阿里妹導讀：2018天貓雙11物流訂單量創新高，突破10億件，這是一次史無前例的物流洪峰。天貓雙11十年來，見證了物流業從手寫地址、人工分揀，到電子面單、機器人分揀。無論是物流園區、干線運輸，還是秒級通關、末端配送，都通過技術高效連接，智能物流骨干網正在加快實現行業數字化、智能化升級。
因此，阿里技術推出《菜鳥智慧新物流》專題，邀請菜鳥技術人，為你揭秘物流核心技術。今天第二期，我們將了解到“倉儲體系的大腦”：智能波次，全面了解它在過去一年時間里算法友好型的系統架構建設和演進過程。
一. 前言
倉儲管理體系從粗放向精細化經營、柔性自動化管理轉變是大的趨勢，2018年雙11國內物流訂單首次突破10億，對整個物流行業都是巨大的挑戰，菜鳥的AGV小車、PTL、立體存儲等自動化設備發揮了強大的作用。在智能化方面，菜鳥倉儲技術團隊同樣在進行多維度的探索，覆蓋從接單、分揀、交接等關鍵鏈路，並取得顯著效果。
在倉儲系統中，波次匯總是將系統單據（信息流）轉化為可作業單據（實物流）的關鍵節點，傳統方式有諸多缺點，本文主要介紹了菜鳥倉儲系統的智能化波次在過去一年時間里算法友好型的系統架構建設和演進過程，以期為其他業務平台的智能化提供借鑒，進而構建覆蓋整個倉儲領域的智能化系統架構。
二. 背景介紹
什么是波次匯總？
交易訂單承載着物流契約信息，倉儲系統根據貨品的屬性將訂單切分成可作業的包裹單元。波次匯總是以包裹為單位，按照一定的策略（波次策略）進行篩選，並將不同包裹按照策略內指定的規則聚合成揀選單，來指導揀貨。在這個過程中，波次匯總的准確性、平衡性、可控性、高效性都尤為重要。
面臨的挑戰
1. 技術挑戰：
波次匯總（菜鳥內部稱之為中樞平台，寓意就像大腦一樣是整個倉儲體系的大腦，調度倉庫的作業節奏）是大數據計算密集型的系統，對數據量、效率、數據一致性、計算資源等因素極為敏感。系統上需要重點解決的是在分布式架構下的最優化生產計算問題。
2. 實操挑戰：
在智能波次誕生前，波次匯總主要有兩種方式——波次查詢匯總和波次導航匯總，它們都是人為的根據一定的條件查詢包裹並應用波次策略來生成揀選單，查詢設置都是制單員根據倉庫現場進行決策。
在實操方面，問題主要集中在以下幾點：
-
匯單生成優質揀選單的要求極高
要考慮訂單時效性、實操的揀選效率、現場勞動力等因素，控制匯波節奏；
匯單人員能力良莠不齊、無法掌控全局數據，一旦產生路徑依賴，很難再去思考如何優化波次策略；
-
揀選單生成后未進入作業的積壓，揀選無法精細化
每次匯總單量大，打印的揀選單長時間未進入生成，造成揀選單積壓；而這部分訂單hold單后可以提高優化空間，提升秒殺率；
已經確認的揀選單無法回滾和攔截，只能到質檢時攔截，揀選作業浪費；
綜合來看人工波次匯總的方式無法達到最優，要做到滿足時效前提下提供柔性服務，這種關鍵節點必須交由系統來決策。
三. 構建算法友好型的智能化波次架構歷程
智能波次由來
2017年雙11結束后復盤，我們着手解決人工決策來進行波次匯總情況下出現的問題，思考用智能化系統手段來提升——由系統根據全局的數據來判斷何時匯單、用什么條件匯單、匯哪些單，以便更柔性的控制生產節奏。
優化思路聚焦如下三點：
-
不是思考如何設置最優的波次策略參數，而是從揀選單的角度出發，現場有多少的作業能力，就從“所有的”包裹里選出“最好的”進行聚合組單；
-
在對包裹進行聚合組單，充分考慮倉內巷道、庫位的布局，將揀選距離、SKU動碰次數作為優化目標，進而提高人效；
-
