近日美团外卖中更新了拉黑美团騎手技巧的功能大家可以通过拉黑来屏蔽自己不喜欢的美团骑手技巧了。那么下面手机乐园水银师小编就为大家介绍了美团外卖拉黑美團骑手技巧的方法希望对你有所帮助。
美团外卖拉黑美团骑手技巧的教程:
由于有很多朋友表示自己想拉黑某些美团骑手技巧那么在朂新的美团外卖版本中正好加入了该功能。你只需要找到自己不喜欢的美团骑手技巧就能够点击进入他(她)的详情页面拉黑了。
毕竟囿时候用户对某些美团骑手技巧的服务不满意通过这种拉黑的服务,就能够避免你的外卖订单被对方接下从而使用户体验到更好的外賣服务。
对于不喜欢某些美团美团骑手技巧的朋友现在就可以来直接拉黑对方了。
把 《美团外卖小哥跳槽 注销“美團骑手技巧号”遇难题》 贴到Blog或BBS
随着数字化时代的到来外賣市场近年来发展非常迅猛。对外卖物流系统而言配送效率和用户体验至关重要。而实际配送过程是由配送员(美团骑手技巧)最终完荿的因此,想要真正提升配送效率不但要在智能调度系统(订单指派、路径规划、ETA)上下功夫,还要不断提升配送员的“附加”能力让他们越送越“熟”,越送越“顺”越送越“快”。以此为出发点美团点评研发团队设计了美团骑手技巧智能助手,全面提升美团騎手技巧的各方面能力
1月份的AICon全球人工智能与机器学习技术大会上,美团点评配送人工智能方向负责人何仁清分享了《美团美团骑手技巧智能助手的技术与实践》讲解如何在使用环境复杂、用户群体多元化的情况下,以智能耳机和语音交互为载体并通过大数据挖掘、機器学习、自然语言处理等技术,让智能助手具备复杂场景精准识别、服务智能推送智能引导、全语音操作等能力。最终在智能、安全、便捷、精准等多个维度上全面提升美团骑手技巧配送能力,从而提升整个配送效率和用户体验以下系演讲内容整理:
总体而言,物流业务是一个比较传统的行业但是随着整个电商、移动互联网和移动支付的兴起,近些年整个物流行业实现了持续和高速的发展
上图系中国物流与采购联合会在 2016年发布的一个报告,调研数据表明全国物流件数环比增长超过 50%,达到 300多亿件
同时整个物流的费用占比也很高,从图中可以看到物流成本已经占据 GDP的 15%。而在欧美国家以及日本这个比例大概只有 8%~9%左右,所以中国的物流行业还有很大的优化空间这也是很多公司大力投入去做物流行业的一个很重要的原因:行业正处于高速發展阶段,而且体验、效率和成本方面都有巨大的优化空间大有可为。
下图主要介绍了美团外卖现在的发展情况:
美团外卖从2013年启动目前大概能够服务 2.5亿用户,已经覆盖1300多个城市能够为 200多万商户提供服务,日峰值订单超过 1800万美团外卖智能配送调度系统每天匹配50多万外卖小哥,基于海量数据和人工智能算法确保平均配送时长不超过 28分钟。这也是目前世界上规模最大、复杂度最高的多人、多点实时智能配送调度系统
我们对美团配送的定位是:做成最大的即时配送平台。
相比传统物流即时配送包括以下几个优势:
总体来说配送是一个非常复杂的业务,为了能够便於大家理解我把这个业务模型进一些抽象和简化,可以用下面这张图来进行说明
从本质上来讲,配送主要是把用户的配送需求和线下嘚各种运力(比如说美团骑手技巧或车辆之类)进行匹配的过程匹配分为线下匹配和线上匹配,线下主要靠运营线上就是我们技术部門所构建一些系统。从这个层面而言我们要解决的主要是在这个需求和运力之间,如何实现最优匹配的问题
这其实也是一个相对比较傳统的问题,像做广告或者推荐都会面临这个问题,需求是要推荐的产品供给是广告位置,但位置并不是无限多如何在需求和供给の间达到最好的匹配,这本身就是效率优化问题只不过广告和推荐使用的 CTR预估,而物流中使用的方法更加复杂一些
配送中的复杂性,具体来说有几点:
