利用丰富的数据，机器学习相关的算法在推荐、资源分配等领域已经取得了非常大的成果，成为工业界智能化运营的首选方案；而在传统的配送、物流等行业，运筹算法产生价值的时间比机器学习算法还要早。

本次分享将介绍这两类算法在便利店的商品陈列方面的机遇与落地实践经验。

演讲提纲：

1. 便利蜂自动化陈列的背景和目标
2. 项目挑战与解决路径
   • 复杂业务场景的简单本质：空间与时间约束下的最优化
   • 高耦合系统的众口难调：算法的模块化与标准化建设
   • 既要自动化又要智能化：无约束优化算法带来门店收益的最大化
   • 便利店系统的最后一道门：陈列结果风险控制
   • 自动陈列系统全貌与各模块综述
3. 系统的自动化带来的运营模式的重塑
4. 未来展望

你将获得：

1. 了解全新复杂业务场景的智能化改造
2. 了解多目标优化需求的支持方法

随着外卖广告业务的不断迭代，消耗的机器资源越来越多，在算力成本越来越高的背景下，如何降低算力成本，提升单位算力上的整体业务收益，逐渐成为一个重要的课题，因为我们启动了智能算力的项目，旨在保证收入不变的情况下节省算力成本 亦或在算力成本不变的情况下，提升收入的业务目标。

我们从流量侧和供给侧统一思考，建立了决策层，实施层，支撑层3层架构， 其中在决策层进行统一建模，实施层会进行弹性队列，弹性链路等档位的选择，依靠支撑层进行实时数据采集以及快速反馈。 基于此方案我们建立一套全链路的通用的智能算力解决方案。在广告业务场景落地后，取得较好的收益。

演讲提纲：

1. 外卖广告业务介绍
2. 业务场景介绍
3. 算力情况介绍
4. 为什么适合做智能算力
5. 目标
6. 技术解读
   • 整体介绍
   • 具体实现：决策层、实施层、支撑层
   • 整体流程架构
7. 成果展示
8. 总结

交易是人类社会中亘古不变的价值创造手段之一。随着信息化与智能化的进程愈发增速，多边交易市场的智能化成为了一个新兴的、前景广阔的话题。滴滴出行作为当前最大的交易平台之一，于交易市场的智能化方向已有多年积累和初步洞见。

本次分享以运力调度为例，探讨交易市场智能化中的业务思考、算法选型、评估方式、组织形态等话题，并介绍滴滴出行的实践方案。

演讲提纲：

1. 交易市场智能化的背景与目标
2. 网约车交易市场智能化的挑战
3. 运力调度方向解决方案
   • 问题定义与目标：为平台服务还是为用户服务
   • 技术选型：运筹与机器学习如何协同
   • 评估方法：网络效应影响下的实验评估
   • 组织支持：业务环境下的多职能协作组织
4. 总结与展望

你将获得：

1. 对交易市场智能化领域的初步了解
2. 了解实践中多目标优化、技术选型和组织建设等问题的解决方案