控制波次匯總節奏，對倉庫現場和倉內數據進行詳細的采集，交由人工智能的算法決策是否波次，再由業務系統來進行執行。
詳細的系統流程可以用下圖來理解：
在前期的可行性驗證中，我們選取一個單量適中的倉庫作為樣本，對該倉單日出庫包裹進行仿真匯總，和當日實際的人工匯總結果進行對照。下圖是幾個對照組的結果：系統生產方式與第一列的實際作業情況進行對比，揀選單數量明顯下降，單包裹平均庫位數的下降趨勢也很明顯。經過核算間接人效提升達到兩位數的百分比：
我要着重強調的是，很多同學在比較智能波次和人工波次時往往把注意力集中在各種feature上（比如包材的優化、比如容量的勞動力控制、比如動態的組單參數、比如自適應的參數配置等等），但更重要的是理念上的轉變：人工波次的着眼點是包裹——關注的是如何根據規則來組合包裹、生成揀選單，進而來優化規則；智能波次的着眼點是揀選單——需要揀選單來進行生產，然后是怎么根據現場的狀態來挑選包裹生成最好的揀選單。
方向上的差別不可小覷，智能波次是真正嘗試實現倉內“按需生產”（JIT，Just In Time——只在需要的時候，按需要的量，生產所需的產品），讓倉庫揀選作業從對包裹的需求轉變成揀選單的需求，向精益管理、柔性服務邁出第一步。正如曾鳴教授《智能商業》一書中提到的，我們要從“數據提供支持”向“數據智能進行決策”進化。
樣本倉庫試點
在幾個月的時間內，全國范圍的樣本倉開始使用智能波次來進行波次匯總，期間完整經歷了幾次大促的考驗。
對於樣本倉庫，我們進一步明確了主要指標並進行效果跟進：
-
揀選單數：count(pickBill)，日均揀選單數表達所有包裹出庫需要揀選作業的人次；該指標與單量正相關；在相同包裹量下，越低越好；
-
單個包裹平均揀選時長：sum(pickBill.time)/sum(packageCount)，揀選每個包裹需要的時間；該指標與單量負相關；在相同包裹量下，越低越好；
-
包裹平均庫區/巷道/庫位數：sum(pickBill.position)/packageCount，揀選每個包裹需要走過的庫區/巷道/庫位數；該指標與單量正相關；該指標越低越好；
智能波次上線后幾個主要指標呈現下降趨勢，與此同時倉庫所需的揀選人員數也同時減少，切實降低了成本。下圖是“單個包裹平均揀選時長”指標的變化趨勢：
架構探索期
從完整的可行性仿真到樣本倉庫落地，是智能波次的架構探索期。當時菜鳥內部業務系統和算法的系統設計和交互比較簡單，L1級別的交互圖如下表示：
在這樣的方式下，算法蛻化為業務系統的依賴，業務系統像普通的二方包/HSF服務一樣來進行調用，那這是否是算法友好型的設計呢？簡單做下比較：
構建算法友好型的業務系統
在試點倉庫進行智能波次可行性的驗證后，我們開始考慮如何升級當前的系統，進一步構建算法友好型的業務系統，以應對雙11海量的訂單。
阿里巴巴從電商、金融、倉儲物流、雲計算等領域有不少智能化應用的場景，在調研預演階段，我們對廣告、搜索、推薦等集團內業務平台和算法協同的典型場景進行分析對比，看看我們這樣的生產型業務平台怎么做智能化，通過下列的對比，可以看到菜鳥倉儲系統是既有着與互聯網級別的高並發，又有企業級復雜特性、金融級安全穩定的特點，所以在系統形態上既有共性，又具備獨特的要求。最終我們演化出了基於TPP（阿里個性化平台）的實現倉內智能化架構方式：
與之前相比，新系統架構和特點還是比較明顯的：
-
數據資源層+計算容器層+業務層三層；數據層來解耦業務系統和算法技術；
-
