今年618期間，上海區(qū)域200多家韻達網點全部開啟了“預售極速達”服務，旨在將預售訂單第一時間送至客戶手中。在這項服務的背后，是ai、大數據和it系統(tǒng)結合的力量。
ai讓分揀壓力化為無形
物流行業(yè)，通常有倉儲和分揀兩個關鍵環(huán)節(jié)，而在物流系統(tǒng)中，分揀是最為繁瑣，用時最長的環(huán)節(jié)。
用戶在電商平臺上下單，由系統(tǒng)分揀模塊，將貨物根據訂單地址進行區(qū)分，分配至不同地點的倉庫。訂單抵達倉庫之后，即開始分揀。接著出庫抵達下一級分撥中心或者中轉站，最后進入配送。
在電商銷售旺季，處于流程前端的下單量會短時間內激增，唯有提高分揀流程的效率，才能提升整個物流系統(tǒng)的效率，為用戶提供優(yōu)質的服務。一些優(yōu)秀的物流公司，正在求助于ai，在分揀流程的幾個關鍵環(huán)節(jié)以智能化的手段，獲得更高的分揀效率。
為了應對電商購物節(jié)期間的業(yè)務量洪峰。韻達在分揀中心實施了網格倉策略，借助由視覺人工智能 (ai) 驅動的智能共配分揀系統(tǒng)對快件進行自動分揀。
通常的智能分揀中心，現場的人力并不多，核心業(yè)務流程都依靠系統(tǒng)控制，流水線的運行速度也飛快，會有一種看到水在流動的視覺感受，就像是力與美的結合。
在這種“美感”的反面，則是分揀線面臨的準確度與低時延的壓力。分揀線會對快件面單上的信息進行三段碼 ocr (optical character recognition) 檢測，由于識別的結果決定著快件在分揀線上的去向，因此該步驟對分揀效率至關重要，對系統(tǒng)的識別準確度和時延有較高要求。
一旦識別出現錯誤，就會造成分揀線回流，即快件需重新再過分揀線或需要人工分揀;而當錯誤率較高時，更會加重網點的操作壓力。故而，韻達提出系統(tǒng)識別的準確度須達到 95% 以上。另一方面，系統(tǒng)時延與分揀線傳輸速度息息相關，檢測算法的時延會直接影響分揀傳輸的效率，過慢就會造成快件積壓，進而影響分揀速度和派送時效，韻達經過評估后發(fā)現智能分揀線系統(tǒng)的時延必須要小于130ms才能滿足他們對高效率的需求。
為了解決這些難題，韻達選擇了英特爾的解決方案，基于英特爾® 數據中心gpu flex系列170和英特爾® 分發(fā)版openvino? 工具套件來優(yōu)化其三段碼ocr檢測系統(tǒng)和分撥視頻分析平臺性能。
為驗證方案性能，韻達進行了三段碼 ocr 測試和tsm (temporal shift module) 測試。在三段碼ocr測試中，共對2450張圖片進行了識別，測試結果顯示平均運行時間為 114ms，很好地滿足了韻達對低時延的需求;準確度能夠達到 97%-98%，也優(yōu)于韻達95%的預期基準。
在tsm測試中，選用了1200個視頻并分不同實例和批量大小做了測試，測試結果如圖所示。
綜合測試和網店測試結果，韻達的視覺ai方案從算力、時延、準確度、并發(fā)能力、穩(wěn)定性和散熱能力等多個方面都能很好地滿足韻達的需求，并帶來了如下企業(yè)優(yōu)勢：
第一，提升業(yè)務效率并降低成本：智能分揀系統(tǒng)的部署顯著提升了分揀線效率，進而提升了派送效率和派送時效;此外，高效的智能分揀系統(tǒng)還幫助韻達實現了人力和成本節(jié)約。
第二，優(yōu)化業(yè)務管理和決策：英特爾® 數據中心gpu flex系列170帶來的高算力讓韻達實現了更高效的分撥視頻流分析，可幫助韻達在跨年度/跨季度預測、合理定價、網點時效提升和獎懲制定等方面做出優(yōu)化。
每個物流場景，都少不了英特爾的身影
實際上，這僅僅只是韻達基于英特爾gpu的解決方案，其實韻達與英特爾合作遠不止于此。
早在2018年，韻達就與英特爾展了全方位的技術交流與協作，英特爾的至強® 可擴展處理器及其他一系列軟硬件產品技術在“大小件測量”、“數據中心異常檢測”以及“件量預測”等多個關鍵環(huán)節(jié)上為韻達構建起高效的ai應用底座。
在2020年，為了利用ai視覺技術解決在物流運輸、分揀、派送等過程中遇到的難題，韻達也采用了英特爾cpu及其他軟硬件組合，完成了智慧視覺解決方案的優(yōu)化，實現了分轉中心智能數據處理，但也同時遭遇了新的技術挑戰(zhàn)：
