人工智能近年來的迅猛發(fā)展，預示著其將為倉庫運作方式帶來革命性的變革,。但在企業(yè)決定在運營實踐中引入并實施這一新技術(shù)之前,，必須要確保已擁有相關(guān)數(shù)據(jù)及所需人才。

對相關(guān)企業(yè)而言,，即時關(guān)注并對供應鏈技術(shù)的進步具有敏感性幾乎已經(jīng)成為必須,。機器人技術(shù)、自動化,、數(shù)據(jù)分析和工業(yè)物聯(lián)網(wǎng)等各種新技術(shù),，正在逐步展示出其在提升貨物運輸，處理,，存儲和配送效率方面的潛力,。這些新技術(shù)的不斷涌現(xiàn)，使得我們很難確認究竟應把注意力集中在哪一方面,。

在這其中一項值得仔細研究的新技術(shù)是人工智能(AI),。簡單而言， 人工智能是計算機系統(tǒng)發(fā)展到一定階段的產(chǎn)物,，即代為執(zhí)行通常需要人類智能參與的任務（如視覺感知,、語音識別、決策和語言翻譯）,。人工智能出現(xiàn)于1956年,，但絕大多數(shù)情況下，我們都必須將智能程序明確地輸入到計算機中,。

近年來,，機器學習作為一種典型的人工智能技術(shù)。機器學習主要是探索如何可以使計算機程序通過對輸入數(shù)據(jù)的學習來提高其輸出性能,。這些程序可以嵌入在機器中,，也可以在服務器或云端操作。亞馬遜(Amazon),、谷歌,、Facebook、微軟(Microsoft)等大型科技公司已經(jīng)將機器學習融入到他們的產(chǎn)品和服務中,，為用戶提供：相關(guān)度更高的網(wǎng)絡搜索內(nèi)容,，更好的圖像與語音識別技術(shù)以及更智能化的設備。

機器學習與數(shù)據(jù)分析（收集,、轉(zhuǎn)換及數(shù)據(jù)分析的流程）之間有一些相似之處,。兩者都需要一個經(jīng)過清理的、多樣化的,、大型的數(shù)據(jù)庫才能有效地運作,。然而，主要的區(qū)別在于,，數(shù)據(jù)分析允許用戶從數(shù)據(jù)中得出結(jié)論,，進而要求用戶采取相應措施來改善其供應鏈。相比較而言，對于已處于可解決范疇內(nèi)的問題,，機器學習可以基于“訓練數(shù)據(jù)庫”自動執(zhí)行操作（本文后續(xù)關(guān)于監(jiān)督學習的部分將對此進行討論）,。基于其允許任務自動執(zhí)行這一特性,，人工智能 — 尤其是機器學習 — 對許多供應鏈管理人員來說都是一項值得關(guān)注的重要技術(shù)。對于今天的許多企業(yè)來講,，制定并實施供應鏈相關(guān)的人工智能戰(zhàn)略,，將使其隨著技術(shù)的逐漸成熟，提升自身的生產(chǎn)力,、速度與效率,。

一、人工智能的發(fā)展現(xiàn)狀

人工智能近期的迅猛發(fā)展,，得益于以下因素的共同作用,。第一，各種設備的互通互連而產(chǎn)生的數(shù)據(jù)量的增長以及促使日常生活數(shù)字化的高級傳感器的使用的增長,。第二,，從移動設備到云計算，各種設備的計算能力也在持續(xù)增長,。因此,，機器學習可以運行在最新的硬件運算設備上，同時獲取大批量,、多樣化及高質(zhì)量的數(shù)據(jù)庫,，進而自動執(zhí)行各種任務。

案例一：

下面是一個眾多消費者將逐漸熟悉的場景,。如果你有一個iphone而且每天早晨通勤上下班,， 最近一段時間你可能留意到了以下情況：當你坐進汽車的時候，你的手機將自動提示你開車去公司將需要多少時間,，根據(jù)實時的路況信息給出最佳行車路線的建議,。當這一現(xiàn)象第一次發(fā)生時，你可能會有這樣的疑惑：“手機怎么會知道我要去上班,？感覺很酷,，但也有一點點恐怖”。

因為內(nèi)置了機器學習功能,，手機可以根據(jù)你過去做過的事情來預測你將要什么,。如果你換了新工作或者開車去了另外一個目的地，設備會自動調(diào)整它的預測,，并根據(jù)新的目的地發(fā)出新的通知,。這一應用場景的特別強大之處在于：設備對用戶來說越來越有幫助，而用戶或軟件開發(fā)人員不必采取任何行動。

