人工智能精准决策，这家啤酒企业的运输调度有了“最强大脑”
某国际啤酒巨头上海地区人工调度排班用时长达一小时，耗时较长，导致整体的装车、排车作业时间很长，响应速度不够快，业界也比较头疼没有办法得到一个比较精确的时长，该企业希望能大幅缩减排班时长。
4、排程误差大
车辆在每个站点的停留时长人工预测精度低，路线排程误差大，人工排班无法考虑到客户订单、网点信息与时间窗、路线模版、车辆信息、运输费率、装卸效率等信息。
5、经销商忠诚度低
通常情况下，经销商会代理很多相关产品，比如除了啤酒，还会有雪碧、可乐等等，产品好卖、销售量大、成本压力小关乎经销商忠诚度，提高合作粘性，降低经销商的运输成本变得至关重要。
因此，某国际啤酒巨头急需改善现有物流运作管理能力，而优化整个链条、减少运输成本、提升资源利用率和业务响应速度是关键和基础，经过多方对比，杉数科技利用运筹学模型与机器学习将实际问题转化为数学模型求解，解决一系列运输业务场景中的优化问题，且拥有专门针对物流优化问题的智能运输平台小马驾驾（PonyPlus）为物流行业提供全链条技术服务。最终，该啤酒企业确定与杉数科技合作，携手解决运输调度优化的实际问题。
整体解决方案
小马驾驾是杉数科技在市场上推出的首款智能配送优化SaaS产品，综合性的使用了多种算法模型，可以大幅提升运行效率和算法效果，操作便捷，可配置性强，比较标准的业务场景下可以在1分钟内得到满意的结果，为企业提供多维度、多目标、多场景的配送任务分配以及路线规划建议，显著提高企业的运营效率，降低物流决策成本。
1、满足常规限制条件，引入优化策略
首先，通过独立设计的智能优化VRPTW（VehicleRoutingProblemwithTimeWindows）算法，将啤酒企业客户的收货时间窗要求、车辆的装载上限、最大行驶里程、分区限行规则、车辆跟商品的对应关系、运输地点和车型的对应关系等作为限制条件引入优化计算过程中，确保这些常规限制条件的满足，引入优化策略。同时，根据该企业啤酒配送场景，配置针对性的优化策略，满足啤酒运输的需求，快速响应业务变化，小马驾驾多达20多个自定义参数，和15+优化策略形成一套组合拳，向啤酒运输优化的各个场景，提供有力支持并实现短时间内处理大量的运输任务的需求，将调度决策过程智能化、系统化。
不同于传统的VRP算法以车次最少或里程最短为目标，小马驾驾引入了相关费率的计算，使得优化以总成本最低为目标，切实为该啤酒企业降低运输费用。
2、将实际交通情况纳入优化限制约束中
通过实时调取高德地图的汽车导航数据，小马驾驾可以将上海市的实际交通状况及相关规定（例如限行、单行、禁止左转、禁止掉头等）充分纳入到某国际啤酒巨头运输优化的限制约束中进行考虑。通过设计定制化的算法内部惩罚机制，小马驾驾能够使优化出的结果线路尽可能避免出现过河/过桥等实际落地中需要规避的道路情况。
3、定制化的小马驾驾app供司机使用
为了实现某国际啤酒巨头系统优化出的车次路线的实际落地执行，便于线路结果及时传达至司机手中，便于应对配送过程中的突发事件而采取的重新实时路线优化，以及便于调度管理人员监督查看每条路线的实际完成情况，杉数科技开发了定制化的小马驾驾app供运输司机使用。此外，针对站点停留时间预测不准确的问题，小马驾驾通过app收集到的车辆在每个站点处的实际处理时长数据，并结合站点地址、货品种类、货品数量等维度设计了机器学习预测模型。
项目亮点多
自杉数科技小马驾驾运输车辆路径规划管理系统上线支持某国际啤酒巨头的每日排单调度任务以来，系统将排班用时从原先的1-2小时大幅度缩短至10分钟以内。
从该啤酒企业城市配送过程中的KPI来看，系统带来的影响主要可以总结为两方面：一是平均能够节省近8%的用车数量，减少用车成本；二是对于用车数量保持不变的情况，系统能够缩短车辆的行驶里程，平均来看，车辆总里程缩短了约10%。在提升了运输资源的利用效率后，配送效率也得到了明显的提升。每车次配送门店数最高增加了53.3%，每车次配送箱数最高增加了54.2%，节省了运输成本5%，投入产出比极大提升，实现降本增效。
除了以上提到的影响，系统更是从各个细节上改善了某国际啤酒巨头承运商使用体验。
一方面，小马驾驾系统规划出的结果即充分满足了某国际啤酒巨头各种复杂多变的城市配送运输场景约束，在严格遵循限行、单行等交通规则的情况下，尽量避免跨江/跨桥的情况出现；
