Swiggy 依然希望为你提供美味的食物，但与此同时，他们还有更远大的目标：帮助你足不出户就能享受其他产品和服务。这家按需服务初创公司的技术平台每天处理的信息超过 400 亿条，而这还只是个开始。这家外卖餐饮科技初创公司提出了一项大胆的愿景，要转型推出人工智能优先的产品。目前，Swiggy 已经开始利用人工智能技术，提供除送餐以外更多的服务了。

以下为对 Swiggy 工程与数据科研负责人 Dale Vaz 的采访。

Q：Swiggy 是怎么扩大技术基础设施建设，跟上公司业务扩张速度的?

A：过去一年里，我们入驻的城市从 17 个增加到了 245 个，月活跃配送车队从一年前的 4万人增加到了现在的 20 万人，订单量增长了 300%。从企业角度来说，我们投入了大量心血。我们要做的就是为整个产品提供支持。

如果你仔细研究 Swiggy 的动力机制，你会发现它就像一个三方市场，有消费者，有按需工作的骑手，还有合作餐厅或杂货店。 Swiggy 努力平衡这个三方市场，我们手握消费者需求，但是在骑手和餐厅这两方面，我们也面临着挑战。

我需要想办法平衡这三方的需求与供给。这就是 Swiggy 的独特之处，它提出的是一个不断变化的三重技术挑战。刚开始，Swiggy 是一家外卖餐饮技术堆栈，所有东西都是公司内部自建的。然而，顾客数量指数级增长后，我们相应地扩大了这个技术堆栈，也有了更远大的愿景：成为一个不仅提供餐饮，还提供各种产品或服务的便利平台。

我们面临的第一个巨大技术挑战就是从外卖餐饮技术堆栈转型成提供高度本地化产品与服务的平台。如今我们依然提供外卖餐饮服务，但与此同时，我们应该也能针对其他品类商品提供同类服务，比如买药、杂货和宠物食品等等。

我们在印度古尔冈推出了 Swiggy 小店，消费者可以访问三千多家店铺，订购任何商品，我们承诺会在三十分钟内送达。从底层技术上来说，我们并没有重新构建我们的技术，只是架构搭建了一个多品类的平台。

我们第二个集中精力突破的技术领域是实现自身转型，成为 AI 优先的产品。任何公司刚成立的时候都有优秀的创始人、技术骨干和某种良好的直觉。一旦开始扩张，你就需要重新反思某些个人直觉，把个人直觉变成系统性的理解思考。

我们正通过 AI 优先的策略，摸索更替、反思 Swiggy 产品的方法，用基于 AI 的智能系统替换我们原本设想的部分硬编码系统。我们现在正在全面推进这项工作，研究如何把 Swiggy 变成一个 AI 优先的产品。

我们重视的第三块是可扩展性和可用性。我们需要紧跟业务发展的节奏，但我们的情况又很特殊。我们的业务量每隔几个月就要翻一番，那么我们现有的这种架构可能 18 个月后就没有意义了，所以我们必须不断重新思考已经构建好的架构原则。我们正携手大量合作伙伴，研究如何重新思考现有的某些我们可用于 Swiggy 的创新。

这就是我们为团队设定的三个核心战略方向，我们一直在努力。

Q：可以再详细聊聊 Swiggy 的 AI 策略吗?

A：首先，我们组建了世界一流的 AI 团队。去年，我们从多个国家的大学雇佣了大量博士人才，还从 IBM、通用电气研发中心(GE Research)等机构挖人，担任我们的资深科研人员。我们还组建了专门的应用研究团队。这个团队独立于数据科研团队，专攻声音、视觉和自然语言处理(NLP)。我们的想法是，已经有团队着眼于当下的问题了，那么应用研究团队就需要研究如何为接下来的 1 亿新顾客解决问题。

第二步是建设数据基础设施。过去一年里，我们一直在开发 Swiggy 数据平台，上面储存了流经我们网络的所有数据。这是一个相当庞大的系统，处理着量以 TB 计的数据——每天我们都会从顾客、骑手和餐厅处收到 400 亿条信息。我们正在处理所有这些数据，搭建机器学习模型。我们还携手其他合作方，获取第三方数据，比如我们已经和一家初创企业达成合作，获取菜谱方面的信息。

第三步是建立 Swiggy AI 堆栈，并以此为基础搭建智能模型。这可以分为基础 AI 功能及其应用。基础 AI 功能可以是计算机视觉这样的领域，它的应用案例很多，比如自动拍下餐厅菜单的照片并将其转换成文件。

第四步则是研究我们该如何与外部研究机构及行业合作，培养长期能力。长期而言，这将有利于打造差异化体验。我们与高校合作，发起了一个支持这类研究的资助项目，为这类研究提供资金支持。高校学者和 Swiggy 科研人员可以携手合作，搭建创意模型。同样，我们也和初创公司及亚马逊网络服务(AWS)等行业领袖达成了合作。

第五步是在全公司普及 AI，让每一个人都能围绕 AI 搭建模型。我们推出了“人人 AI”(AI for All)项目，培训我们的团队、分析师乃至商业领袖。我们的终极目标是把 AI 变成我们文化的一部分，培养公司内部人员的能力与知识。

Q：Swiggy 的技术如何确保订单准时送达?

