8月26-27日，由中国人工智能学会（CAAI）发起并主办、中科院自动化研究所与CSDN共同承办的2016中国人工智能大会（CCAI 2016）将于在北京·辽宁大厦盛大召开，汇聚全球顶级人工智能专家共论前沿技术与产业实践
除了重磅主题报告，大会设置了“人工智能驱动的人机交互”、“机器学习的明天”、“人工智能青年论坛”和“人工智能产业论坛”等四大专题论坛，邀请来自知名院校及创新企业的专家担任论坛主席，就当前人工智能领域的核心问题展开讨论
大会前夕，“机器学习的明天”联席主席、滴滴研究院副院长叶杰平接受CSDN记者专访，介绍了机器学习对人们出行的影响——滴滴出行正在借助机器学习和大数据解决其智能调度和供需预测的难题，通过模型的不断优化缩短运算时间，同时提升预测效果，让司机和用户更加满意
滴滴研究院副院长叶杰平 叶杰平，滴滴研究院副院长，美国密西根大学终身教授
美国明尼苏达大学博士毕业主要从事机器学习，数据挖掘和大数据分析领域的研究
担任包括IEEE TPAMI、DMKD、IEEE TKDE、NIPS、ICML和KDD等多个国际顶级期刊编委及国际顶级会议程序委员会领域主席
采访实录 CSDN：能否介绍滴滴研究院目前关注的技术？ 叶杰平： 作为一个创新性研究机构，滴滴研究院的目标是成为滴滴出行的“大脑”，孵化出未来一切有助于提高移动出行效率的技术创新，人工智能是这样的技术
目前，滴滴研究院的研究方向包括：机器学习、计算机视觉、人工智能、数据挖掘、最优化理论、分布式计算等
我们希望每一项研究成果都能以最快的速度应用到相应的产品上，给千万用户带去便捷
CSDN：您如何理解滴滴出行面临的技术挑战？ 叶杰平： 滴滴要解决的问题，其实比AlphaGo还要复杂
滴滴出行成立于2012年，目前提供出租车、专车、快车、顺风车等业务，2016年3月我们的日出行订单量超过1000万，相当于美国单日分享出行订单总量的5到6倍
滴滴每天产生的大量出行大数据，我们每日处理超过70TB数据，90亿次路径规划请求，90亿次地图定位以及10亿次派单，这还是我们收购Uber中国之前的数据
对我们来说，如何利用总量如此庞大的交通出行数据做好路径规划、订单匹配、运力调度，是一个重大的挑战
这些世界难题的解决非常有价值、有意义
AlphaGo真正影响的可能只是几十人或者几千人，滴滴的算法一天之内就影响上千万人
这也是我加入滴滴的一个主要原因
链接：专访滴滴算法大赛冠军团队：回归树模型取胜 CSDN：一定需要人工智能才能解决吗？ 叶杰平： 不只是滴滴，比如医疗方面，人类的很多难题的解决都需要大数据和人工智能的结合
在滴滴，通过人工智能技术，我们实现了智能派单，这是滴滴运营的核心技术之一
前面说过，每一秒钟我们都要匹配成千上万的乘客和司机乘客和司机之间的距离或车程时间是衡量派单质量的主要指标
我们需要用到两项关键的地图技术来完成派单，包括路径规划划和ETA（预估任意起终点所需的行驶时间）
ETA的传统惯用方法，是通过路况和每段路的平均速度计算出时间，然后加上可能的等待时间，得到整体所需时间
滴滴利用机器学习来计算时间，我们用机器学习模型从海量的出行数据中寻找规律
最核心是找到解决ETA问题最有效的机器学习模型以及特征挖掘，刚开始为ETA建模的时候我们花了很多时间去找特征，现在我们已经可以实时更新所剩余的距离以及到达终点的时间
未来我们会不断优化我们的模型，将预估的精度不断提高，更好地服务用户
CSDN：拼车业务的算法，机器学习的应用方式是一样的吗？ 叶杰平： 拼车的关键问题是需要将所有乘客多耗费的时间最小化
很明显，乘客之间的路线越相似，多出的时间就越少
此外，如何进行拼车定价也是个问题，关键是计算每单的预期利润，如果预期利润很高，我们将给予较高的折扣
这实际上也是个机器学习的问题
CSDN：您谈到研究会尽快产品化，能否透露滴滴目前还有一些秘密的研发吗？ 叶杰平： 可视化对机器学习算法性能优化和数据服务化都是一项重要的技术
我们正在研发一款名为“九霄”的可视化系统，可以呈现过去发生了什么以及正在发生什么，比如告诉我们哪里有交通拥堵以及当前的供需情况等
CSDN：请谈谈您为CCAI 2016进行的准备工作，能够为听众解决哪些问题
叶杰平： 在“机器学习的明天”论坛，我们邀请了来自清华、北大、微软研究院等顶级研究机构的专家，以及来自腾讯、今日头条等一线企业的机器学习负责人，他们都具有多年的研究/研发经验，讨论的问题，将包括大规模机器学习、交互式机器学习、深度学习等前沿方向，希望能够从研究和应用两个方向给大家带来更多的启发
大会门票已经剩余不多，与大牛对话，火速抢票！ 不能到现场的朋友，敬请留意CSDN报道专题，百度开放云独家视频直播支持