图文原创：谭婧
没有什么是一顿火锅解决不了的，解决不了了，那就两顿。
吃火锅，备涮菜，火锅底料必须买。
清晨四点半，天色清，日色薄，城市没有睡醒，超市的火锅底料，整齐地摆放在货架上。
凌晨五点半，机房静，计算忙，电商的计算机集群里，算法更新了一轮参数，火锅底料的销量被预测出来，进货数量被计算出来。
于是，火锅底料严格按照进货数量，将运往里城市更近的库房。
这一切，只为你选购，只等你下单。
电商如何知道“春夏秋冬，寒来暑往，到底要给火锅底料备多少货？”
那问题来了，如何算出要为“秋日促销”进多少货？
进货机器人说：“兄弟们，卷起来，这个问题交给我们。”
进货机器人的工作原理是：做好选择题。
“选择题，我擅长，我吃火锅经常做。”
数据部分就不展开了，常规做法是先自动处理数据，进行预处理及数据清洗，保证高质量的输入。
先根据模型选择特征，而特征不止一个，会先建立一个特征池子，把已有的特征都放在里面。
视角不同，特征类型也会不同。
或分成技术特征和业务特征。
或者分成，和时间有关的特征，和时间无关的特征。
特征本无优劣，但在具体场景和模型中，机器人会先判断哪些特征影响预测结果，再给这些特征打分，特征会分出高下。
那些不好用的特征，就会被淘汰掉。
还可以把多个特征组合成一个新特征，属于自动生成特征。这样，特征又多了一种分类，旧的是基础特征，新的可以称为“新生特征”。
假如影响销量主要因素发生巨大变化，比如把目标市场从中国换成韩国，机器人自动根据变化对特征做出调整。
机器人在选择预测销量模型的时候，第一步先选模型，既可以选择A模型，也可以选择B模型，C模型，等等。
按方案的结果，选择“成绩”最好的算法模型，好比“内部赛马”。
第一步，再根据模型A，确定A最好的超参，衍生出A1、A2、……An，搜索合适的超参。
要注意的是，预测准确度会影响下一步“进货”，一步错，步步错。
“进货”就要考虑“供货”。
一盘生意需要细细盘算“是否一直都要有现货”，或者“要备几天货”这些事情。也就是说，会考虑供应商的“送货能力”和“送货时长”。
这是一个运筹问题，不是机器学习问题，所以不涉及特征。
一选模型，二选超参。
而进货模型的超参，非常有供应链特色。
以“期望现货率”为例，设置高了成本会急速增长，设置低了会损失大量的销售机会。
如何选择超参是门学问，更进一步如何实现超参选择的自动化，这是秘方（就不展开了）。
在超参选择中，一组超参数，对应着计算出一个结果。计算机得根据不同的超参，匹配最优的模型。
搞AI的人都知道，超参难调。做到“模型构建” “超参数调优”两个环节的自动化，就不用纯手工的在这个环节中反复尝试，找到最优解。
所以，这个环节的自动化，价值不言而喻。
模型计算完，进完货，事情就结束了吗？
并没有。
事后，会再把真实的数据给模型，让模型再去学一遍，看看差距在哪。
这是一种反馈方法，也是机器人自我鞭策的运转机制。
销量和消费者的心思有关，而进货和供货商的心思有关，这事就成了难啃的硬骨头。
细节里不仅会有魔鬼，还会有很多钱。
所以，谁的SKU多，谁最难受，谁最着急使用自动进货机器人。
自动机器学习（AutoML）一直是研究者的梦想，让模型的超参数，甚至模型结构本身，可以通过学习过程自动探索到最优解。
时光荏苒，技术飞奔，在智能供应链中，想算出到底几天能到货，传统机器学习的方法已经不够用了，还要加入运筹规划的方法。
自动化之所以能走到这一步，有赖于过去十年人们研发了大量算法模型，打下好基础。
相当于有了一个精良的武器库，我们要做的就是在库里，用最快最省力的方法，找到最合适的算法模型。
这类自动化是计算机软件里面发生的自动化。
用AI技术的那群老板，做梦都希望能做到调参自动化。
表面上，似乎压力给到打工人这边。
实际上，即使没有进货机器人，千万级别的SKU，人类也管不过来。
“自动进货机器人”太优秀了，HR会问：“岗位职责”上写什么呢？
别说火锅底料，越来越多你爱吃的美味，都会是自动进货。
（完）
全文审核专家：
更多人工智能科普漫画阅读
1.
2.原来，知识图谱是“找关系”的摇钱树？
3.哎呦CPU，您可别累着，兄弟CIPU在云上帮把手
4.给王心凌打Call的，原来是神奇的智能湖仓
5.AI算法是兄弟，AI运维不是兄弟吗？
6.想帮数学家，人工智能算老几？
7.AI for Science这事，到底“科学不科学”？
最后，再介绍一下主编自己吧，
我是谭婧，科技和科普题材作者。
为了在时代中发现故事，
我围追科技大神，堵截科技公司。
偶尔写小说，画漫画。
生命短暂，不走捷径。
原创不易，多谢转发
还想看我的文章，就关注“亲爱的数据”