一方面，由于物流場景的復雜性與多變性，物流行業(yè)有著爆倉識別、違規(guī)操作分析、車輛到站識別、裝載率識別等非常復雜的場景，一個場景甚至會出現幾十種不同的情況，未經優(yōu)化的算法可能會出現效率與精度問題，影響設計目標的實現。
另一方面，因為視頻推理等人工智能負載對于硬件有著嚴苛的需求，傳統(tǒng)的硬件在邊緣側難以滿足視頻推理在性能、精度、功耗等方面的需求，同時，專用的硬件方案也有成本昂貴、開發(fā)與部署門檻高等問題。
當然，從深度學習算法自身來看，面向圖像識別的深度學習模型也常會存在解釋性差的問題，模型復雜度高、優(yōu)化困難，計算強度高、對于算力有著較高要求，需要進一步實現算法優(yōu)化。
在此項目中，英特爾和韻達一起構建了基于至強® 可擴展處理器和酷睿? 處理器的邊緣計算解決方案，將工作負載轉移到網絡邊緣，不僅降低了網絡負載與人工智能推理延遲，還切實降低了人工智能基礎設施平臺的采購成本，以及高帶寬網絡的部署與運維成本。
值得一提的是，除了硬件之外，韻達還通過英特爾® svet開源套件快速搭建了視頻拉流、解碼、抓圖編碼分發(fā)業(yè)務，同時利用openvino? 工具套件，在英特爾平臺上優(yōu)化了視覺算法，提升了性能。
不止韻達，也有其他物流公司選擇了英特爾基于異構的基礎設施，利用xpu實現ai推理加速，同時借英特爾® 分發(fā)版 openvino? 工具套件和英特爾® oneapi工具套件等簡化開發(fā)與運維，實現應用跨 xpu 的無縫切換。有效監(jiān)測園區(qū)內是否存在攀爬傳送帶等危險作業(yè)，踩踏、暴力分揀等違規(guī)作業(yè)，以及未戴安全帽等著裝安全問題。
英特爾還將以更多、更高性能的專用加速器，持續(xù)為物流行業(yè)及合作伙伴帶來更多場景的優(yōu)化方案。
ai驅動，讓每個包裹都能準時送達
通過以上案例，我們也發(fā)現不同物流場景中都面臨著相似的難題：比如模型開發(fā)與維護難度大，計算強度高，再比如專用的硬件方案也有著成本昂貴、開發(fā)與部署門檻高等問題。
走向ai驅動的智慧物流，要跨越這些難題，英特爾顯然已經給出了自己的答案：
那就是更加全面、異構化的產品布局，用更加完備的軟硬件產品組合為全開發(fā)鏈路護航。
通用計算芯片：如至強® 可擴展器，其部署門檻最低，可以充分利用企業(yè)現有的it基礎設施;
通用加速芯片：英特爾® 數據中心gpu flex系列主攻視覺類的ai推理加速，而數據中心gpu max系列包含有超過1000億晶體管，可為ai模型的高效訓練提供強有力的支持，同時其還能兼顧科學計算，加速多個架構中的sc和ai工作負載;
專用加速器：habana?® gaudi2®的發(fā)布也已近在眼前，據悉7月它就會正式與用戶們見面，并且在本月27日剛剛發(fā)布的mlperf新一代測試報中，它已經有了先聲奪人的表現——不論是大家非常熟悉的bert、resnet、unet模型，還是最近半年異軍突起的大語言模型gpt-3，gaudi2® 都有非常靚眼的表現。
當然，跨異構xpu的切換，少不了軟件的支持。借助openvino? 工具套件和oneapi工具套件等可以幫助用戶簡化ai應用開發(fā)并實現跨xpu的無縫切換。用戶可以根據自身工作負載的需求，選擇更適合的芯片的運行。
小結
物流業(yè)是支撐經濟社會發(fā)展的基礎性產業(yè)。在數字經濟時代，物流不僅是單行道，還促進了新的零售業(yè)和新的制造，提高了傳統(tǒng)的庫存周轉率，構建了靈活的供應鏈。
隨著物流業(yè)的規(guī)模不斷擴大，傳統(tǒng)物流的運營模式受到挑戰(zhàn)，急需向智能化轉型升級。以數字化技術，尤其是ai技術的賦能，物流行業(yè)走向智慧化，精細化，高效化是大勢所趨。
但ai應用的開發(fā)和優(yōu)化并非易事，尤其是在異構計算興起的今天更是變得越來越復雜。英特爾擁有強大且專業(yè)的技術團隊，完備的異構硬件產品布局，易用的軟件工具組合，可以為物流乃至更多行業(yè)ai應用的開發(fā)、部署、落地應用提供支持。
讓ai驅動物流行業(yè)智能化轉型，讓每個包裹都能準時送達。
本文來源于物流時代周刊，不代表本站觀點，如有侵權可聯系刪除，文章所用圖片來源于網絡，文章圖片如有侵權可聯系刪除。