方案1：全基因組測(cè)序分析及醫(yī)療影像分析方案Health Nucleus每周三期，詳解人工智能產(chǎn)業(yè)解決方案，讓AI離你更近一步。
解決方案均選自機(jī)器之心Pro行業(yè)數(shù)據(jù)庫。
解決方案簡(jiǎn)介：
該方案結(jié)合了全基因組測(cè)序分析和 MRI 醫(yī)療影像分析的結(jié)果，能幫助用戶了解自身的遺傳疾病風(fēng)險(xiǎn)、對(duì)食物和藥物的過敏情況、膚色、眼睛虹膜顏色、身高的情況，并獲得關(guān)于癌癥、心血管疾病、神經(jīng)疾病、代謝疾病等疾病的健康建議。
目前，企業(yè)已經(jīng)集合了超過一百萬人的 DNA 數(shù)據(jù)與其臨床病理數(shù)據(jù)。
該企業(yè)的數(shù)據(jù)還能為醫(yī)療保險(xiǎn)公司提供決策參考，創(chuàng)建合適的保險(xiǎn)產(chǎn)品。
解決方案詳解：
該公司通過利用亞馬遜的云服務(wù)管理大數(shù)據(jù)，構(gòu)建人類基因組、對(duì)應(yīng)的表型，以及對(duì)應(yīng)醫(yī)療診斷病例的數(shù)據(jù)庫。利用機(jī)器學(xué)習(xí)方法進(jìn)行大規(guī)模計(jì)算，分析基因組數(shù)據(jù)預(yù)測(cè)出生命特征和衰老趨勢(shì)，并通過早期診斷與改變生活方式等方法幫助用戶達(dá)到健康長(zhǎng)壽的目的。
方案2：人工智能風(fēng)控引擎I.C.E.解決方案簡(jiǎn)介：
I.C.E. 是用錢寶以人工智能技術(shù)為核心的風(fēng)控引擎。I.C.E.是人工智能基本邏輯 Identify（識(shí)別）、Calculate（計(jì)算）、Evaluate（評(píng)估）的縮寫，分別對(duì)應(yīng)了「柯南特征工程」、「Anubis 大數(shù)據(jù)計(jì)算架構(gòu)」、「D-AI 機(jī)器學(xué)習(xí)模型」三個(gè)智能風(fēng)控組成部分。
基于人工智能技術(shù)的風(fēng)控引擎提供了新風(fēng)控方式，可以幫助金融機(jī)構(gòu)從弱特征數(shù)據(jù)層面更加全面的對(duì)用戶進(jìn)行風(fēng)險(xiǎn)評(píng)估與定價(jià)。解決中國大部分人群無法獲得傳統(tǒng)金融服務(wù)的問題。具體可實(shí)現(xiàn)：
1. 拓寬金融服務(wù)邊界：通過人工智能技術(shù)讓之前不能獲取金融服務(wù)的人群獲得與之想匹配的金融服務(wù)與金融能力；
2. 提高服務(wù)效率：可 7x24 小時(shí)純線上完成；
3. 無道德風(fēng)險(xiǎn)，反作弊能力強(qiáng)。
解決方案詳解：
其人工智能風(fēng)控引擎的技術(shù)方案由以下構(gòu)成：
1. 數(shù)據(jù)上：基于用戶在互聯(lián)網(wǎng)上的行為軌跡；
2. 樣本上：基于「用錢寶」海量的金融樣本；其中被標(biāo)注的樣本已經(jīng)超過千萬；
3. 特征上：基于常見的特征工程，研發(fā)了 Conan 特征工程體系，目前已經(jīng)挖掘產(chǎn)生有效弱特征超過 2,200 維；除了常見特征工程算法以外，還引入了特征自動(dòng)挖掘和衍生算法；
4. 模型上：基于傳統(tǒng)機(jī)器學(xué)習(xí)模型，針對(duì)金融場(chǎng)景下的復(fù)雜環(huán)境問題，研發(fā)了 D-AI 機(jī)器學(xué)習(xí)模型；D-AI 機(jī)器學(xué)習(xí)模型依據(jù)具體的金融場(chǎng)景問題嘗試不同的機(jī)器學(xué)習(xí)模型，包括但是不限于 LR、GBDT、深度學(xué)習(xí)、LR+GBDT、Boosting 融合模型、Blending 融合模型等；
5. 架構(gòu)上：為了能夠支撐海量數(shù)據(jù)特征的計(jì)算和模型迭代，自主研發(fā)了 Anubis 大數(shù)據(jù)計(jì)算架構(gòu)。計(jì)算架構(gòu)由常見的分布式計(jì)算框架、實(shí)驗(yàn)流量框架和大數(shù)據(jù)存儲(chǔ)框架構(gòu)成。