A：我们面临的挑战是整个产品的实时决策或优化。消费者在做决定的时候，骑手在四处移动，餐厅可能也正忙着接待堂食顾客。每个时刻都有不同的变量。

首先，我们承诺顾客会在约定时间内送达商品。有些智能模型是围绕顾客构建的，比如他们在什么时候更喜欢什么商品等等;有些智能模型则是围绕商品和服务品类构建的，比如菜单项、标记餐点的功能等等。

所有这些都是通过我们的 AI 模型完成的。例如，在印度大家说鸡肉时有各种不同的说法，比如“murgh”或“Koli”(坎纳达语)。一大挑战在于，我们该如何让平台明白这些不同的表达指的其实是同一种商品。

从配送合作伙伴人力安排的角度而言，每当有订单即将完成时，配送合作伙伴的位置信息每隔几秒就会被实时反馈回来。实时获取所有这些信息后，我们就可以知道哪位骑手能够进行配送，并告知顾客我们确实可以配送这份订单。

另外两个需要输入的变量是时间和空间。按需服务很特别的一点在于，你的需求会随时间和地理位置发生变化。平台机制明白，早晨是早餐时间，我们需要更换餐厅。平台这边，我们建立了智能模型来理解这些需求。比如到周日下午的时候，我们会展示更多体验式餐厅。

我们建立了这些模型处理所有数据，计算得出最佳结果。是否能够安排配送合作伙伴配送订单并不是我们面临最大的难题，更艰巨的挑战在于如何用最低成本把任务安排给最合适的配送合作伙伴，同时保证良好的消费者体验。这才是 Swiggy 平衡相互冲突的需求的秘密武器。

配送合作伙伴这边，我们需要了解某位骑手是新人，还是更有可能准时送达订单的老手。同样，餐厅这边也有餐厅的挑战，尤其是备餐方面的挑战。制作披萨可能需要 20 分钟，而千层面需要 30 分钟。我们搭建的系统会将餐厅准备这些餐点的时间纳入考量范围。考虑到所有这些因素，我们每隔几秒就会在全印度实时运行一次这套配对算法。所有这些都是自动的。

Q：你们可以从数据中了解到一些什么?

A：(我们发现)这个业务跟时间有很大关系，业务峰值会出现在一天里的数个时间段。我们从数据中具体了解到了很多东西。例如，配送合作伙伴到达餐厅后必须点击到达，但当我们开始通过数据去分析了解时，我们发现实际情况完全不一样。他们会在到达餐厅前点击“到达”，因为这样他们才能准时取餐。因此，我们建立了更加准确的 GPS 定位系统，以便我们了解他们的确切方位。

我们通过数据了解到的另一个问题是食物质量问题，尤其是有时候顾客点了某样餐点，但实际收到的却是另一样餐点。为了解决这个问题，我们设计制作了带有摄像头的配送箱。它可以拍摄餐点的照片，确认餐点正确无误。这是我们采用的一套深度学习计算机视觉模型。

Q：随着 Swiggy 的业务不断扩大，你们怎么吸引优秀的高科技人才?

A：这是摆在 Swiggy 这样的初创公司面前最艰巨的挑战之一。过去 12 个月里，我们的技术团队人数翻了一番，现在已经有超过 450 位成员了。我们会做行业招聘和校园招聘，还会为工程技术新人才提供各种不同的培训。此外，我们也会从公司内部培养自己的人才。

业界方面，我们已经开始和各大高校合作，邀请最优秀的学生参与解决我们最艰巨的问题，创造一系列解决方案。我们还在世界各地进行了宣传，告诉大家 Swiggy 是一家既有企业家精神、也有可靠领导团队的企业，正在着手解决一些独特的问题。

我们形成了一套独特的主张：既谈论扩大规模，也赋予我们的工程师更多的主人翁精神。对于高级技术人才而言，这是很激动人心也很有吸引力的。我们雇佣了很多从亚马逊、Google 等公司出来的人。