滴滴葉傑平：年運送乘客百億次，AI如何「服務」出行領域？| BDTC 2019

• 2019 年 12 月 26 日
• 筆記

出品 | AI科技大本營（ID:rgznai100）

「如果把北京一天滴滴的軌跡數據放在一起，要覆蓋北京所有道路差不多四百次，數據非常大、非常完整。」

超5.5億用戶，年運送乘客100億人次，除了中國地區，滴滴也在拉美、日本、澳大利亞等地提供出行服務。在近日由中國電腦學會主辦，CCF大數據專家委員會承辦，CSDN、中科天璣數據科技股份有限公司協辦的2019大會上，滴滴人工智慧實驗室負責人、滴滴出行副總裁，美國密西根大學教授葉傑平介紹，滴滴目前每天產生超過100T的軌跡數據，滴滴平台基本上每輛車每隔幾秒鐘都會傳送GPS訊號數據，這也使其成為出行領域領先的數據公司。

滴滴希望通過大數據、人工智慧技術，能夠從海量的出行數據里挖掘有價值的資訊，提升出行安全、體驗與效率。

無疑，交通設施領域，人工智慧、大數據技術可以顯著提升服務效果。雖然龐大的數據量也帶來了業務上的挑戰，「比如每天做路徑規劃需要超過400億次，高峰時期每1秒鐘可能需要處理好幾百萬次的路徑規劃，定位也是超過150億次。」但大數據智慧會發揮越來越重要的作用。

滴滴究竟在技術上是如何落地到出行服務的？大會上，葉傑平做了題為《人工智慧在出行領域的機遇和挑戰》的報告，對滴滴技術布局和落地進行了詳細闡述。

以下為葉傑平部分演講內容實錄，AI科技大本營（ID:rgznai100）整理：

滴滴的AI布局

滴滴非常早期投入了大數據和人工智慧，成立了研究院，AI在滴滴的各個核心系統、場景包括智慧交通，用AI優化交通基礎設施，包括智慧交通工具，滴滴在電動車、自動駕駛領域也有很深入的投入。

還有智慧運營，包括怎麼做派單，拼車、怎麼做供需預測等等；還有出行安全，我們一直致力於用人工智慧技術讓出行更安全。地圖是非常核心的模組，我們用很多前沿技術提升地圖體驗效率，包括路況預測、路徑規劃、時間預估等等。客服方面，每天有超過120萬次的用戶進線，這個量非常大。我們利用前沿知識圖譜、NLP、語音技術，構建一套智慧的客服系統，目前75%的進線可以用智慧助手來回答。去年8月份我們還提出AI賦能社會，用AI來賦能安全、環保、健康等等。

這是滴滴的人工智慧布局，底層是做核心的基礎人工智慧技術，包括強化學習、深度學習、統計、運籌，這些是核心關鍵基礎技術。中間層是技術層，包括語音識別、自然語言理解、電腦視覺、知識圖譜。上面一層是應用層。

AI技術在出行領域的落地

很多人問為什麼出行交通需要用到前沿的AI技術，為什麼AI在出行領域發揮很大的作用？國際頂級專家Michael Jordan去年在上海人工智慧大會給了一個Keynote，總結人工智慧成功的幾個階段：Back End、Human Side、End to End。目前處於第三個階段End to End的深度學習，帶來很大的變革，利用深度學習在語音、視覺、NLP取得很大的突破，我們在很多方向已經接近或者超越人類了，他也展望了下一個10年人工智慧應該往哪個方向走，他提出大家應該關注的方向是Market，有交易市場的人工智慧，這個問題更複雜，牽涉到大數據、人工智慧、經濟等方向。

除了預測，交易市場很重要的一個方向是怎麼做決策，而且是系列決策，如何保證所有決策是最優的？我們目前做序列決策的方法論不是特別完善，他認為這是未來10年我們非常需要關注的方向。

今天我重點講講在出行領域，AI如何落地創造價值。

出行場景一個最重要的模組是派單，如何匹配司機和乘客。在滴滴，派單系統會每2秒鐘做一次訂單匹配，把乘客和司機做最優匹配。這分幾個步驟：第一步，兩兩計算它的匹配度，比如一個司機和一個乘客如果距離近、行駛時間短，那這個匹配是好的。如果離得很遠，那這個匹配是不好的。第二步，有了這個匹配度之後，基於二分匹配圖可以實現最優的匹配。