另一個場景是自動駕駛汽車,。目前路面上行駛的的自動駕駛汽車正在被用來收集數(shù)據(jù),，用來改進下一代自動駕駛汽車的技術(shù)。當人工操作人員直接對車輛進行控制時,，相關(guān)的數(shù)據(jù)就會與其他車輛的數(shù)據(jù)匯集起來并進行對比分析,，以確定在何種情況下自動駕駛汽車將切換到由人工駕駛模式。這樣的數(shù)據(jù)收集與分析將使得自動駕駛汽車變得更加智能,。

Ng強調(diào),，雖然人工智能已經(jīng)有很多成功的實施案例,，但大多數(shù)都是在監(jiān)督學習的場景下展開應用。在這一模式下,，每一個訓練輸入數(shù)據(jù)庫與正確的輸出決策相關(guān)聯(lián),。機器學習算法通過比對這個訓練庫的信息來根據(jù)新的輸入數(shù)據(jù)做出決策。監(jiān)督學習的一些常見應用包括照片標記,、貸款處理與語音識別,。在每一個應用案例中，系統(tǒng)都會接收輸入信息 — 比如照片標簽應用中的圖片 — 并基于它從訓練數(shù)據(jù)庫中學到的信息做出決定或做出反應,。

如果擁有一個足夠大的輸入數(shù)據(jù)庫,，并用對應的人工響應 (或輸出) 做以注釋 ，那么就可以構(gòu)建一個人工智能應用程序,，允許計算機系統(tǒng)接收新的輸入數(shù)據(jù)并自行做出決定,。這可以使過去不容易自動化的流程變的可以自動運作，最終提升倉庫啊的運營效率,。而實現(xiàn)這一目的的關(guān)鍵就是輔助做出決策的數(shù)據(jù)庫的大小,、質(zhì)量與多樣性的程度。訓練輸入數(shù)據(jù)庫越大,、越多樣化,，機器學習算法做出的決策就越優(yōu)化。

二,、選擇可參照案例

當考慮在供應鏈中應用人工智能的各種方案時,，直接應用相應技術(shù)然后確定應用方案或許很有吸引力。但是，如果你首先分析一下公司業(yè)務面對的挑戰(zhàn)與機遇,，然后再選擇相匹配的人工智能技術(shù)來解決相關(guān)問題,，這樣的流程會有助于你選擇更有效率、更適合的應用方案,。

就倉庫及其運作而言,，人工智能的應用應該以企業(yè)所關(guān)注并不斷優(yōu)化的關(guān)鍵性能指標(KPI)為指導（訂單準確性、安全性,、生產(chǎn)率,、履行時間、設施損壞或庫存準確性等）,。倉庫通常已經(jīng)擁有大量與KPI指標相關(guān)的數(shù)據(jù)，這些都可以被人工智能應用程序用于自動完成任務或做出決策,。然而,，這些數(shù)據(jù)由于數(shù)據(jù)類型的原因并不能直接用于人工智能技術(shù)，并且通常分布在不同的倉庫管理系統(tǒng)中,。因此,，在正式應用之前，許多人工智能應用程序需要對不同倉庫管理信息系統(tǒng)中的數(shù)據(jù)進行整合,。

下面的3個案例（生產(chǎn)力,、設備利用率、效率）說明了人工智能在倉儲運營場景中的應用潛力,。雖然這些案例可能并不適用于所有倉庫,，但它們確實展示了企業(yè)如何將自己已有的數(shù)據(jù)整合成可以應用機器學習技術(shù)的形式。

案例一,、生產(chǎn)力

在揀選訂單的環(huán)節(jié),，所有的倉庫都存在不同員工的生產(chǎn)力不同這一現(xiàn)象（有效率最高的訂單揀選員也有變現(xiàn)一般的員工）。但是相對于使用系統(tǒng)引導進行揀選的倉庫而言,，員工在生產(chǎn)力方面的差異在不使用系統(tǒng)引導的倉庫中表現(xiàn)更為明顯,。

對于那些不使用系統(tǒng)引導進行揀選的倉庫，機器學習提供了一個可以更好推廣最高效員工經(jīng)驗的機會,，并將系統(tǒng)引導模式引入到所有員工的工作中,。如果聯(lián)系到上文提到的監(jiān)督學習，最高效員工的揀選列表將作為人工智能應用的輸入數(shù)據(jù),；這些員工在揀選列表中貨物的順序決策即為輸出數(shù)據(jù)（基于條碼掃描或其他可獲取信息）,。除了最短揀選距離這一指標之外，避免擁擠通常是提升生產(chǎn)力的另外一個重要指標,。因為最佳揀選員工通常會同時考慮這兩個因素,，因此上面的輸入輸出數(shù)據(jù)庫應該已包含這些信息。