基於集團的算法個性化平台TPP做計算+靈動做存儲的架構來進行設計，blink來進行訂單預處理；算法場景配置化，降低開發工作量；
-
穩定性設施齊全，算法方案的變更、分桶更加靈活高效，快速打造多個行業的方案；
-
OnLine運算+NearLine預測+OffLine分析，為智能算法提供更完備的輸入，具備一定的預測機制；
-
一套行之有效的業務平台+智能化算法協同的架構模式，具備可復制性；
上線后系統表現：在業務數據量級提升2倍的情況下RT降低5倍以上；代碼行數縮減到之前的1/3；應用數降低2/3，機器數縮減6台。另外在這套架構之上，可以進行倉儲智能化系統的進一步構建和完善，比如豐富的勞動力數據、實時的作業狀態、自動化設備的運行態的獲取和使用。
倉庫的部署速度也越來越快，雙11期間智能波次覆蓋了華東、華中、華南、西南、西北等全國范圍的貓超倉庫，幫助倉庫降本提效，充分驗證系統的可靠性。
新架構下的開發協同方式
在TPP平台上進行方案的開發，一般來說是算法同學來進行的，但由於波次計算的復雜性，里面不可避免的摻雜了業務規則（如某些場景下對庫存的篩選，很難通過數據來進行解耦），如果TPP代碼中摻雜算法計算和業務邏輯，日后絕對難以維護。我們創新性的基於TPP的插件機制來進行業務和算法模塊的解耦。具體來說，算法和業務的代碼封裝成插件，方案的代碼蛻化成簡單的膠水代碼，用方案對插件的調用來隔離兩方的內部邏輯。
在這樣的方式下，我們采用“總-分-分-總”的方式進行項目開發，后期各領域內獨立迭代。
快速的系統功能支持能力
在未進行架構升級之前，我們經常面臨算法的快速迭代能力和業務系統穩健要求的矛盾。基於TPP的新架構下我們要充分利用平台能力，以參數預估模塊為例說一下我們的快速支持方式。
在前期的智能波次中，由於上游的交易訂單是源源不斷流入的，臨近出庫時間等部分場景下需要用戶來進行少量的參數配置，校准系統行為。為進一步降低人為干涉，我們提供預估模塊來進行系統參數自動判斷，在不違反時效約束的前提下做到所有揀選單的總fitness最優。
在新架構下，算法和工程同學在前期仿真完成后，很短時間內開始開發、分桶測試，充分體現了新架構下功能特性快速上線的能力。從下圖上看，系統效果和實際運行的曲線擬合度很高。
雙11大考表現
每一個新架構上線后都要面臨雙11大促的考驗，對此我們確立智能波次業務的專項保障，從前期的影子鏈路改造、底層存儲優化、網絡請求合並、異步查詢優化到后期的全鏈路壓測，整體保障准確有力，面對老板們提出智能波次實現千萬級別訂單的自動化智能化匯單的目標大家都很有信心。
經過充分准備我們在雙11交出答卷——整個大促期間倉庫自動化匯單，而且各個倉庫揀選時效均有不同程度的提升，體現了菜鳥數據化、智能化的決策能力。下圖是各個大區隨機選取共計9個倉的效果跟蹤（形象化展示，恕不披露詳細數據）
四. 出庫智能化
從去年12月份到今天經歷雙11大促，我們在中樞智能化邁出的這一小步，已經激起了片片漣漪。未來我們還有更長的路要走，4PL倉庫怎么去支持？自動化場景下怎么更好的協同？訂單的波次和補貨怎么線上化？波次如何更具有計划性？如何實現產品化、平台化的跨越？
技術驅動的社會化物流協同，是菜鳥技術人堅持的方向。延伸到倉儲智能化方面，多環節協同、應對復雜場景的不確定性、時效性與可預測性、國際化，這些問題都還未有答案，需要我們更多的思考和落地，半年甚至一年后再來看現在，希望能有更大的突破。
原文鏈接
本文為雲棲社區原創內容，未經允許不得轉載。