方案3：自適應(yīng)學(xué)習(xí)引擎AI（H）解決方案簡(jiǎn)介：
用 AI 技術(shù)模擬個(gè)人投遞和企業(yè)簡(jiǎn)歷初篩過程，幫助招聘企業(yè)和求職者實(shí)現(xiàn)精準(zhǔn)高效的需求匹配。
能實(shí)現(xiàn)以下優(yōu)勢(shì)：
1. 更高效。簡(jiǎn)歷、求職者歷史行為數(shù)據(jù)搜索匹配，有效降低 HR 簡(jiǎn)歷獲取、初篩的成本，提升招聘效率，解決中小企業(yè)投遞量不足及大企業(yè)篩選困難的問題；
2. 更精準(zhǔn)。使用歷史錄用員工簡(jiǎn)歷、績(jī)效考核、評(píng)價(jià)等個(gè)性化標(biāo)注數(shù)據(jù)訓(xùn)練模型，滿足企業(yè)個(gè)性化招聘需求。
解決方案詳解：
使用自然語言處理（NLP）技術(shù)和門禁卷積神經(jīng)網(wǎng)絡(luò)（Gated CNN）算法，綜合企業(yè)歷史投遞、面試、招聘、績(jī)效考核和評(píng)價(jià)等標(biāo)記數(shù)據(jù)，和求職者的檔案信息、簡(jiǎn)歷/職位文本內(nèi)容、招聘和投遞等歷史行為數(shù)據(jù)，實(shí)現(xiàn)企業(yè)與求職者雙方需求的高效率匹配。
方案4：先進(jìn)駕駛輔助系統(tǒng)以及自動(dòng)駕駛技術(shù)平臺(tái)Zenuity解決方案簡(jiǎn)介：
公司擁有 Level 1 的獨(dú)特經(jīng)驗(yàn)技能，從傳感器到控制均有涉獵，提供工業(yè)汽車先進(jìn)駕駛輔助系統(tǒng)（ADAS）以及自動(dòng)駕駛技術(shù)解決方案。公司正在為完整的 ADAS 和 AD 系統(tǒng)構(gòu)建模塊化平臺(tái)，提供完整的軟件堆棧，包括計(jì)算機(jī)視覺、傳感器融合、決策和車輛控制的算法，以及在云中運(yùn)行的應(yīng)用程序。希望其軟件能與各個(gè)公司的傳感器、計(jì)算硬件兼容，實(shí)現(xiàn)不同車型，不同自主駕駛程度的車輛之間的擴(kuò)展。平臺(tái)結(jié)合傳統(tǒng)的信號(hào)處理技術(shù)與新興的深度學(xué)習(xí)技術(shù)分析從傳感器中得到的大量數(shù)據(jù)。
解決方案詳解：
沃爾沃汽車公司是一家發(fā)祥于瑞典，并逐漸走向全球各大汽車市場(chǎng)的汽車制造商。目前在全球各地銷售的「XC60」、「S60」以及「S90」等系列都是該公司推出的優(yōu)秀乘用車。2017 年 1 月 3 日，該公司對(duì)外發(fā)布消息表示為了推進(jìn)自動(dòng)駕駛的研發(fā)進(jìn)程，會(huì)與瑞典奧托立夫公司（AUTOLIV）全新設(shè)立一家名為「Zenuity」的合營(yíng)公司。AUTOLIV 是向全球各大汽車制造商提供主動(dòng)及被動(dòng)安全系統(tǒng)的世界頂級(jí)供應(yīng)商。
方案5：數(shù)據(jù)智能解決方案解決方案簡(jiǎn)介：
創(chuàng)新奇智數(shù)據(jù)智能解決方案基于擁有自主知識(shí)產(chǎn)權(quán)的自動(dòng)化機(jī)器學(xué)習(xí)平臺(tái)，以MLaaS的服務(wù)方式為用戶提供從底層基礎(chǔ)環(huán)境配置到算法應(yīng)用輸出的端到端機(jī)器學(xué)習(xí)服務(wù)， 通過對(duì)數(shù)據(jù)深入挖掘，最大程度激活數(shù)據(jù)價(jià)值 ，助力企業(yè)優(yōu)化流程、促進(jìn)創(chuàng)新、提升商業(yè)價(jià)值（降本增收提效）。 創(chuàng)新奇智數(shù)據(jù)智能方案適用于多個(gè)應(yīng)用場(chǎng)景：零售行業(yè)的智能推薦、智能補(bǔ)貨，制造行業(yè)的質(zhì)檢、預(yù)測(cè)性運(yùn)維，金融行業(yè)的智能風(fēng)控、智能核保，還有應(yīng)用于大型數(shù)據(jù)中心的運(yùn)維能效管理（PUE）。