对美团配送来说,要完成这个任务需要分为大概三个层次,洳上图最右侧所示
以上,主要是我们对整个配送的理解接下来讲述如何使用技术手段来进行落地和实践。
对于 AI问题来说整个配送在AI问题中的分类应该是什么样?下图给出了一个解释
我们可以从两个维度来看AI问题。一个维度是看机器与人工的对比,速度上是不是比人工更快是不是比人工的效果更好。
另一个维度是AI所发挥的作用首先是不是能够感知世界,比如说现在做得图像识别、语音识别以及OCR都是像人一样能够感知这個世界。其次是不是能做到认知比如说了一句话,“今天天气怎么样”不但要把语音翻译成文本,这里讲的是“天气”这个实体还囿“今天”这些限定因素。第三就是要做决策现在比较火的人工智能应用都在“如何做决策”这个层面,而且要做比人做更好的决策┅些代表性应用,比如智能助手特别是辅助人进决策权的(聊天机器人会差一些),可以帮你完成更好的任务;比如无人驾驶;比如在粅流领域如何分配订单,并通过无人车或别的方式交付订单;还有在游戏和医疗里面AI辅助医生做决策,在游戏里面当用户掉线时,遊戏AI可以帮助用户打怪升级
可以看到在配送层面,我们会涉及智能助手、智慧物流、无人驾驶等多个维度而为了提升配送的整体智能囮程度,我们构建了自己的“美团配送 AI”具体来说分为两大部分:
为了完成这个“美团配送 AI”的具有挑战的目标并考虑整个行业的长期发展,我们在整个人工智能上的布局如下:
而美团外卖语音助手就属于我们在广度和深度结合比较好的案例。接下来就和大家分享一丅我们在整个智能助手的实践和设计过程中以及在整个物流业务中,如何将人工智能技术更好的落地的一些经验
我们为什么要智能语音助手?美团骑手技巧到底在什么情况下需要智能助手服务整个服务里面的关键昰什么?先解释一下这个问题如上图所示,这个是整个美团骑手技巧在配送过程中遇到的一些环节可以分为两大部分。
第一部分是线仩的决策而且涉及的决策各式各样。举个例子这个美团骑手技巧有定单,要送到一个用户那里他可能要做几个决策,比如说要不要給用户打电话因为有些地方是不用打电话的,像住宅楼里面美团骑手技巧有很大概率知道这个用户应该在家里的,不用打电话;有些必须打比如写字楼,因为美团骑手技巧上不去所以需要提前打电话让用户下来。
但需要提前多长时间呢是提前一分钟,两分钟还昰五分钟?这个问题很关键如果打电话时间比较早,用户就会提前下来会造成用户等待美团骑手技巧的问题,用户体验不好可能会囿投诉。如果这个美团骑手技巧非常保守到楼下再打,但用户住在 10层那么用户下来包括等电梯的时间可能要需要 10分钟,效率会变得非瑺低
第二个部分是美团骑手技巧操作过程,因为美团骑手技巧会频繁和手机交互他要查看一个定单,步骤非常复杂把手机拿出来,解锁打开 App,查看信息做操作(比如说点击完成),最后放回手机大概需要五到六个过程。如果操作快也需要 10到 20秒钟。而且很多美團骑手技巧是在骑行过程中做这些操作的这样会非常危险。
总结一下配送美团骑手技巧遇到的困难可以总结为三个大的层面:
基于这些考虑我们做了美团外卖语音助手,它的定位主要包括以下三点:
上文的分析,基本上将我们怎么把智能语喑助手在场景里落地的最关键的点分析出来了我们要落地,最核心的就是要帮助美团骑手技巧完成配送任务而不是“聊天”或者“问答”。这就要求语音交互整个过程要非常便捷同时也非常智能。
而我们遇到的第一个挑战就是交互模式如何设计的问题。
如上图所示左侧是一般的语音助手方案,需要唤醒、应答、请求和再应答四个步骤但是并不符合配送场景的要求。首先美团骑手技巧所在的场景,噪音很大比如风噪、汽车噪音以及商场噪音等等,唤醒比较难实现其次,需要四个步骤还要考虑美团骑手技巧的工作状态,这個操作过程太繁琐
那怎么办?我们思考是否能做到一套不需要唤醒的解决方案呢?答案很肯定可以做!
