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

物流的优化不像互联网应用可以采用流量灰度的方式进行直接的验证，并且物流系统的链路非常长，单点的改变可能引起上下游的变化。在决策优化的过程中需要使用仿真技术来验证或提供决策依据。在仿真技术的实践中，根据菜鸟拥有的海量物流数据，对包裹在物流网络中的运作规律进行算法建模，构建出的物流时空预测能力同时支持菜鸟的日常业务和全链路仿真。此外在工程架构上，还沉淀出了物流包裹数据中台支撑整个数据的流转。为菜鸟决策优化提供了更精确的依据，并极大的提升了优化迭代效率。

演讲提纲：

1. 物流优化中的一些难点问题
2. 包裹的时空预测及算法建模
3. 物流全链路仿真
4. 包裹数据中台
5. 物流优化应用
6. 总结和展望

听众受益点：在传统行业中，算法应用的推进方法。

With the recent development of AI, there has been tremendous changes in both offline and online education. Entire in-class interactions and behaviors between students and instructors have been structured and stored, which provide valuable information for analyzing class performance and improving the learning experience. In this talk, I will first show some successful applications we deployed in TAL's offline and online classrooms. Then I will outline the challenges we meet during the course of building real-world AI+Edu applications.

After that, I will talk about the two initiatives we developed on (1) building a cost-effective and consistent approach of automatic oral language skills evaluation, which reduces the monotonous and tedious grading workloads from teaching professionals and (2) developing a multimodal learning framework of classroom activity detection, which break the blackbox of traditional learning environments.

参考译文：

随着AI的最新发展，离线和在线教育都发生了巨大变化。整个课堂里学生和教师之间的互动和行为都经过结构化设计，并存储起来用于分析，这为课堂表现和学习体验改善提供了有价值的信息。本次演讲中，我会展示我们在TAL的离线和在线教室中部署的一些成功案例，也会大概介绍在构建实际“AI + Edu”应用过程中遇到的挑战。

之后，我将讨论我们基于以下两点而制定的两项倡议：一是建立一种低成本且一致的自动口语技能评估方法，这将减少教学专业人员的单调乏味的评分工作量；二是开发多模式学习课堂活动检测的框架，有助于打破传统学习环境的障碍。

听众受益点：

1. 最新AI算法在教育场景中应用
2. 如何把经典AI灵活运用在真实场景中

阿里巴巴经济体每天都在服务着数以亿计的会员，每天会员求助的进线量巨大，会员的诉求也各异，尽管机器人的解决能力已经很强大，但是以目前的技术，还无法完全替代人工客服；庞大的人工客服在保障会员体验的任务中仍扮演着十分重要的角色。为了帮助人工客服提升服务效率和品质，我们做了大量的探索实践，基于海量的历史服务数据以及NLP、深度学习等技术，我们在服务主链路环节中打造出了智能调度、智能助手、智能质培等智能产品，他们各司其责，通力协作，使得人工客服系统焕然一新。

本次演讲将详细介绍我们在人工客服服务链路中的智能化技术方案以及实践情况。

演讲提纲：

1. 客服行业面临的困局以及破局思路
   • 服务成本高、新人占比多
   • 如何破局？
2. 智能调度：会员客服之间的精准匹配怎么做
   • 将问题转化为二部图匹配+DNN
3. 客服助手：人机协同如何辅助客服提效？
   • 识别算法演进
   • demo演示
4. 智能质培：怎么告诉客服做的更好
   • 创新方案-把问题转换为对话机器人
   • 效果
5. 总结和未来规划

听众受益点：

1. 了解阿里在人工客服行业的数据智能化实践过程以及最新的成果
2. 了解NLP、深度学习等技术在人工客服领域应用和实践