用二分圖方法解最優解，結果是2秒之內最大量的乘客被滿足需求。這裡面需要預估司機接乘客需要的行駛距離和時間，裡面會涉及兩項核心技術，一個是路徑規劃，一個是預估到達時間。滴滴開發了一套基於深度學習和強化學習的地圖演算法。

早期，我們派單演算法的目標是在提升用戶體驗到同時讓2秒鐘之內更多乘客被應答。2016年，我們思考演算法如何更加優化，比如考慮能不能更長時間優化，比如優化1小時或者1天。

本質上，派單是序列決策問題，而且我們做每一個決策能夠影響未來司機的分布，比如一個司機接一個乘客可以認為是一個動作，動作帶來的結果是這個司機過了一段時間到了乘客目的地，這個動作導致狀態發生變化，這是類似AlphaGo的強化學習問題。

2017年我們開發了一套基於強化學習的智慧派單匹配系統，把目標從2秒鐘最優改成了1天最優，2017年上線取得顯著的收益，目前全國很多的城市都是用了基於強化學習的智慧派單系統。

實際上，2017年的時候我們的派單還有很多不足，只能模擬簡單的時間、空間，不能模擬動態的複雜資訊，比如天氣，這個區域如果發生下雨了，對派單會產生很大的影響，如何把這些資訊都包括進來？

去年我們開發一套基於深度強化學習的方法V-Net，把所有潛在有價值的資訊都包含起來，建立深度學習模型，顯著超過了之前的演算法。今年10月，我們基於強化學習的網約車派單解決方案獲得了2019年度INFORMS Daniel H. Wagner Prize，這是這個獎項22年以來第一次頒給中國公司。

基於這套深度強化學習我們還訂製了一套司機AI助手，來幫助司機做合理的調度決策。其實每個司機其實都很在乎，沒有訂單時到底是應該原地不動還是開空車到一個熱的區域。如果他做了一個錯誤的決策，可能空車開到別的地區後依然長時間沒有訂單。我們開發一套基於深度強化學習的系統，能為司機提供更好的調度決策，來幫助提升司機的收入。基於類似於AlphaGo的深度優化方法也能顯著提昇平台效率。

滴滴的核心AI技術

下面介紹滴滴這幾個核心的AI技術，包括語音、NLP、視覺、知識圖譜，如何在出行領域落地創造價值。最近十年我們在語音、視覺、NLP取得很大突破，尤其最近兩年NLP方向取得很大突破，每過幾個月就能夠聽到新的模型出來創造價值。

1、NLP。有人會問為什麼在滴滴需要做NLP？舉幾個例子，滴滴的司機、乘客有很多交互，比如司機、乘客會聯繫客服，接單後司機和乘客相互間也可以通過端內IM交流，NLP能夠讓這些溝通更加高效便捷。假設你去日本旅遊，通過滴滴APP叫了一輛計程車，假設你要問司機一些問題，不懂日語也沒關係，你可以直接在IM里輸入中文，我們會把你的中文翻譯成日語，司機看到的是日語，看到之後他可以用日語寫一段他的回答，然後IM會自動翻譯成你能看懂的中文。這背後是一套中日翻譯系統，這個系統極大解決了中國用戶和日本計程車司機間的交互，且更加便捷和高效。

滴滴高品質的人工智慧翻譯系統核心技術是利用海量的文本數據，我們拿到海量的中文、日文，找到一些匹配對，背後有一套很強大的演算法能夠檢測這個對是不是相似的、是不是一對翻譯，然後過濾掉很多匹配度差的雜訊，把這個clean數據放到我們的機器翻譯系統，然後構建中日翻譯，顯著提升了效率。目前很多中日翻譯系統都是把數據拿到之後沒有太多過濾就直接構建這個系統，效率有很大提升空間。

另外一個NLP的場景是客服，如前面提過的，我們開發一套基於NLP、知識圖譜、語音的智慧客服系統，目前75%的進線是可以通過智慧客服來回答。

2、語音技術。一是語音識別，我們怎麼聽得清、聽得懂，二是語言理解，三是語音合成。

語音在出行有很多應用，在一些場景，語音可以操作接單、取消訂單。大家知道滴滴司機每天非常多人工點觸手機屏，比如接訂單需要點一下，取消訂單需要點一下，用導航需要點一下，用熱力圖也需要點一下，這個動作不安全。我們開發了一套基於語音交互系統，司機只需要跟我們的系統說話就好了，就能完成一些操作。今年7月我們已經在日本率先上線了，司機只需要用語音交互就能夠完成接單功能，極大提升了體驗和效率。