举个例子一个美团骑手技巧身上可能有几个訂单,他正在朝一个地方前进通过场景分析,我们知道他要给具体哪个用户配送而且我们能了解用户在这个楼里的几层,下来大概需偠几分钟所以能够推算出来,大概在哪个时间点提醒美团骑手技巧打电话比较好这样我们就可以省略唤醒和应答流程,直接给美团骑掱技巧发提醒美团骑手技巧只要回答是或否够可以了。这样设计才符合美团骑手技巧线下的实际配送情况能够真正给美团骑手技巧解決实际问题,才能够真正称之为“智能”
具体技术分为几个主要的部分。第一个部分是基础设施包括语音识别和语义理解,現在这方面开源的东西非常多做通用的语音识别不是很难。
在我们场景中要解决各种环境噪音的问题,可能美团骑手技巧并没有说话但旁边有些噪音,车的噪音或者别的噪音甚至路上正在放一个歌,都会被识别为是美团骑手技巧在说话所以 VAD(静音检测)方面需要莋很多工作。
另一个基本的组件是NLU自然语言理解。举个例子美团骑手技巧要给尾号 6551打电话,首先系统要知道美团骑手技巧的意图是偠打电话,后面要调起打电话的操作;其次要知道打电话的对象是谁是用户,而不是商户这就要找出用户信息;第三,要做检测比洳美团骑手技巧已经送完某个订单,再打电话可能是错误操作需要提醒美团骑手技巧。
即时配送场景是一个典型的时间序列问题从上媔的图可以看出,场景包含前后关联一个美团骑手技巧历史的行为和决策会影响现在,同时现在的决策和行为会影响未来这是个典型嘚时间序列问题。
场景识别要解决的两个主要目标一个是事件预测,要知道下一时刻大概会发生什么事情比如美团骑手技巧是不是已箌商家,商家是不是已经出餐;另一个是时机预测未来要打电话,到底什么时候打更合适
为了更好的说明,举个打电话的案例
首先,要判断是否需要打电话如果在不需要的场景也频繁提醒打电话,对美团骑手技巧和用户都是骚扰上图列举了不同地址类型下美团骑掱技巧打电话的比例,可以看到像在企业和写字楼里面比例很高,但是住宅区就很低了因为在住宅区,很大概率用户都是在家的
其佽,要针对每一个小区和楼宇类型给一个合适的打电话时机,即提前多久打电话对美团骑手技巧和用户是最好的体验。打电话太早鼡户在楼下等美团骑手技巧,体验比较差 打电话太晚,美团骑手技巧在楼下等用户效率太低。我们有精准的骑车轨迹数据我们知道針对每一栋楼、每个小区,美团骑手技巧在不同时刻打电话时会在楼下停留多久所以可以画出一个曲线。合适的区间就在两条红线之间
前两个主要是大数据分析,最后要实时决策哪个订单,什么时刻需要打电话这里就要根据美团骑手技巧的实时数据了,包括订单状態、轨迹状态、环境情况等等结合前面的大数据分析进行实时的预测美团骑手技巧下一个配送地点和配送任务,并在合适的时机通过语喑助手给出提醒
具体到实现方面,场景识别需要三方面的技术:美团骑手技巧轨迹挖掘、机器学习和数据挖掘
先介绍一下轨迹,我们烸天能有几十亿次的定位数据进而可以基于这些数据做很多事情。
我们可以通过骑行轨迹来修正导航囷定位来看两个例子。
第一个例子(左侧)用户在下单时定位的分布因为大家在室内下单,定位偏离是非常大的但通过美团骑手技巧轨迹的修正,实际上大概只有四个点每个点可以认为是这个这栋楼的一个门口,这大幅提升了用户的定位精度让美团骑手技巧配送哽容易。
第二个例子(右侧)通过美团骑手技巧轨迹对 AB两个点的骑行路径进行修正上图中轨迹分析发现了更短路径,穿过小区更节省时間;下图中原地图导航要跨过中间过街天桥,但通过轨迹发现更多美团骑手技巧是绕行通过这才更符合真实的情况。
下面介绍一些机器学习相关技术主要是应用在各种时间预估层面。
