第166章 第一个大单（2 / 3）

表，“包括话务量、天气、股市交易量、重大事件、节假日……总共37个维度的数据。然后用集成学习的方法，建立了多模型融合的预测系统。”

他展示了算法的结构图：不是单一的神经网络，而是多个模型的组合——时间序列模型处理周期性变化，回归模型处理趋势性变化，甚至还有一个专门处理突发事件的异常检测模型。

“为什么要这么复杂？”台下有人问。

“因为陆家嘴的话务变化本身就复杂，”吴瀚回答，“单一的模型，无论多先进，都难以捕捉所有规律。就像看病，不能只靠一种仪器，要综合诊断。”

他开始展示测试结果。用的不是欧洲数据，是上海移动提供的真实历史数据。

“我们用过去三个月的数据做验证，”吴瀚指着屏幕上的曲线，“算法的预测准确率：95.7%。特别是在股市开盘前后的关键时段，准确率达到98.2%。”

台下响起议论声。比爱立信的高。

dr. Johnson举手提问：“mr. wu, your algorithm seems too plicated. In machine learning, simpler models are usually more robust.”（吴先生，你的算法似乎太复杂了。在机器学习中，简单的模型通常更鲁棒。）

吴瀚点点头：“dr. Johnson, you are right. Simple is beautiful. but in real world, especially in Lu Jia Zui, the traffic pattern is not simple. we choose plexity not for showing off, but for solving real problems.”（约翰逊博士，您说得对。简单是美。但在现实世界，尤其是在陆家嘴，话务模式并不简单。我们选择复杂，不是为了炫耀，是为了解决实际问题。）

他调出另一组数据：“实际上，我们的算法在训练完成后，做了大量的剪枝和简化。现在的模型，复杂度只比基线模型高15%，但准确率提高了8%。我们认为，这个代价是值得的。”

问答环节持续了半小时。dr. Johnson又问了几个技术细节，吴瀚一一回答。有些问题很刁钻，涉及算法理论的最新进展，但吴瀚都接住了——他这几个月没日没夜地研究，不是白费的。

最后，上海移动的技术总监宣布休会，评审组闭门讨论。

等待的半个小时里，林辰和吴瀚坐在休息区。吴瀚喝了三杯水，手还在抖。

“发挥得很好，”林辰说，“比我预期的还好。”

“可我还是紧张，”吴瀚苦笑，“那个dr. Johnson，看我的眼神像在看小学生。”

“但他没难住你，不是吗？”林辰笑，“而且，你的算法确实更接地气。技术上可能不是最前沿的，但最适合客户需求。这就是华为的优势：不是技术最强，是最懂客户。”

正说着，上海移动的人来了。技术总监走到两人面前，表情严肃。

“吴工，林总，”他开口，“评审结果出来了。”

吴瀚屏住呼吸。

“经过综合评估，”总监顿了顿，突然笑了，“华为中标。评审组认为，你们的方案更贴近上海的实际需求，算法的可解释性也更好。爱立信的方案虽然理论先进，但本地化适配不足。”

吴瀚愣住了，好几秒没反应过来。

林辰站起来握手：“谢谢张总信任。”

“不用谢我，是