解決方案詳解：
市場(chǎng)背景數(shù)據(jù)智能是指基于大數(shù)據(jù)引擎，通過大規(guī)模機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等技術(shù)，對(duì)海量數(shù)據(jù)進(jìn)行處理、分析和挖掘，提取數(shù)據(jù)中所包含的有價(jià)值的信息和知識(shí)，使數(shù)據(jù)具有“智能”，并通過建立模型尋求現(xiàn)有問題的解決方案以及實(shí)現(xiàn)預(yù)測(cè)等。為使各行各業(yè)數(shù)據(jù)得到很好應(yīng)用，數(shù)據(jù)智能產(chǎn)品應(yīng)運(yùn)而生。所針對(duì)的行業(yè)痛點(diǎn)以瑪氏為例，瑪氏公司是全球最大的食品生產(chǎn)商之一，擁有眾多世界知名的品牌。在這 些品牌中，價(jià)值超過十億美元的品牌就包括德芙、瑪氏、M&M’S、士力架、 UNCLE BEN’S、傲白、寶路、皇家、偉嘉和特趣?，斒显谥袊?100多 家分銷商，現(xiàn)由瑪氏銷售人員依據(jù)個(gè)人經(jīng)驗(yàn)每天耗費(fèi)大 量時(shí)間對(duì)所負(fù)責(zé)的分銷商進(jìn)行補(bǔ)貨決策，因相關(guān)限制條件過多，往往不能做出 最優(yōu)化的補(bǔ)貨決策，造成訂單滿足率較低，過期倉與臨期倉數(shù)量過高具體解決的業(yè)務(wù)場(chǎng)景問題零售行業(yè)的供應(yīng)鏈優(yōu)化包括智能推薦、需求預(yù)測(cè)、智能補(bǔ)貨，智能選址等，制造行業(yè)的質(zhì)檢、預(yù)測(cè)性運(yùn)維，金融行業(yè)的智能定價(jià)、智能風(fēng)控、智能核保，還有應(yīng)用于大型數(shù)據(jù)中心的運(yùn)維能效管理（PUE）。應(yīng)用現(xiàn)狀及市場(chǎng)前景任何行業(yè)背后都有大數(shù)據(jù)的支撐，而在海量的數(shù)據(jù)中挖掘價(jià)值，都需要數(shù)據(jù)智能技術(shù)，因此市場(chǎng)前景非常廣闊。相對(duì)其他同類產(chǎn)品的競(jìng)爭(zhēng)優(yōu)勢(shì)擁有面向特定場(chǎng)景的自研算法，對(duì)場(chǎng)景的深入了解。產(chǎn)品/解決方案具體功能和功能架構(gòu)創(chuàng)新奇智數(shù)據(jù)智能方案基于擁有自主知識(shí)產(chǎn)權(quán)的自動(dòng)化機(jī)器學(xué)習(xí)平臺(tái)，目標(biāo)是幫助用戶快速構(gòu)建企業(yè)級(jí)的機(jī)器學(xué)習(xí)應(yīng)用，降低部署門檻，提升開發(fā)效率。自動(dòng)化機(jī)器學(xué)習(xí)平臺(tái)包含數(shù)據(jù)核心、算法核心和生產(chǎn)核心三個(gè)部分。數(shù)據(jù)核心具有海量數(shù)據(jù)處理能力，建立數(shù)據(jù)閉環(huán)，集成管理客戶數(shù)據(jù)。算法核心多種算法支持，自動(dòng)化特征抽取和選擇，自動(dòng)化算法訓(xùn)練，快速定義算法能力。生產(chǎn)核心以MLaaS的方式將數(shù)據(jù)能力與算法能力結(jié)合，通過生產(chǎn)核心部署企業(yè)級(jí)機(jī)器學(xué)習(xí)應(yīng)用，快速支持企業(yè)AI能力輸出。技術(shù)方案設(shè)計(jì)流程及思路銷量預(yù)測(cè)算法選型：
需求預(yù)測(cè)，可以是一個(gè)分布，也可以是對(duì)特定業(yè)務(wù)目標(biāo)優(yōu)化的期望值。需求預(yù)測(cè)通過對(duì)銷量等于庫存情形優(yōu)化建模方式，有效緩解了庫存限制銷量的影響；銷量評(píng)級(jí)，可以通過對(duì)在架商品的銷量評(píng)級(jí)建模，推廣到所有倉庫商品，從而對(duì)商品上下架和進(jìn)貨提供參考。TreeDNN具有以下優(yōu)勢(shì)：