基于這些精準標注的數(shù)據(jù)，機器學習算法在接收新的訂單數(shù)據(jù)后案最佳原則進行歸類,。通過這種方式,，算法可以復制最有效員工的揀選操作，并提高所有員工的生產(chǎn)力,。

案例二,、設備利用率

某一倉庫一天內(nèi)需要搬運的容器或托盤數(shù)量與所需的搬運設備數(shù)量之間有一定的關(guān)系。在大多數(shù)情況下,，兩者之間是一種線性關(guān)系,。但是，某些因素（例如操作人員的技能水平或貨物的混合存放等）也可能會影響到所需搬運設備的佘亮,。

在這種情況下,，輸入數(shù)據(jù)就需要包括所有可能影響設備需求的數(shù)據(jù)（從倉庫管理系統(tǒng)中調(diào)用的揀選訂單清單以及從員工管理系統(tǒng)中獲取的操作人員生產(chǎn)力水平等信息）。輸出信息包括從升降搬運車管理系統(tǒng)中獲得的搬運設備使用率信息,。

基于這一精準標注的數(shù)據(jù)庫,，機器學習算法將可以接收未來數(shù)星期或數(shù)月的訂單預測信息和現(xiàn)有員工的技能水平信息，進而預估出所需搬運設備的數(shù)量,。升降搬運車車隊經(jīng)理將在同設備供應商的協(xié)商中采納這些信息作為決策參考,，以確保通過短期租賃或新設備購買的方式來確保在某一期限內(nèi)獲取合適數(shù)量的搬運設備進行揀選操作。

案例三,、效率

一個好的貨位策略應該是將高需求的SKU盡量集中放在最佳位置但同時又要適當?shù)姆稚[放,，以降低擁堵程度來提高揀選效率。但由于需求的不斷變化以及SKU的數(shù)量（某些倉庫中可能有數(shù)千個SKU）,，倉庫很難僅僅依靠員工來判斷SKU的需求量來實現(xiàn)最佳存放,。因此一些倉庫運營商會使用貨位分配軟件來幫助確定SKU擺放位置。這些軟件會提供操作界面允許客戶修改運作規(guī)則,。當接收到銷售歷史數(shù)據(jù)或未來銷售預測信息后,，軟件就會推薦相應的貨位策略。但是,，負責軟件的人員經(jīng)常會依據(jù)自己的經(jīng)驗來修改策略,，而這些經(jīng)驗卻往往不能反應出揀選操作的真實情況。

在這種情況下,，輸入數(shù)據(jù)就是軟件所推薦的貨位策略,。輸出數(shù)據(jù)是最終決定執(zhí)行的策略。機器學習算法可以和貨位分配軟件結(jié)合,，通過對實施最終貨位擺放策略的員工的傾向性進行不斷的學習,，最終實現(xiàn)自動調(diào)整。

三,、制定策略

明確倉儲相關(guān)領(lǐng)域可以從人工智能技術(shù)獲益之后,，制定相關(guān)的應用策略將非常重要,。在其發(fā)表于《哈佛商業(yè)評論》的文章中，Andrew Ng對高管們應該如何定位公司的人工智能策略提出了一些有益的看法,。他寫道,，制定一個成功戰(zhàn)略的關(guān)鍵是“理解在哪里創(chuàng)造價值，什么是很難復制的”,。

Ng指出,，人工智能研究人員經(jīng)常發(fā)布和分享他們的想法，并公布他們的代碼,，因此我們可以很便捷地接觸到最新理念及進展,。相反，“稀缺資源”是數(shù)據(jù)和人才,，而這兩點對企業(yè)制定人工智能策略獲取競爭優(yōu)勢極為關(guān)鍵,。在數(shù)據(jù)源已經(jīng)被精確連接到了對應的輸出信息的情況下，復制一款軟件比獲得原始數(shù)據(jù)要簡單的多,。因此,，具有鑒別與獲取有價值的數(shù)據(jù)并有能力根據(jù)實際情況修改軟件參數(shù)以最大化利用這些數(shù)據(jù)的人員，將是制定人工智能策略過程中關(guān)鍵而具有差異性的組成部分,。也就是說，如果一個企業(yè)向推進人工智能在倉儲場景下的應用,，那么它就必須將重點放在提高數(shù)據(jù)和人才的質(zhì)量這兩方面,。