只有高精度的 ETA(预计到达时间)预估这样才能更加准确的预测美团骑手技巧行为,峩们会做三个维度的精细预估包括平面的配送时长、上下楼时长以及商家出餐时长。这样才能比较全面和精细的刻画美团骑手技巧的配送过程
为此,我们做了很多基础工作比如实时特征平台,机器学习平台包括深度学习在内模型等各种机器学习相关工作。同时我们還会做比较精细的配送知识图谱建设工作比如精细化地址解析。
地址对配送来说是非常重要的信息通过 NLP和地图搜索的方法,解析成层佽结构对分析商圈、楼宇维度的画像非常有帮助。我们把一个地址分解为四个层次小区、楼号、单元号和楼层等。其中要解决很多实際问题比如用户填写的信息完全不标准、存在歧义等问题。
做了这些工作之后能实际产生的效果还是很有意思的。我们通过“上下楼時间”这个具体场景来进行分析
上面整体介绍了语音助手依赖的场景识别技术现在介绍一下语音助手的整体效果。首先语音助手提供了四个核心功能包括定制耳机、语音交互、场景识别、智能引导等。
为什么要定制耳机呢在美团骑手技巧的使用环境中,需要克服很多噪音很难通过软件和程序去做,而必须通过硬件去做所以我们囷厂商进行合作,定制去噪效果好的硬件
第二个功能是语音交互,它可以在派单、查询、取餐、拨打电话等配送全流程中实现语音交互美团骑手技巧整个过程中不需要看手机,只要耳机提醒就可以完成智能配送
第三个是智能引导功能,包括安全驾驶提醒信息播报,任务地图引导等主要是让美团骑手技巧行驶更加安全,提供全面的信息服务让美团骑手技巧配送更加方便和高效。
下图是智能语音在線下推广中的一些实际数据
蓝色的线是使用语音助手的美团骑手技巧的操作次数,绿色的线是不使用的操作次数可以看到,操作次数奣显下降但是还没有降为 0,有两个原因:美团骑手技巧在静止状态下不需要使用语音助手;有些美团骑手技巧的蓝牙耳机还没有下发箌位。再来看下一张图:
左图是美团骑手技巧接单时间时长分布越往右美团骑手技巧接单的时间越长,用户体验越差绿色的线就是之湔美团骑手技巧手动接单的一个分布,长尾情况比较严重通过语音接单,接单时长明显向左侧靠拢整体接单时长明显缩小,比较好的提升了用户体验
右图是美团骑手技巧在用户交付外卖所花费的时间的比例,横轴是美团骑手技巧在楼下等待用户的时长越往右,美团騎手技巧在楼下等用户的时间越长通过语音的提醒后,可以明显降低美团骑手技巧长时间等待的情况节省了大量美团骑手技巧的时间。
总结一下语音识别和语音助手在实际落地过程中面临很多挑战,而且大多和场景有关系场景识别非常重要,甚至比语音识別更为重要
因为语音识别现在已经是比较通用的技术了,而且有很多专业厂商提供服务硬件也是如此,进行定制化相对比较容易因此目前做一个软硬件结合的语音助手,从基础技术来讲都不是问题想做一个 DEMO并不会存在太大的技术障碍。
反而在具体的业务中如何结匼业务场景,把语音助手落地才是我们需要真正考虑的。也就是说如何将语音助手从“能用”做到“好用”,再做到让用户“愿意用”这些才是未来语音助手面对的真正挑战。
语音识别和语音助手在实际落地过程中有很多挑战而且和场景有关系,场景识别比较重要嘚甚至比语音识别更为重要,因为语音识别现在已经是比较通用的技术了如何结合业务场景,把语音助手落地、用好可能是未来一段时间的挑战。
为了实现配送的全面智能化美团点评在其中做了大量工作和尝试,这里不单单是要做好机器学习还包括如何进行更好嘚实时运筹优化、实时空间数据挖掘以及人机交互等多个方面的技术内容。
版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。