每週三期，詳解人工智能產業解決方案，讓AI離你更近一步。
解決方案均選自機器之心Pro行業數據庫。
方案1：全基因組測序分析及醫療影像分析方案Health Nucleus
解決方案簡介：
該方案結合了全基因組測序分析和 MRI 醫療影像分析的結果，能幫助用戶瞭解自身的遺傳疾病風險、對食物和藥物的過敏情況、膚色、眼睛虹膜顏色、身高的情況，並獲得關於癌症、心血管疾病、神經疾病、代謝疾病等疾病的健康建議。
目前，企業已經集合了超過一百萬人的 DNA 數據與其臨床病理數據。
該企業的數據還能為醫療保險公司提供決策參考，創建合適的保險產品。
解決方案詳解：
該公司通過利用亞馬遜的雲服務管理大數據，構建人類基因組、對應的表型，以及對應醫療診斷病例的數據庫。利用機器學習方法進行大規模計算，分析基因組數據預測出生命特徵和衰老趨勢，並通過早期診斷與改變生活方式等方法幫助用戶達到健康長壽的目的。
方案2：人工智能風控引擎I.C.E.
解決方案簡介：
I.C.E. 是用錢寶以人工智能技術為核心的風控引擎。I.C.E.是人工智能基本邏輯 Identify（識別）、Calculate（計算）、Evaluate（評估）的縮寫，分別對應了「柯南特徵工程」、「Anubis 大數據計算架構」、「D-AI 機器學習模型」三個智能風控組成部分。
基於人工智能技術的風控引擎提供了新風控方式，可以幫助金融機構從弱特徵數據層面更加全面的對用戶進行風險評估與定價。解決中國大部分人群無法獲得傳統金融服務的問題。具體可實現：
1. 拓寬金融服務邊界：通過人工智能技術讓之前不能獲取金融服務的人群獲得與之想匹配的金融服務與金融能力；
2. 提高服務效率：可 7x24 小時純線上完成；
3. 無道德風險，反作弊能力強。
解決方案詳解：
其人工智能風控引擎的技術方案由以下構成：
1. 數據上：基於用戶在互聯網上的行為軌跡；
2. 樣本上：基於「用錢寶」海量的金融樣本；其中被標註的樣本已經超過千萬；
3. 特徵上：基於常見的特徵工程，研發了 Conan 特徵工程體系，目前已經挖掘產生有效弱特徵超過 2,200 維；除了常見特徵工程算法以外，還引入了特徵自動挖掘和衍生算法；
4. 模型上：基於傳統機器學習模型，針對金融場景下的複雜環境問題，研發了 D-AI 機器學習模型；D-AI 機器學習模型依據具體的金融場景問題嘗試不同的機器學習模型，包括但是不限於 LR、GBDT、深度學習、LR+GBDT、Boosting 融合模型、Blending 融合模型等；
5. 架構上：為了能夠支撐海量數據特徵的計算和模型迭代，自主研發了 Anubis 大數據計算架構。計算架構由常見的分佈式計算框架、實驗流量框架和大數據存儲框架構成。
方案3：自適應學習引擎AI（H）
解決方案簡介：
用 AI 技術模擬個人投遞和企業簡歷初篩過程，幫助招聘企業和求職者實現精準高效的需求匹配。
能實現以下優勢：
1. 更高效。簡歷、求職者歷史行為數據搜索匹配，有效降低 HR 簡歷獲取、初篩的成本，提升招聘效率，解決中小企業投遞量不足及大企業篩選困難的問題；
2. 更精準。使用歷史錄用員工簡歷、績效考核、評價等個性化標註數據訓練模型，滿足企業個性化招聘需求。
解決方案詳解：
使用自然語言處理（NLP）技術和門禁卷積神經網絡（Gated CNN）算法，綜合企業歷史投遞、面試、招聘、績效考核和評價等標記數據，和求職者的檔案信息、簡歷/職位文本內容、招聘和投遞等歷史行為數據，實現企業與求職者雙方需求的高效率匹配。
方案4：先進駕駛輔助系統以及自動駕駛技術平臺Zenuity
解決方案簡介：
公司擁有 Level 1 的獨特經驗技能，從傳感器到控制均有涉獵，提供工業汽車先進駕駛輔助系統（ADAS）以及自動駕駛技術解決方案。公司正在為完整的 ADAS 和 AD 系統構建模塊化平臺，提供完整的軟件堆棧，包括計算機視覺、傳感器融合、決策和車輛控制的算法，以及在雲中運行的應用程序。希望其軟件能與各個公司的傳感器、計算硬件兼容，實現不同車型，不同自主駕駛程度的車輛之間的擴展。平臺結合傳統的信號處理技術與新興的深度學習技術分析從傳感器中得到的大量數據。
解決方案詳解：
沃爾沃汽車公司是一家發祥於瑞典，並逐漸走向全球各大汽車市場的汽車製造商。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秀乘用車。2017 年 1 月 3 日，該公司對外發布消息表示為了推進自動駕駛的研發進程，會與瑞典奧托立夫公司（AUTOLIV）全新設立一家名為「Zenuity」的合營公司。AUTOLIV 是向全球各大汽車製造商提供主動及被動安全系統的世界頂級供應商。
方案5：數據智能解決方案
解決方案簡介：
