你爱吃的火锅底料，是机器人自动进货丨漫画AutoML

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。