顺丰AI科学家刘志欣 图片来自网络　　以物流领域为事例，大家想起的是租车小哥，但利用表象，物流是一条简单的供应链条，与之伴的是简单的网络拓扑结构，这必须很多简单的算法模型来解决问题。人工智能可以协助生物科技优化，提高简单决策，增强自学的方法协助决策更为高效。这些工作和人的工作是有序的，会代替人类工作。

　　另外物流天然必须大量的人力，人工智能把人从非常简单反复的工作中解放出来，让我们去做到更加简单更加有价值的工作。协助客户获得更佳的体验。　　刘志欣用三个例子说明了顺丰是如何用于人工智能辅助工作的。

　　第一个例子是AI助理打造出的数字化小哥，每天2亿次的服务公司，6亿次的操作者，十分轻资产的方法，宝贵的资源提供的方式，是其他企业很难挖出的数据。第六代的手执终端需要已完成收集数据的工作。

之后又研发了智能手环，和平小哥的双手。对于较轻的货物，顺丰研发了机械臂。此外，AI还可以协助优化路线。

　　第二个例子是智造有温度的客服。客服绝大多数是在展开非常简单单调反复的工作，自动辅助客服人员操作者，让客服人员展开更为有温度的服务。第三个例子是AI在客户管理和小哥管理上的辅助。

　　以下为刘志欣演说全文，略经编辑。　　刘志欣：　　物流领域人工的岗位和人工智能之间的关系是什么。

说道到物流租车行业，大家有可能第一个想像到的画面就是大街小巷很多流水不绝的小哥，以及路上行使的货车，还包括机场的货机等等。通过这些表象，我们实质上看见下面是一个非常复杂的长链条的业务环节，还包括小哥上门收件，到了服务公司再行到目的地，再行展开一次服务公司，更进一步的细化之后，做到一些支线运输，还有最后的小哥快件等等。这个业务链条十分宽，和它伴的就是一个非常复杂的网络拓扑结构。

怎么让海量的包覆在这个十分负责管理的流形网络结构中间高效、快捷，并且低成本的需要已完成它的旅程，流向最后的目的地，这就是我们有很多统计资料、生物科技等算法以及数学模型必须去解决问题的一个问题。　　今天人工智能的飞速发展，也需要协助我们提高原先模型的能力和效率。荐个例子，我们在做到预测的时候，传统的方法就是我们用时间序列来做到。

现在机器学习的发展，可以让我们融合内部、外部多种维度的数据，来多维度的建构机器学习的模型，训练他提高我们预测的准确性。　　另外一个例子，我们在做到线路规划的时候，传统不会使用很多预测优化的方法。

但是当我们的量十分大，并且情况很简单，我们必须做到一些简单决策的时候。这个时候，我们就不会使用增强自学的方法来协助我们的决策更为高效，更为智能。我们可以看见，人工智能技术的发展，实质上是协助了我们原先的算法更为高效，而这个算法本身和人工的岗位是共生有序的，它是一个工具，会代替人的工作。　　从另外一个层面来看，物流领域是一个低市场需求、大流量的方向，我们这里面天然就必须有大量的工作岗位经常出现。

返回人工智能的本质，人工智能就是通过数据去做到四件事情：一是感官；二是理解；三是建模；四是规划。我们做到的是这几个层面的事情，更好的是辅助人类更为高效的去已完成他的工作。所以我们研究AI，研究大数据，显然的目的是为了让我们的员工的工作更为高效，把他们从很多非常简单反复的工作当中解放出来，去已完成更好更加有价值的、更加有挑战、更加有可玩性的一些工作，为我们的客户带给更佳的体验。

　　基于刚才谈的两点，我们可以看见，现在中国物流行业早已跑到了一个十分有挑战，但是同时也是十分鼓舞的一个时期。作为物流租车行业的一个领军企业，我们顺丰对如何引导中国物流未来的发展模式是有责无旁贷的义务的。　　下面我们可以根据几个明确的例子跟大家共享一下我们人工智能算法是怎么样协助我们工作人员更为高效的已完成他们的工作，让我们的客户有更佳的体验，而不是威胁现有的人工工作的岗位。　　第一个例子，AI助力打造出数字化小哥。

　　每天我们有上千万的包覆，大约有4千多万公斤的重量，经过我们几十位一线的小哥，经过两亿次的服务公司，6亿次的运送操作者，这些包覆需要送往全国的各个地方。怎么看来这个问题？有可能很多人会指出这是一个十分轻资产的行业。