另一方面，小马驾驾机器学习方法的引入大大提升了某国际啤酒巨头站点停留时长的预测精度，从而订单完成的准时度提升了30%，客户满意度得到了明显改善。
未来发展及改进方向
过去十几年，运筹学在国内企业的应用其实是相对比较空白的。放眼看到世界范围内，在西方国家，其实运筹优化企业应用非常普遍，运输优化是一个非常成熟的领域，但在国内还处在刚刚起步的阶段，各家企业还处在传统的人工调度向智能调度的转型期。
从行业来说，目前全国的物流费用在各个企业都是逐年攀升，且随着业务量的增长，物流运输费用所占比重也越来越大。如果企业能够比竞争对手更高效、更快速的完成物流运输，在不降低服务质量的情况下，就可以抢占先机。毕竟，在商品同质化和服务同质化越来越严重的今天，如何在这么多服务里面以更低的成本，提供相同的服务成为一个企业能否生存的重要指标。
物流各个环节产生的海量数据，经过大数据技术的处理和分析，将会产生巨大的市场价值。这就需要大数据和智能优化系统等新兴技术手段的支持。人工智能拥有非常强大的计算能力和算法，能够对理解和行动进行排序、评估和加速，原来可能没有办法求解的问题，现在也可以被求解。
如今，一些龙头企业已经在利用人工智能和机器学习来优化决策，在物流、供应链和运输领域上，对仓库位置、成本、库存、运输工具、车辆和人员等问题进行相关的实时决策、预测分析、战略优化。通过杉数小马驾驾及现代化智能运输的手段，可以让企业切实节省成本、提高效率，对系统企业来讲，拥抱新技术是势在必行的趋势，企业应该选择大胆拥抱、突破自我，实现货主和承运商双赢的局面。返回搜狐，查看更多
人工智能时代下，保险公司机器学习专利哪家强
保险行业的索赔处理是出了名的艰巨和耗时。在索赔处理的各个环节中，都可以使用机器学习技术来处理海量数据，自动化处理很多流程，从而提升工作效率。比如，某些索赔案件提供“快速通道”服务，降低处理的整体时间，在提升客户体验的同时还能够降低成本。
风险管理
机器学习可以分析保险行业过去索赔的数据，并评估未来索赔的风险，使保险公司能够更好地管理其整体风险敞口。通过机器学习，保险公司可以识别数据中的模式和趋势，例如哪些类型的索赔最有可能发生，哪些客户最有可能提出索赔，从而进行风险管理，并为客户提供更具竞争力的保险选项。
欺诈检测
欺诈检测是机器学习在保险领域的一个重要应用。机器学习技术可用于开发比依赖交易规则和人工审查的系统更快、更准确的自动欺诈筛选系统。机器学习可以区分正常和欺诈行为，并根据数据中欺诈模式的变化随着时间的推移而适应。与传统方法相比，机器学习具有发现完全新的欺诈类型的能力，这使保险公司能够“将欺诈扼杀在萌芽状态”，并将欺诈索赔的财务影响降至最低。
02
机器学习专利申请总量：中国平安、泰康保险大幅领先
从国内保险公司机器学习专利申请数量看，中国平安以1343件排名第一，泰康保险以289件位居第二。从授权数量看，中国平安、泰康保险集团分别以65件和36件再次位列前二，遥遥领先于其他保险公司。2022年12月上市的阳光保险则以56件机器学习专利申请数排名第三。
拓展到整个人工智能领域，中国平安和泰康保险的专利储备仍然大幅领先，分别以2478件和377件申请量位列前二，阳光保险位居第三。通过榜单可以看出，几乎所有保险公司机器学习专利申请数占人工智能专利申请数一半以上，说明了机器学习技术在保险数字化发展中的重要地位。
上榜保险公司中排名靠前的多为大型上市保险机构，它们在人工智能上的布局具有领先优势。互联网保险公司众安在线以16件机器学习专利申请数位列第七。榜单中还有中外合资的保险公司如京东安联、光大永明人寿和招商信诺人寿。
中国平安申请的机器学习专利中，属于平安人寿的共有747件，平安财险533件，平安健康44件，平安养老19件。其中，平安财险与其科技子公司平安科技共同申请2件。
泰康保险集团申请的机器学习专利中，分别有20件、25件和76件与其子公司泰康人寿、泰康养老和泰康在线共同申请。
表1：保险公司机器学习及人工智能专利*申请及授权情况
*统计时间截止为2023年3月31日，包含保险公司和其科技子公司共同申请的专利
数据来源：智慧芽，零壹智库
中国平安聚焦核心技术研究和自主知识产权掌握，不断加强研发团队建设。根据公司2022年可持续发展报告显示，截至2022年12月末，公司科技专利申请数较年初增长7657项，累计达46077项，金融科技、数字医疗、人工智能领域的专利申请量连续两年保持全球第一。
