“外賣演算法的技術細節？你給我說說。”張教授有些疲憊地靠在了沙發上。
“我把文件給你發過去吧。”
“不必了。這種涉及演算法細節的文件儘量不要存在手機裡。”張教授揉著自己的太陽穴，“我這會兒也沒精力再去看什麼文件，你大概給我說說吧。”
林遠此前很細緻地打磨了ai風水模型，甚至還特地用好團公司的機器跑了次程式碼驗證。結果，臨了導師卻看都不想看。
看來貌似導師並不很在意演算法的技術細節，或許真的就只是出於對技術的興趣隨口一提罷了。
“我去年畢業後，有送過半年多時間的外賣嘛。那時我就在想，如今的外賣配送和路徑演算法有太多的不足。
思來想去，我覺得像好團這個大型網際網路公司，一定不缺算力資源。
即便算力資源再貴，可那也只是一次性投入。
而且網際網路公司最喜歡的就是抓著‘模式’來講故事。演算法迭代涉及的就是模式的更新，他們不可能不捨得往裡頭投資源。”
“那外賣行業如今的配送問題，只有可能是砸了資源也解決不了。
那為什麼砸了資源也解決不了呢，我就從ai訓練最基本的要素出發。”
張教授聽著林遠娓娓道來，技術直覺告訴他，經過前面的鋪墊後，林遠就將要揭開答案的面紗了。於是張教授下意識地停止了手上揉捏太陽穴的動作。
林遠繼續說著，“ai訓練的基本要素，無非就是：資料採集、模型搭建、算力投入。”
“以我在好團任職的經歷，它們完全有財力置辦足夠的算力裝置。所以算力投入不是什麼問題。而模型搭建上，無非就是基於深度神經網路做各種微調。業內理論最先進的論文，對所有人都是公開的，所以這一點本質上還是人力的投入。本質上和算力裝置的投入一樣，都是砸錢就行。
既然如此，好團目前來看並不缺錢。
所以，我就把目光放在了‘資料採集’上。”
“資料採集？你具體是指什麼。外賣平臺採集的資料不足，還是採集的資料有缺失。”
“他們採集的資料有缺失。老師您想想，外賣行業不就是商家和騎手聯手透過外賣平臺為食客服務，不就是這麼一個模型嘛。這裡面最關鍵的因素就是所有與時間有關的因素。
騎手從一個地方到另外一個地方的時間，商家出一份餐的時間。
但由於這些有關時間的因素不好採集，所以只能訴諸於經驗和規定。
比如：一個訂單的規定配送時間，一份餐的規定出餐時間。
這類時間本該是靈活的，可實際上卻變成了粗暴的經驗估計。
所以就有了外賣員闖紅燈，外賣員和商家因為出餐快慢鬧矛盾。