我们的观点是某种程度局限于此，好比是一个轻资产，更好的是一个十分宝贵的数据提供的资源，因为我们几十万的小哥散播在全部每个小区，每个写字楼，就像毛细血管一样，搜集大量的切合物理世界的数据。他的各种辨别和决策，这些数据是十分宝贵的，并且也是其他企业很难取得的一些数据。所以说道，我们要充份的挖出这些小哥给我们带给的数据的价值，因为数据本身就是人工智能方向一个最重要的引擎。　　在去年的时候，本来有一个第五代的手执终端给小哥工作，它仅次于的功能就是扫瞄和操作者。

但是我们找到，它并不需要协助我们去已完成收集小哥日常行为数据的一种功能。于是我们迅速的投放资源，研发了第六代的手执终端，更好的是已完成收集数据等方面的工作。我们还面对着一个问题，就是我们的小哥平时日常工作的时候必须双手来劳动，他如果这个手拿一个手执终端展开一些工作不会十分不方便，所以我们研发了智能手环，需要协助他更加高效、更加便利的展开工作。

除了末端的生态之外，我们还有很多翻新、服务公司、装车、卸车的工作。一个是工作强度十分大，再行一个如果是极重的物品，只不过是具有很高的风险的。所以我们也投放了资源研发了机械臂，来协助小哥更加精彩的已完成他的这些工作。

　　返回线路规划，线路规划是物流领域十分核心的问题。我们融合了传统的方法做到了这方面的一些工作，根据动态的件量来优化我们的路线以及很多简单条件下的决策，让我们的物流更为高效，成本更为高效率。这个主要是针对AI助力租车小哥方面的例子。　　第二个例子，“智”建温度的客服。

　　怎么看来智能客服这个问题？我们期望给客户获取的是一种更为针对个人的，更为自定义化，更为有温度的一些服务。但是实质上我们找到，我们的客服人员每天绝大部分的工作都是在反复一些非常简单、单调的工作。

我们基于这个问题，使用了一些NLP的技术，一些自然语言处置的技术去分析客户对话当中的意图，把他的关键信息提取出来之后，不会协助我们的系统，自动的辅助我们的客服人员或者自动的已完成一些操作者，让客服人员确实把他们的时间、能力和资源投放到对客户更为自定义化、更为有温度的场景中来，确实已完成一个人和人之间的交流。　　第三个例子，智能决策辅助人工决策，助力公司向自动化、信息化、智能化高效精准管理发展。　　瓦解了明确的一线业务之后，某种程度顺丰也不会面对很多管理上的挑战。

传统上管理都是基于人的感官、经验或者是一些预判的规则。这个时候不会受限于个人的能力，也不会受限于我们很多时候做到的是一些局部的辨别，并不是一个全局的辨别。所以说道，我们也就是指十分多维度的内部、外部的数据融合在一起，创建一些机器学习的模型，协助我们做一些智慧的决策。

　　这里面有几个明确的例子：　　一是中转场的管理和规划。　　中转场是十分最重要的环节，大量的货物在这里出入做到服务公司。这个时候，我们就使用了计算机视觉的技术，辅助我们去搭起一些模型，建模整个操作者环节，协助我们整个中转场里面各个环节的操作者更为高效，让我们的资源更为弹性、高效率、更为灵活性。　　二是关于小哥的管理方面。

　　这是分配任务的方面，我们通过实际的数据不会找到，有所不同的收派任务只不过是有相当大的区别的，比如说区域等等，甚至于还包括用户什么时候在家等等，这个时候，我们就不会根据数据找寻出有各个任务一些有所不同的规律，同时也挖出小哥他自己擅长于做到一些什么方面的工作，将这个任务和小哥的能力展开一些给定。同时我们也可以超过有序，让资源更为弹性的目的。　　三是关于客户方面的管理。

　　传统上我们不会有专门的涉及团队对于我们所有的中小客户、大客户展开一些管理。比如这个时候他们不会定期的每个月去分析这些客户他们否不会有一些变动，否不会有一些萎缩的风险。

但是这个有一个很相当严重的迟缓，我不有可能做每天对大量的客户都展开这些分析。所以我们也就是指大量的数据当中去挖出客户一些变动的规律，不会做到一些机器学习，我们传统上是人为的定义很多规则，而且这个规则覆盖面积不仅有。现在的话我们可以做动态，甚至我们根据客户的件量和订单等数据，可以预判他否有萎缩的风险，需要让我们的销售人员第一时间插手，和客户展开交流，协助他们增加损失。

　　从这几个方面的例子我们可以看见，人工智能本身可以协助我们一线的小哥工作人员，可以协助我们二线的客服人员，还可以协助我们三线的一些管理人员。总的来说，更加多已完成的是我怎么通过数据和算法来协助我们更为高效，更为有效地，更为精彩的已完成他的一些工作，而不是代替人这一方面的工作。

本文来源：江南体育平台·官方网站-www.kingdom2164.com