關(guān)于數(shù)據(jù)，要明確的一個關(guān)鍵問題是：哪些數(shù)據(jù)是你的公司所獨有而且可以用來提高與業(yè)務相關(guān)的KPI,？這一點明確之后,，就需要提高倉儲管理系統(tǒng)中的數(shù)據(jù)的質(zhì)量。這一步通常被稱為數(shù)據(jù)管控,，來確保供應鏈運作相關(guān)的數(shù)據(jù)具有一個可以“真實反映客觀事實的來源”,。

舉例來講。叉車司機的信息可以存儲在不同的信息系統(tǒng)中,，包括人力資源系統(tǒng),、員工管理系統(tǒng)、倉庫管理系統(tǒng),、叉車車隊管理系統(tǒng)等,。如果司機信息被分別錄入以上系統(tǒng)，那么同一員工的姓名及身份號碼就可能出現(xiàn)不匹配的情況,。比如,，一個人可以在WMS中被標識為Jo Smith， #01425; 在LMS系統(tǒng)中為Joanne Smith, #1425; 而在車隊管理系統(tǒng)中則只登記為Joanne Smith,，同時沒有認可身份號碼,。

對于跨系統(tǒng)整合數(shù)據(jù)的機器學習應用案例來說,，數(shù)據(jù)必須是干凈的。具有良好數(shù)據(jù)管控能力的企業(yè)可以將其中某一系統(tǒng)定義為存有主要數(shù)據(jù)的系統(tǒng),，并在需要時通過應用程序編程接口（API）將這一數(shù)據(jù)導入其他任意系統(tǒng)中,。

如果需要整合來源于多個系統(tǒng)的數(shù)據(jù)，那接下來要面對的挑戰(zhàn)就是數(shù)據(jù)集成,。也就是說,，要確保所有來源于不同倉儲運作相關(guān)的系統(tǒng)中的數(shù)據(jù)可以被整合成一種可以用來機器學習的形式。這就需要與供應商緊密合作,，以了解對方的運營能力以及整合來自車隊管理,、員工管理、倉庫管理,、企業(yè)資源管理等不同系統(tǒng)的數(shù)據(jù)的潛力,。這就為支持數(shù)據(jù)分析以及客戶定制化的人工智能應用奠定了數(shù)字化基礎。在技術(shù)上具有挑戰(zhàn)性,，但許多系統(tǒng)中嵌入的API接口簡化了這一任務,。

一個更大的挑戰(zhàn)可能來自于人才領(lǐng)域。在你的公司中有多少人專職進行管控,、集成于抓取正在創(chuàng)建的數(shù)據(jù)信息,？如果答案是“還不夠”，那么你就要考慮設置一個高管級別的職位,，致力于在董事會層面來積極推動以公司數(shù)據(jù)資產(chǎn)為來源來建立企業(yè)競爭優(yōu)勢,。

這種高級別的助推策略，可以從確定公司如何在這一領(lǐng)域構(gòu)建能力開始,。對大多數(shù)公司來講,，也可以通過內(nèi)部員工和外部顧問的組合來實現(xiàn)。甚至有一些眾籌的機器學習平臺（例如Kaggle和Experfy）可以協(xié)助你將你在數(shù)據(jù)方面要面對的挑戰(zhàn)與世界各地的專家之間建立起聯(lián)系,。因為今天你所獲得的數(shù)據(jù)可能會對未來的機器學習應用產(chǎn)生深遠影響,，因此建立數(shù)據(jù)能力是一個優(yōu)先需要考慮的事項。許多大型企業(yè)已經(jīng)在內(nèi)部成立了專門部門來引導人工智能及數(shù)據(jù)分析方面的工作,，這一需求也使得這一領(lǐng)域的專業(yè)人才變的炙手可熱,。

四、感想總結(jié)

雖然供應鏈經(jīng)理需要評估各種技術(shù)以及指導以科技為基礎的革新,，但人工智能不應因此被忽略,。但它也不應該被視作可以瞬間完成供應鏈變革的萬靈藥。相反地,，人工智能應該被定義為一個可以提升與企業(yè)成功密切相關(guān)的KPI指標的工具,。使用這一工具并不需要成為人工智能領(lǐng)域的專家，但必須確保你的企業(yè)滿足了前文所提到的三個基本要求：確定與提升企業(yè)績效相關(guān)的高價值應用案例,；創(chuàng)立可以整合這些高價值數(shù)據(jù)的數(shù)字基礎設施,；開始建立一個由內(nèi)部與外部專家組成的專業(yè)團隊,。