創新奇智數據智能解決方案基於擁有自主知識產權的自動化機器學習平臺，以MLaaS的服務方式為用戶提供從底層基礎環境配置到算法應用輸出的端到端機器學習服務， 通過對數據深入挖掘，最大程度激活數據價值 ，助力企業優化流程、促進創新、提升商業價值（降本增收提效）。 創新奇智數據智能方案適用於多個應用場景：零售行業的智能推薦、智能補貨，製造行業的質檢、預測性運維，金融行業的智能風控、智能核保，還有應用於大型數據中心的運維能效管理（PUE）。
解決方案詳解：
市場背景數據智能是指基於大數據引擎，通過大規模機器學習和深度學習等技術，對海量數據進行處理、分析和挖掘，提取數據中所包含的有價值的信息和知識，使數據具有“智能”，並通過建立模型尋求現有問題的解決方案以及實現預測等。為使各行各業數據得到很好應用，數據智能產品應運而生。所針對的行業痛點以瑪氏為例，瑪氏公司是全球最大的食品生產商之一，擁有眾多世界知名的品牌。在這 些品牌中，價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。瑪氏在中國有 100多 家分銷商，現由瑪氏銷售人員依據個人經驗每天耗費大 量時間對所負責的分銷商進行補貨決策，因相關限制條件過多，往往不能做出 最優化的補貨決策，造成訂單滿足率較低，過期倉與臨期倉數量過高具體解決的業務場景問題零售行業的供應鏈優化包括智能推薦、需求預測、智能補貨，智能選址等，製造行業的質檢、預測性運維，金融行業的智能定價、智能風控、智能核保，還有應用於大型數據中心的運維能效管理（PUE）。應用現狀及市場前景任何行業背後都有大數據的支撐，而在海量的數據中挖掘價值，都需要數據智能技術，因此市場前景非常廣闊。相對其他同類產品的競爭優勢擁有面向特定場景的自研算法，對場景的深入瞭解。產品/解決方案具體功能和功能架構創新奇智數據智能方案基於擁有自主知識產權的自動化機器學習平臺，目標是幫助用戶快速構建企業級的機器學習應用，降低部署門檻，提升開發效率。自動化機器學習平臺包含數據核心、算法核心和生產核心三個部分。數據核心具有海量數據處理能力，建立數據閉環，集成管理客戶數據。算法核心多種算法支持，自動化特徵抽取和選擇，自動化算法訓練，快速定義算法能力。生產核心以MLaaS的方式將數據能力與算法能力結合，通過生產核心部署企業級機器學習應用，快速支持企業AI能力輸出。技術方案設計流程及思路銷量預測算法選型：
需求預測，可以是一個分佈，也可以是對特定業務目標優化的期望值。需求預測通過對銷量等於庫存情形優化建模方式，有效緩解了庫存限制銷量的影響；銷量評級，可以通過對在架商品的銷量評級建模，推廣到所有倉庫商品，從而對商品上下架和進貨提供參考。TreeDNN具有以下優勢：
1） 動態連接網絡單元既減緩噪音影響，也起到特徵選擇和特徵交叉的作用；
2） 樹形神經網絡單元既有決策樹條件判斷的形式，又通過概率路由的設計避免了非左即右的決策樹判斷形式，對弱特徵數據效果顯著優於傳統決策樹算法；
3） 動態剪枝訓練壓縮了神經網絡大小，同時減去了多餘的表達力。使得對於任意機器學習任務，給定充分大網絡，即可通過動態剪枝訓練達到或接近最優網絡結構超參數的測試效果；
4） 該神經網絡結構可微可導，可以針對各類業務目標設計特定損失函數做端到端訓練。
需概率分佈的預測，同樣包括均值預測和商品層級優化。技術特點上：需要支持分佈預測，為補貨提供更充分信息；支持特定目標預測，例如百分點位預測，或者整體合格率最優；通過商品之間的內在關聯，對商品的預測做進一步修正，精度更高。例如飯類所有商品的銷量預測值的總和與飯類整體銷量預測值接近，整體的銷量是比較穩定的。
1） 均值預測方法
樹形神經網絡、Boosting決策樹預測需求均值，在損失函數里對銷量等於庫存的額外處理；
利用商品層級對均值進行優化修正，類別的未來需求更穩定，將類別的需求預測作為商品預測的需求作為約束進行優化。
2） 需求概率分佈預測方法
高斯分佈；對數正態分佈。
智能補貨算法選型
同樣考慮不確定因素（到貨延期，需求波動等），通過構建隨機優化模型，以改善週轉率和提高現貨率為目標，並考慮具體業務中的限制，從而求得各SKU的最優補貨量。
隨機優化是處理數據帶有隨機性的一類數學規劃，它與確定性數學規劃最大的不同在於其係數中引進了隨機變量，這使得隨機規劃比起確定性數學規劃更適合於實際問題，例如在預測產品需求量時，由於預測誤差的存在，實際的需求量與預測的需求量會有出入，考慮這方面影響時隨機規劃更加合適，並且隨機優化模型能輸出在業務約束條件下的最優結果，補貨隨機優化模型對計算能力要求較高。下圖為隨機優化補貨模型示意，針對不同的場景選用不同模型算法（自研算法或啟發式算法）。
所需技術和模型
技術：機器學習、運籌優化
算法：TreeDNN、對偶深度迴歸、置信區間預測、需求概率分佈預測、拓展性更強的隨機優化模型、模擬仿真環境
