|
|
百度地圖基于百度大模型的技術能力，結合物流行業場景特點，于近日正式推出物流大模型測試版，率先應用于物流地址分析和物流調度決策兩大領域。
在調度決策模型方面，介紹了在物流場景中，配送地址是一個非常重要的高頻使用的基礎信息。面對海量且質量參差不齊的收發貨地址信息，能否快速準確地標準化提取結構化數據并做好糾錯補全工作，將影響后續運單拆分、履約發貨等環節的質量和效率。此前，面對更復雜的地址文本(如長文本和不規則文本)，傳統的地址解析模型往往難以有效提取和正確分析信息，需要大量代價高昂的人工審核和糾錯。
圖源： 百度地圖開放平臺
針對以上行業普遍存在的痛點，百度地圖依托百度文心大模型在中文語義識別理解、知識增強等方面的優勢。通過對百度地圖POI大數據和物流運單閘口地址數據的深度挖掘，基于百度文心大模型，構建各種場景下的前期訓練任務，形成更能理解物流地址領域專業知識的物流地址大模型。
該模型可以處理復雜、不固定的文本，能夠很好地實現地址內容識別、地理關系分析、地址驗證與糾錯、地址坐標分析、地址相似性判斷等多項任務。與傳統算法模型相比，其識別和理解精度大大提高。各種情況下的識別效果示例如下:
圖源： 百度地圖開放平臺
經過對比評測，物流地址大模型在不同的地址分級層級下的識別正確率，相比傳統方式均有大幅提升：
圖源： 百度地圖開放平臺
在調度決策模型方面，介紹了物流運作是一個鏈條長、跨部門的企業的復雜活動。處于物流運作鏈條前端的車輛調度、配載和裝箱，對物流成本和效率的影響非常明顯，因此誕生了很多對這些環節進行局部優化的模型需求。然而，這些智能模型通常由傳統的求解器和啟發式算法構建，普遍存在求解耗時長、結果穩定性差等問題。百度將調度決策問題抽象為順序推理問題，利用其與語言模型相似的特性，利用順序模型中大模型的優秀領先地位，基于大模型進行包裹優化，從而推出物流行業調度決策大模型。
該模型基于大模型的模型結構進行微調，通過槳式PARL強化學習框架進行訓練，實現端到端的推理并輸出決策結果，以滿足車輛調度、配載裝箱、倉庫選址等多種物流場景下的決策優化。
對比評估后，基于車輛調度場景下200個網點的標準數據集對物流決策模型進行了測試。與傳統啟發式算法相比，成本指標降低3%以上，時間消耗降低90%以上。
圖源： 百度地圖開放平臺