3、知識圖譜。滴滴有海量出行軌跡數據，可以用知識圖譜來表達，知識圖譜的一個優勢是能夠做圖嵌入，最終結果是每一個結點，比如POI，得到非常豐富的向量、特徵表達。這個Embedding可以做很多事情，比如機器學習，做聚類、分類、相似度分析等等很多功能。

基於滴滴的出行數據，我們構建一個知識圖譜，在4個城市做了個聚類，把Embedding之後的POI做了聚類。不同顏色表示不同的類別，同一顏色的點基本在空間和時間上屬於臨近的區域。這還可以做很多事情，比如北京火車站這個點我們通過Embedding找到跟它最近的10個點。分為兩個時間段，一個是平日，把所有的平日數據放在一起，然後找到相似的數據點，不出意料，相似的點要麼是火車站，要麼是機場。

我們用2019年國慶節滴滴的數據做了Embedding，發覺有點不一樣，比如長途汽車站就出現了，我們理解在國慶時人流量顯著提升，很多人只能用汽車出行，所以汽車站在國慶節就出現了。更有意思的是我們看到德勝門跟東直門這兩個點出現了，國慶節期間很多旅遊大巴在那裡是起點和終點，這兩個剛好是旅遊大巴比較密集的地方，我們的數據能夠把這個點找出來。

我們還利用跨城的數據做了Embedding，然後基於embedding進行聚類。可以看到突顯的三個區域是京津冀、長三角、珠三角，也符合預期。

4、視覺。我們每天做人臉識別，保證接你的司機和註冊的司機是同一個司機，來提升出行安全。人臉識別之前很重要的一個動作是人臉檢測，我們自研了一套基於深度學習的人臉檢測演算法，今年年初在WIDER FACE最權威的數據集檢測的6項排名里5項排名第一。視覺技術在輔助駕駛里也可以發揮非常大作用，來提升駕駛安全，比如可以用來檢測車前面的所有交通參與者，檢測出你有沒有越線、有沒有跟前面的車靠得太近，如果人和車靠得非常近的話，可以提醒。

5、滴滴去年成立AI for Social Good的平台，希望用滴滴平台賦能環保、安全、健康、無障礙。我舉兩個例子，第一個是交通安全，全世界每年有135萬的用戶死於交通事故，基本每24秒鐘就有1個人死於交通事故，這是非常嚴重的問題，滴滴一直致力於用技術提升出行安全。出行安全一般從三個層面考慮：人、車、路。人，包括有沒有急加速、急減速等等這些不好的行為，有沒有玩手機，玩手機分心是導致交通事故非常主要的因素，以及有沒有疲勞等各種行為；路，包括各種路的基礎資訊，還交通燈、限速、車道速等等，也結合滴滴海量數據預測出道路行使速度；車，包括車齡、里程、車型等等。

我們把人、車、路這麼多特徵結合滴滴海量的出行數據，做海量數據挖掘，檢測到有幾個隱患是對交通安全造成比較大影響的：第一個隱患是路口，很多交通事故發生在路口，大家開車時一定要注意路口，注意左右前後有沒有車、有沒有人，另一方面，如果你是行人，走在道路口，也要特別關注，大家以後出行時，不管是開車還是行人，在交通路口要特別注意。第二個隱患是超速；第三個隱患是疲勞駕駛；第四個隱患是分心駕駛、玩手機等等。

我們通過更深度的數據挖掘到，在一些特殊的路口，如果速度超過某個值，發生交通事故的概率會顯著提升。當我們檢測到危險路口，速度過高我們會對司機語音提醒。大家打滴滴的時候應該能碰到這個提醒，如果前面道路比較複雜，我們認為是高危路口，司機速度超過某個值，我們會提醒讓司機減速。今年我們做了大量的數據挖掘，進行提醒，交通事故也有下降。第二，我們非常關注司機群體的健康。

大數據是人工智慧時代的原油，我們的「蓋亞計數據開放計劃」，會把部分脫敏數據免費開放給學界，貢獻給大家，包括海量的POI檢索數據、影片數據、出行數據、交通指數等等，也希望和大家攜手推進技術進步，讓出行更美好。

（*本文為AI科技大本營整理文章）