在线购物省时又有效率,只要轻松点几下,几乎什么东西都能找到,还能比价逢低购入。

Jet.com 将这一切再升级。这间位在纽泽西州的新创公司采用人工智能技术,将整个购物车的成本最佳化,而非只是加总购物车内个别商品的价钱。

Forrester E-Commerce 指出预估在线购物市场的市值将从2016年的3900亿美元,到2024年时将翻长两倍,那可是一个规模庞大的市场。

去年成为零售业巨子 Walmart 收购对象的 Jet,评估多项批发、经销和运输成本,以压低购物车里的商品价格。Jet 的目标:找出正确的商品组合,尽量压低包括运费和其它僱金在内的订单总金额。

购物车愈大,愈能省下更多金钱。不过优化购物车里的内容一事,容易变成数不清的组合数量,得耗费过多时间进行计算。

对 Jet 提出新式订价软件咨询服务之 QuantAlea 总经理 Daniel Egloff,今年稍早在 GPU 科技大会上分享了他们是如何解决这个“购物篮优化”的问题。

注意差距

Egloff 表示使用传统算法及以 CPU 为基础的“暴力求解法”计算所有可能的组合,得花上数年时间才能找出购物车内少于12件商品的最低总价。

改换为使用 GPU,则是将传统算法的执行速度加快不少,但仍不足以应付所需;且在挑选和购买商品之间还有些许的时间差,可吓跑了消费者。

“我们想要将运算时间缩短到以秒为单位,而非以日或年为单位。”他说。

Jet 在 Microsoft Azure 云端环境里聪明地结合了机器学习、新式算法和 GPU,解决了这个心头大患。Egloff 说 Jet 将处理作业丢到云端,便可弹性调整其运算资源,更具成本效益。

团队设计新的算法,以找出能以最低价格装满购物车的商品组合,且速度快到足以从数百万次的计算里实时提供结果。

Egloff 说使用这些方法计算接单出货的最佳内容,能为有着众多品项的订单节省不少金钱,同时为消费者加快处理速度,也为零售商增加销售业绩。

Jet 平台后端的开发工具为 F# 程序语言,使用 F# 来编写 GPU 算法,再使用 QuantAlea 的 Alea GPU 编译为 CUDA,简化和加快编写 GPU 程序作业的速度。最后在搭载 Tesla GPU 加速器的 Azure N-series 虚拟机器完成部署。