是一对翻译，然后过滤掉很多匹配度差的噪声，把这个clean数据放到我们的机器翻译系统，然后构建中日翻译，显著提升了效率。目前很多中日翻译系统都是把数据拿到之后没有太多过滤就直接构建这个系统，效率有很大提升空间。

 

另外一个NLP的场景是客服，如前面提过的，我们开发一套基于NLP、知识图谱、语音的智能客服系统，目前75%的进线是可以通过智能客服来回答。

 

2、语音技术。一是语音识别，我们怎么听得清、听得懂，二是语言理解，三是语音合成。

 

语音在出行有很多应用，在一些场景，语音可以操作接单、取消订单。大家知道滴滴司机每天非常多人工点触手机屏，比如接订单需要点一下，取消订单需要点一下，用导航需要点一下，用热力图也需要点一下，这个动作不安全。我们开发了一套基于语音交互系统，司机只需要跟我们的系统说话就好了，就能完成一些操作。今年7月我们已经在日本率先上线了，司机只需要用语音交互就能够完成接单功能，极大提升了体验和效率。

 

3、知识图谱。滴滴有海量出行轨迹数据，可以用知识图谱来表达，知识图谱的一个优势是能够做图嵌入，最终结果是每一个结点，比如POI，得到非常丰富的向量、特征表达。这个Embedding可以做很多事情，比如机器学习，做聚类、分类、相似度分析等等很多功能。

 

基于滴滴的出行数据，我们构建一个知识图谱，在4个城市做了个聚类，把Embedding之后的POI做了聚类。不同颜色表示不同的类别，同一颜色的点基本在空间和时间上属于临近的区域。这还可以做很多事情，比如北京火车站这个点我们通过Embedding找到跟它最近的10个点。分为两个时间段，一个是平日，把所有的平日数据放在一起，然后找到相似的数据点，不出意料，相似的点要么是火车站，要么是机场。

 

我们用2019年国庆节滴滴的数据做了Embedding，发觉有点不一样，比如长途汽车站就出现了，我们理解在国庆时人流量显著提升，很多人只能用汽车出行，所以汽车站在国庆节就出现了。更有意思的是我们看到德胜门跟东直门这两个点出现了，国庆节期间很多旅游大巴在那里是起点和终点，这两个刚好是旅游大巴比较密集的地方，我们的数据能够把这个点找出来。

 

我们还利用跨城的数据做了Embedding，然后基于embedding进行聚类。可以看到突显的三个区域是京津冀、长三角、珠三角，也符合预期。

  

4、视觉。我们每天做人脸识别，保证接你的司机和注册的司机是同一个司机，来提升出行安全。人脸识别之前很重要的一个动作是人脸检测，我们自研了一套基于深度学习的人脸检测算法，今年年初在WIDER FACE最权威的数据集检测的6项排名里5项排名第一。视觉技术在辅助驾驶里也可以发挥非常大作用，来提升驾驶安全，比如可以用来检测车前面的所有交通参与者，检测出你有没有越线、有没有跟前面的车靠得太近，如果人和车靠得非常近的话，可以提醒。

 

5、滴滴去年成立AI for Social Good的平台，希望用滴滴平台赋能环保、安全、健康、无障碍。我举两个例子，第一个是交通安全，全世界每年有135万的用户死于交通事故，基本每24秒钟就有1个人死于交通事故，这是非常严重的问题，滴滴一直致力于用技术提升出行安全。出行安全一般从三个层面考虑：人、车、路。人，包括有没有急加速、急减速等等这些不好的行为，有没有玩手机，玩手机分心是导致交通事故非常主要的因素，以及有没有疲劳等各种行为；路，包括各种路的基础信息，还交通灯、限速、车道速等等，也结合滴滴海量数据预测出道路行使速度；车，包括车龄、里程、车型等等。

 

我们把人、车、路这么多特征结合滴滴海量的出行数据，做海量数据挖掘，检测到有几个隐患是对交通安全造成比较大影响的：第一个隐患是路口，很多交通事故发生在路口，大家开车时一定要注意路口，注意左右前后有没有车、有没有人，另一方面，如果你是行人，走在道路口，也要特别关注，大家以后出行时，不管是开车还是行人，在交通路口要特别注意。第二个隐患是超速；第三个隐患是疲劳驾驶；第四个隐患是分心驾驶、玩手机等等。

 

我们通过更深度的数据挖掘到，在一些特殊的路口，如果速度超过某个值，发生交通事故的概率会显著提升。当我们检测到危险路口，速度过高我们会对司机语音提醒。大家打滴滴的时候应该能碰到这个提醒，如果前面道路比较复杂，我们认为是高危路口，司机速度超过某个值，我们会提醒让司机减速。今年我们做了大量的数据挖掘，进行提醒，交通事故也有下降。第二，我们非常关注司机群体的健康。

 

大数据是人工智能时代的原油，我们的“盖亚计数据开放计划”，会把部分脱敏数据免费开放给学界，贡献给大家，包括海量的POI检索数据、视频数据、出行数据、交通指数等等，也希望和大家携手推进技术进步，让出行更美好。

（*本文为AI科技大本营整理文章，转载请微信联系 1092722531）

◆

精彩公开课

◆

推荐阅读

• 滴滴开源在2019：十大重点项目盘点，DoKit客户端研发助手首破1万Star

• 你的 App 在 iOS 13 上被卡死了吗

• Hinton、吴恩达们也“吹牛”炒作？媒体和研究人员共谋，AI圈误导信息泛滥

• 通向人工智能产业落地化的道路在哪？

• 为什么我们最终抛弃 Chromium 选择了 Firefox ？

• 如何用Redis实现微博关注关系？

• 扎心了！互联网公司福利缩水指南

• “对不起，我们只招有出色背景的技术人员！”

• 不用失去控制权和所有权，也能在区块链中通过数据共享获得奖励？



你点的每个“在看”，我都认真当成了AI