滴滴是国内最大的出行公司，拥有几百万司机和数亿用户，出行场景对地图服务不但有强依赖，也提出了更高的时效和精度要求。规划临时交通管制或施工封闭的道路会导致送驾段的绕路，或在接驾段司机因无法接到乘客而被动取消，拥堵和交通事故也会给乘客的出行时间带来很大的不确定性。我们迫切需要一套实时高精度的情报系统，来快速感知现实世界的变化，完成“让出行更美好”的使命。

在天级更新，人工作业，情报转化率不足40%的业内水准上。我们经过不断的探索和尝试，最终借力广大的司乘资源，结合海量的时空轨迹、图像和业务数据，探索出了一套分钟级全流程自动化的实时情报系统，并且经过自研的正反模式分解，流量编码和CNN结合应用，多模态识别等技术的迭代，最终在业务上取得了巨大的收益，同时也为构建良性的司乘生态打下了基础。

在探索的过程中，我们也遇到了巨大的挑战。如何在没有真值和样本标注的情况下启动策略？如何面对中低热情报下探这种地图老大难问题？如何在个别点上取得突破后快速泛化拿到十倍的收益？如何构建一套良性机制让策略效果稳步提升？

在地图数据智能化道路和出行司乘生态建设上我们是拓荒者，本次分享将结合我们遇到的问题和实践经验，来谈谈我们的心得，也欢迎更多的同学加入到这个方向上来。

演讲提纲：

1. 出行场景对地图的新挑战
   • 动态事件对出行的影响
   • 实时情报系统的挑战
2. 破局之路
   • 借力上报破局
   • 中低热路网情报的下探
3. 从“1”到“10”
   • 将问题转化——CNN
   • 多模态——训练一个智能PA
4. 从“10”到“100”
   • 效果正循环——他山之石可以攻玉
5. 出行场景下司乘生态建设的探索
   • 我们的生态逻辑
   • 我们的探索和心得

听众收益：

1. 了解出行场景对地图的挑战和机遇，数据智能化历程和取得了哪些成果
2. 了解面对无监督问题时，如何破解转化成半监督和监督问题，如何持续优化效果并达到能持续提升的正循环状态
3. 了解出行场景下司乘生态建设的机遇和挑战，我们的探索经验和心得