美团外卖日单量超过3000万，拥有近百万骑手，是全球最大的即时配送网络。与大多数互联网企业线上业务为主的模式不同（比如搜索、推荐、电商、短视频），配送系统需要在现实世界中的真实环境和真实场景中“运行”，最大的挑战是需要对骑手所在的环境和场景做到实时感知、准确理解和最优决策，这也是近几年行业经常说的“数字化”和“智能化”技术。

举例来说，配送中需要很多现实世界信息，比如商家在哪个商场，在几楼什么位置，从哪个门进入，是否坐电梯？骑手到达商家了吗，等餐多久了，还要等多久？ 这些信息的准确性和实时性，对如何做出更优的决策至关重要，是持续提升配送体验和效率的关键要素。

美团配送作为全球最大的即时配送网络，具有丰富的大数据和应用场景优势，结合机器学习、时空间大数据、AIoT相关技术，我们在“物理世界数字化和智能化”这方面做了很多探索和尝试，这次主要分享这方面的重要技术和相关经验。

分享大纲：

1. 即时配送业务发展

    行业整体发展趋势

    配送业务目标和挑战

2. “美团超脑”配送系统简介

    美团配送的技术目标

    美团配送的AI技术体系

3. 刻画现实世界的AI技术

    履约全环节的精准时间预估

    基于骑行轨迹的配送地图（点-线-面）

    基于IoT技术的配送情景感知

4. 配送技术的未来展望

听众收益：

1. 了解新零售下的美团配送的业务发展和AI技术体系

2. 了解AI技术在物理世界数字化方面，到底在解决什么问题，有什么挑战，取得哪些成果

3. 了解如何从业务痛点出发，提炼业务问题，并进行技术建模和持续优化，并最终验证技术效果

听众范围：熟悉机器学习、数据挖掘、AIoT等技术，解决一线业务问题的算法工程师

本次讲座将介绍每日优鲜发展现状及智能化的实践，包括如何实现基于千仓的智能售卖，如何实现智能的供应，如何实现智能供应和售卖的匹配，如何实现智能的配送等，分享我们在实践过程中所用算法及心得。

1. 机遇与挑战

行业发展趋势

智能化在行业中的机遇和挑战

2. 智能推荐

基于千仓千面的智能推荐

3. 智能供应

基于预测实现商品采购

基于预测实现大仓到微仓的分配

4. 智能促销

基于千仓库存实现智能促销

5. 智能配送

基于订单趋势、出库时间、配送时间等关键因素，智能实现人-单分配

6. 智能化的未来 

生鲜零售智能化未来的机遇和发展方向

 

听众收益：

1. 了解生鲜零售的机遇和挑战

2. 了解生鲜零售的智能化方案

3. 了解生鲜零售智能化过程的挑战

交通物流所属的算法领域，传统上来说属于运筹优化的范畴，主要由精确求解和近似求解两条路线构成，而结合大数据机器学习的体系架构，随着时间的推移，越来越发挥出它的价值，两者结合的研究也开始逐渐增多，我们从在菜鸟的几代技术体系演进的路线为主轴，分享我们在这条路上的得失和自己的一些思考。

一、物流服务的基本挑战

    1. 物流场景特点

    2. 面临的困难和挑战

二、菜鸟网络的AI能力

    1.  统一的运筹优化底层服务平台

    2.  机器学习、分布式并行计算、运筹优化算法的融合

三、AI应用（车辆路径规划、多智能体调度）

    1. 在配送场景如何针对不同的效果、响应时间、约束要求构建统一的AI服务能力  

    2. 以切箱、箱型设计为例介绍在物流落地AI技术的相关要素

    3. 如何结合场景特点，融合精确求解、启发式求解、深度强化学习，在业务进化的同时坚持技术建设方向

    4. 优化算法在产业互联网的广阔应用前景

听众收益：

1、了解工业界在智慧物流交通体系的最新尝试和进展
2、能够自己从无到有，更新迭代自己的技术架构体系

听懂我的演讲，需要具备这些知识储备：

1、深度强化学习、机器学习的算法背景
2、大数据相关的基础工程技术
3、运筹优化的基础算法背景

本talk将分享如何在IA架构服务器集群上利用基于英特尔优化的Tensorflow、MXNet、PyTorch 开源方案高效地搭建分布式AI模型训练系统，并利用其进行分布式模型训练。

演讲提纲：

1. 构建基于IA架构的容器或虚拟化服务器集群
2. 如何在IA架构服务器优化分布式任务性能
3. 如何利用Horovod构建分布式训练代码
4. 如何优化分布式训练超参数

听众收益：

1. 了解在IA架构服务器集群搭建分布式AI模型训练的原理

2. 掌握在IA架构服务器优化分布式性能的要点

3. 获得基于Horovod分布式方案训练的经验分享

内容亮点：

1. 现代Xeon处理器上的NUMA特性

2. VM、Docker分布式训练环境

3. Horovod分布式训练