调度|微软亚研院开源MARO平台：解决多行业资源优化调度问题中薪|高薪|开源|调度|平台|资源

刚刚过去的“双11”其实是一个典型的仓储物流行业资源匹配的场景，由于大家的“爆发式”采购，三五年前我们经常听到出现“爆仓”的问题，但近两年这个问题相对得到了缓解，其主要原因就是仓储物流调度水平的大幅提升。基于过去三年来，与合作成员企业件的合作研究，微软亚洲研究院今日正式发布了多智能体资源优化平台“群策 MARO”，并将其开源。

文章插图
据微软亚洲研究院介绍，MARO 适用于由资源供需不平衡导致的资源利用率低的问题，而这样的问题广泛存在于多个行业的不同场景。比如，共享单车中自行车与站点、人的匹配，物流运输中集装箱与港口、船只、货物的匹配，电信领域无线基站带宽与用户流量的匹配，数据中心计算资源与运行任务之间的匹配，制造企业的生产与排程等等。
如何更好地在不同参与者间以合理的成本提高资源利用率，为行业创造更大的利润空间，且为社会节省不必要的资源浪费，是 MARO 的使命。这其中，利用创新技术助力企业和组织在关键场景中高效配置资源、节能减排，也是微软可持续发展战略中的重要一环。
MARO如何优化资源分配？
在实际合作和落地的过程中，微软亚洲研究院的研究员们将资源调度优化这个场景高度抽象，搭建出了一个可以让 AI 技术更好赋能这一场景的、通用的技术平台 MARO。
MARO是一个面向多行业横截面上的全链条资源优化 AI 解决方案，对于 MARO 已经涵盖的场景，用户只需提供合规的数据，MARO 就可以构建仿真环境并支持分布式并行训练，进而给出最终的解决方案；而对于尚未支持的场景（如不同的资源实体，不同的资源产生和消耗逻辑等），MARO 则可以在限定的成本下帮助构建可行的方案。
从技术角度来看，智能资源调度优化可以分为三个层面：最底层，可以理解为信息感知层，在这里需要通过一些智能感知技术把整个过程真正数字化，比如共享单车场景里的每个停车点、每辆单车，或是航运物流里的每个集装箱、船只、港口等。
第二层是信息的推理层，它建立在信息感知层之上，通过预测模型刻画未来的资源供需情况，然后基于这些情况来设计算法去优化资源调度。
最高层则是智能决策层，该层无需额外的算法模型，因为智能模型可以直接利用第一层和第二层的信息给出最终的优化方案，实现完全的、端到端的决策。
目前，业界的优化应用大多处于第二层，而 MARO 在兼顾第二层需求的前提下，可助力资源优化实现第三层中的智能决策。
面向三种用户提供不同支持
考虑到不同行业用户对 AI 技术的掌握程度会有所不同，MARO 平台提供了三种面向不同用户的构建方式，以帮助相关人员由浅入深地应用 AI 技术，创建自己的资源调度优化模型，同时，也降低了科研成果在真实场景中应用的门槛，让 AI 可以助力解决业界更多的实际问题。

文章插图
MARO 平台的三层架构
首先是MARO Service，也就是服务层，可以开箱即用。对于拥有行业领域知识，但没有机器学习开发经验的人员来说，MARO Service 提供了一些现成的资源调度场景的优化模型，如已经上线的空集装箱调配和共享单车场景等。如果用户面临与这三个模型高度匹配的业务场景，那么导入自己的业务数据，即可使用相应的模型直接连接上下游业务系统。MARO 团队还在不断改进该层服务，未来将会选取更多领域的典型资源优化场景加入到平台中，让更多行业用户受益。【 调度|微软亚研院开源MARO平台：解决多行业资源优化调度问题】第二MARO Platform。这一平台可以让用户构建和训练自己的资源调度模型，并可直接用于生产。例如，有一定规模的物流企业，本身已具有相应的技术积累，也有自己的传统解决方案，如果希望利用 AI 寻找创新的优化方案，那么此时就可以通过 MARO 提供的工具快速构建模拟场景，并基于实际的数据和业务逻辑进行优化，从而迭代出自己的模型，且可以将该模型集成到自有的生成环境中使用
第三MARO Framework。这是一个可以让用户快速搭建基础设施，通过SDK调用所需资源的框架。微软亚洲研究院介绍，对于有着较深开发积累的用户来说，MARO Framework 提供了一个可扩展的工具包，可以基于现有的高性能模块以及通用接口实现“更加原创的”仿真环境构建和问题建模。开发人员可以通过 SDK 调用任何所需的计算、存储、网络等资源，也可以根据自己已有的计算机集群搭建 MARO 的平台，进而获得在分布式环境下进行并行训练的支持。此外，对于现有问题 MARO 还提供了一批基准算法实现，包括基于经典规则的方法、基于运筹学的组合优化方法、以及基于经典的强化学习的方法，方便用户进行算法比较并快速上手。