AWS技术峰会是Amazon Web Services (AWS)每年在全球众多城市巡回举办的大型云技术盛会，旨在携手APN合作伙伴和客户为观众展示人工智能领域最新的产品及服务，并分享成功案例及实践经验，交流国内外最新技术。
8月9日，AWS所建不凡2018技术峰会北京站在国家会议中心隆重举行，云集了众多行业领军者参与。
超盟数据作为新零售+AI的代表公司，CTO李健豪受邀出席此次峰会。
图示：超盟数据CTO李健豪
李健豪，毕业于美国知名学府UIUC（伊利诺伊大学厄巴纳-香槟分校），师从“数据挖掘第一人”韩家炜(Jiawei Han)教授，曾就职于亚马逊北美总部任数据科学家和IBM北美总部任销售预测专家，并连续赢得过6 次美国黑客马拉松大赛冠军。在近期发布的“2018全球Top 1000 计算机科学家h指数”排行榜中，h-index最高的华人就是李健豪的恩师韩家炜教授，同时韩家炜教授还曾获得过IEEE颁发的最高技术奖——麦克道尔奖。在演讲中，李健豪分享了在20倍数据增长的压力下数据处理架构和任务调度的演变；在无服务计算的助力下，成本大幅降低的同时，数据处理效率没有降低，反而提高了。这是AI基础建设的效果。
利用无服务架构搭建内部AI基础建设CTO李健豪为众多参会嘉宾诠释了怎样利用无服务架构搭建内部的AI基础建设，以自动补货为例对数据采集、清洗、自动建模、监控等一系列通用的场景进行了分享。
随后，分享了数据监控、指标构建、日志处理等数据流怎样在无服务架构下进行。
超盟数据构建商品需求量模型，助力零售企业提升效益以自动补货为例，超盟数据以优化库存周转率为目标，在数亿级带标注的交易数据集上构建商品需求量模型，辅助客户进行决策，比如：哪些商品要补货？补多少？什么时候补？同时结合用户端的反馈来更新优化模型，提升模型精度，循环反复，更为精准地指导业务。
图示：模型构建及优化流程
对于零售行业每天都在发生的补货这一决策过程，超盟数据对到店、到天、到品的需求进行建模，预测到店人数是多少、买什么分类的商品、买什么品，买多少商品？超盟数据技术团队结合历史交易的内部数据，以及天气、温度、湿度、温度变化、湿度变化、公众假期、促销、POI等外部数据，利用深层的神经网络和各种融合模型进行需求预测。
图示：基于内外部数据利用神经网络和各种模型预测需求量
下图是使用超盟数据超盟AI建议订货模块前后的效果对比图。其中，横轴表示时间，纵轴表示库存。
图示：使用超盟AI建议订货模块前后的效果对比图
左侧是使用模型前，零售店长根据个人经验做出补货决策的情况。可以看出，一是补货非常没有规律，这样会给供应链带来非常大的压力；二是会出现跟横轴平行的线，说明出现了断货情况，可能长时间没有补货。
右侧是使用后的效果，补货变得非常及时，规律性也很强。对客户而言，最直接的效果便是，通过AI指导后的补货周期变快且有规律，加快了库存周转率，提升了企业效益。以超盟数据的一个客户为例，使用了超盟数据的超盟AI建议订货模块之后，年营业额净增长27.3%，周转变快2天。
超盟数据的分享为现场带来了满满干货，嘉宾频频互动，就所分享内容与李健豪进行了热烈的讨论与沟通。
图示：嘉宾现场互动
AI赋能，超盟数据推动新零售前行
在CTO李健豪的带领下，超盟数据技术团队已成功搭建了承载数据采集、数据清洗、数据分析和数据展现等一系列数据处理流程的核心业务系统，为前端产品带来稳定的性能和极致的客户体验。同时全面支持业务发展和创新，不断优化效率和成本结构，为人工智能背景下的便利店提供服务。未来，超盟数据仍将奋力构建零售企业在大数据时代下的决策闭环，帮助企业建立数据驱动体系，实现数据资产化，制定更具个性化的企业经营策略，将人工智能技术渗透在每个管理节点和经营环节上，推动新零售迅猛前行，助力消费升级。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