1） 動(dòng)態(tài)連接網(wǎng)絡(luò)單元既減緩噪音影響，也起到特征選擇和特征交叉的作用；
2） 樹形神經(jīng)網(wǎng)絡(luò)單元既有決策樹條件判斷的形式，又通過概率路由的設(shè)計(jì)避免了非左即右的決策樹判斷形式，對(duì)弱特征數(shù)據(jù)效果顯著優(yōu)于傳統(tǒng)決策樹算法；
3） 動(dòng)態(tài)剪枝訓(xùn)練壓縮了神經(jīng)網(wǎng)絡(luò)大小，同時(shí)減去了多余的表達(dá)力。使得對(duì)于任意機(jī)器學(xué)習(xí)任務(wù)，給定充分大網(wǎng)絡(luò)，即可通過動(dòng)態(tài)剪枝訓(xùn)練達(dá)到或接近最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)超參數(shù)的測(cè)試效果；
4） 該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可微可導(dǎo)，可以針對(duì)各類業(yè)務(wù)目標(biāo)設(shè)計(jì)特定損失函數(shù)做端到端訓(xùn)練。
需概率分布的預(yù)測(cè)，同樣包括均值預(yù)測(cè)和商品層級(jí)優(yōu)化。技術(shù)特點(diǎn)上：需要支持分布預(yù)測(cè)，為補(bǔ)貨提供更充分信息；支持特定目標(biāo)預(yù)測(cè)，例如百分點(diǎn)位預(yù)測(cè)，或者整體合格率最優(yōu)；通過商品之間的內(nèi)在關(guān)聯(lián)，對(duì)商品的預(yù)測(cè)做進(jìn)一步修正，精度更高。例如飯類所有商品的銷量預(yù)測(cè)值的總和與飯類整體銷量預(yù)測(cè)值接近，整體的銷量是比較穩(wěn)定的。
1） 均值預(yù)測(cè)方法
樹形神經(jīng)網(wǎng)絡(luò)、Boosting決策樹預(yù)測(cè)需求均值，在損失函數(shù)里對(duì)銷量等于庫存的額外處理；
利用商品層級(jí)對(duì)均值進(jìn)行優(yōu)化修正，類別的未來需求更穩(wěn)定，將類別的需求預(yù)測(cè)作為商品預(yù)測(cè)的需求作為約束進(jìn)行優(yōu)化。
2） 需求概率分布預(yù)測(cè)方法
高斯分布；對(duì)數(shù)正態(tài)分布。
智能補(bǔ)貨算法選型
同樣考慮不確定因素（到貨延期，需求波動(dòng)等），通過構(gòu)建隨機(jī)優(yōu)化模型，以改善周轉(zhuǎn)率和提高現(xiàn)貨率為目標(biāo)，并考慮具體業(yè)務(wù)中的限制，從而求得各SKU的最優(yōu)補(bǔ)貨量。
隨機(jī)優(yōu)化是處理數(shù)據(jù)帶有隨機(jī)性的一類數(shù)學(xué)規(guī)劃，它與確定性數(shù)學(xué)規(guī)劃最大的不同在于其系數(shù)中引進(jìn)了隨機(jī)變量，這使得隨機(jī)規(guī)劃比起確定性數(shù)學(xué)規(guī)劃更適合于實(shí)際問題，例如在預(yù)測(cè)產(chǎn)品需求量時(shí)，由于預(yù)測(cè)誤差的存在，實(shí)際的需求量與預(yù)測(cè)的需求量會(huì)有出入，考慮這方面影響時(shí)隨機(jī)規(guī)劃更加合適，并且隨機(jī)優(yōu)化模型能輸出在業(yè)務(wù)約束條件下的最優(yōu)結(jié)果，補(bǔ)貨隨機(jī)優(yōu)化模型對(duì)計(jì)算能力要求較高。下圖為隨機(jī)優(yōu)化補(bǔ)貨模型示意，針對(duì)不同的場(chǎng)景選用不同模型算法（自研算法或啟發(fā)式算法）。
所需技術(shù)和模型
技術(shù)：機(jī)器學(xué)習(xí)、運(yùn)籌優(yōu)化
算法：TreeDNN、對(duì)偶深度回歸、置信區(qū)間預(yù)測(cè)、需求概率分布預(yù)測(cè)、拓展性更強(qiáng)的隨機(jī)優(yōu)化模型、模擬仿真環(huán)境
