|
|
百度地图基于百度大模型的技术能力，结合物流行业场景特点，于近日正式推出物流大模型测试版，率先应用于物流地址分析和物流调度决策两大领域。
在调度决策模型方面，介绍了在物流场景中，配送地址是一个非常重要的高频使用的基础信息。面对海量且质量参差不齐的收发货地址信息，能否快速准确地标准化提取结构化数据并做好纠错补全工作，将影响后续运单拆分、履约发货等环节的质量和效率。此前，面对更复杂的地址文本(如长文本和不规则文本)，传统的地址解析模型往往难以有效提取和正确分析信息，需要大量代价高昂的人工审核和纠错。
图源： 百度地图开放平台
针对以上行业普遍存在的痛点，百度地图依托百度文心大模型在中文语义识别理解、知识增强等方面的优势。通过对百度地图POI大数据和物流运单闸口地址数据的深度挖掘，基于百度文心大模型，构建各种场景下的前期训练任务，形成更能理解物流地址领域专业知识的物流地址大模型。
该模型可以处理复杂、不固定的文本，能够很好地实现地址内容识别、地理关系分析、地址验证与纠错、地址坐标分析、地址相似性判断等多项任务。与传统算法模型相比，其识别和理解精度大大提高。各种情况下的识别效果示例如下:
图源： 百度地图开放平台
经过对比评测，物流地址大模型在不同的地址分级层级下的识别正确率，相比传统方式均有大幅提升：
图源： 百度地图开放平台
在调度决策模型方面，介绍了物流运作是一个链条长、跨部门的企业的复杂活动。处于物流运作链条前端的车辆调度、配载和装箱，对物流成本和效率的影响非常明显，因此诞生了很多对这些环节进行局部优化的模型需求。然而，这些智能模型通常由传统的求解器和启发式算法构建，普遍存在求解耗时长、结果稳定性差等问题。百度将调度决策问题抽象为顺序推理问题，利用其与语言模型相似的特性，利用顺序模型中大模型的优秀领先地位，基于大模型进行包裹优化，从而推出物流行业调度决策大模型。
该模型基于大模型的模型结构进行微调，通过桨式PARL强化学习框架进行训练，实现端到端的推理并输出决策结果，以满足车辆调度、配载装箱、仓库选址等多种物流场景下的决策优化。
对比评估后，基于车辆调度场景下200个网点的标准数据集对物流决策模型进行了测试。与传统启发式算法相比，成本指标降低3%以上，时间消耗降低90%以上。
图源： 百度地图开放平台