例如，其旗下子公司平安寿险在核保核赔环节创新融合文本识别抽取（OCR）、自然语言处理（NLP）、机器学习等技术，辅助资料识别、案件审核，支持近1600种疾病的核保风险识别、超1500种疾病的医疗险理赔审核，核保效率较传统模式提升近30%，理赔效率提升近20%，大幅度缩短用户等候时间。
泰康保险是保险行业里最早拥抱人工智能的公司之一，其与百度智能云合作，已经孵化出人脸识别平台、OCR平台、医疗影像识别等人工智能平台，应用在健康险、养老等多个业务领域，取得了一定的成果。
03
平安系科技子公司机器学习专利申请数排名靠前
从保险科技子公司机器学习专利申请数来看，平安科技以3304件排名第一，其次为金融壹账通和众安科技。可以看出，排名靠前的多为中国平安旗下的科技子公司。
拓展到整个人工智能领域，平安各科技子公司排名仍然靠前。其中，平安科技以5218件申请数再次排名第一，金融壹账通和众安科技仍然位列第二和第三名。可以看出，保险科技子公司机器学习专利申请数仍然占人工智能专利申请数一半以上。
表2：保险科技子公司机器学习及人工智能专利*申请及授权情况
*统计时间截止为2023年3月31日
数据来源：智慧芽，零壹智库
人工智能是平安科技的核心技术之一，目前已形成包括预测AI、认知AI、决策AI在内的系列解决方案。在机器学习方面，平安科技构建了以深度学习为基础的医学大脑，将数据文献知识转变为医疗知识图谱，从而实现智能化的诊疗。
众安科技是为数不多排名靠前的非平安系保险科技子公司。众安科技基于人工智能、大数据、云计算等前沿技术的探索与研发，融合众安生态优势，打造了“科技+服务”的价值交付体系，助力客户加速数字化转型升级，已向银行、保险、券商、高端制造、互联网平台等多行业进行科技输出。
04
保险机构及其科技子公司机器学习专利典型案例
（一）平安科技克瑞斯
平安科技克瑞斯是面向金融等行业的一站式大数据应用和人工智能平台，为AI零基础和算法从业者提供可视化机器学习建模服务。平台内封装了丰富的数据挖掘组件和机器学习算法，配置了可快速应用的业务场景解决方案，能够实现客户洞察，促进业务持续增长。
克瑞斯服务于平安集团内外部银行、保险、投资、互联网等多类型业务线，提供可快速落地的精准营销、智能风控、智能选址等行业解决方案，为传统行业数字化转型提供强有力的技术支撑。在精准获客方面，该平台累计提升百亿资产管理规模，模型准确率高达90.8%。在助力风控反欺诈方面，累计降低千万风险成本，模型准确率高达90.3%。
（二）泰康人寿个性化营销支持系统
泰康人寿的个性化营销支持系统，通过机器学习的各种算法，实现对客户的群体划分、产品精准化营销以及客户流失概率分析，深层次地变革了现有的营销模式，从而使泰康各级保险业务人员能够更加敏锐地感知市场动态，更为精准有效地开展营销活动。
这个营销支持系统使泰康人寿在业内率先实现了大数据平台上基于全量数据的机器学习和一线信息穿越。首先，大幅缩短了数据信息提供窗口，数据处理由原来的30多个小时缩短至约3小时。其次，该系统大大降低了运维工作量，提高了保险业务人员的营销水平。最后，通过数据下沉和决策下沉服务一线保险业务员，明显提升了客户服务水平。
（三）爱保科技“智慧车险”
爱保科技提出的一套“智慧车险”解决方案，着力解决定损难、理赔慢、纠纷多、服务差、产品单一等问题。该解决方案通过机器学习识别损伤车辆的外观条件和分析定损数据，能够快速向C端用户提供自主化理赔定价，为车主提供差异化的增值服务。
“智慧车险”使得车险赔案处理时间从传统线下30-50分钟缩短至5分钟以内，极大缓解了因交通事故造成的交通拥堵。
(四)众安科技X-Eva策略分析平台
众安科技X-Eva策略分析平台是一款针对风控策略优化的智能技术产品。基于众安5年来积累的大数据技术与实践经验，X-Eva策略分析平台将机器学习算法与传统风控策略结合，贯穿贷前、贷中、贷后的全流程，通过底层数据自动整合及可视化操作界面，实现对风控模型及规则的高效分析、优化配置、实时部署，有效提升风控的灵活性、针对性和时效性。
X-Eva策略分析平台提供策略、规则、模型、变量等多维度进行在线分析和优化的功能，同时集成丰富的机器学习算法，让分析师可以快速进行模型训练及验证。使用该平台，可以节约90%的技术部署时间、节省60%的算法分析师人力，缩短80%的建模时间。未来，该平台还将紧跟行业变化不断完善产品和服务体系，加速机器学习算法与传统风控规则的进一步结合，助力金融风控健康良性发展。返回搜狐，查看更多