人（rén）工智能近年（nián）来（lái）的迅猛发展（zhǎn），预示着其将为仓（cāng）库运作（zuò）方式带来革命性的变革。但在企业决定在运营（yíng）实践中（zhōng）引入并实（shí）施（shī）这一新技术之前，必须要（yào）确（què）保已（yǐ）拥有（yǒu）相关数（shù）据及（jí）所需人才（cái）。

对相关企业而言，即时（shí）关注并对供应链（liàn）技（jì）术的进步具有敏感性几乎已经成为必须。机器人技术、自（zì）动（dòng）化、数据分析和工业物联网等各种新技术，正在逐步（bù）展示出其在提（tí）升货物运输，处理，存（cún）储和配送（sòng）效（xiào）率方面（miàn）的潜（qián）力。这些新技术的不（bú）断涌现（xiàn），使（shǐ）得（dé）我（wǒ）们很难确认究（jiū）竟应把注意力集中（zhōng）在哪一方面（miàn）。

在这其中（zhōng）一项值得仔细研究的新技术是人工（gōng）智能(AI)。简单而言， 人工（gōng）智能（néng）是计算机系统发展到一（yī）定阶段（duàn）的产（chǎn）物，即代为执行通常需要人（rén）类（lèi）智能参（cān）与的任务（如视觉感知（zhī）、语音识别、决策和语言翻译）。人工智能出现于1956年，但绝大多数情况（kuàng）下，我们都（dōu）必须将智能程（chéng）序明确地输入到计算机中。

近年来（lái），机器学习（xí）作为一种典型（xíng）的人工（gōng）智能技术。机（jī）器学习主要是（shì）探索如何可以使（shǐ）计（jì）算机程序通过对输入数据（jù）的学习（xí）来提高其输出性能。这些程（chéng）序可以嵌入在（zài）机器（qì）中，也可以在服务器或云端操作。亚马逊（xùn）(Amazon)、谷歌、Facebook、微软(Microsoft)等大（dà）型科技公司已经将（jiāng）机器学习融入到他们的（de）产品和服务中（zhōng），为用户（hù）提供：相关度更高（gāo）的（de）网络（luò）搜索内容，更好（hǎo）的图像与语音识别技术以及更智能（néng）化的设备。

机器学习与数据（jù）分析（收集、转换及（jí）数据分析的流（liú）程（chéng））之间（jiān）有一（yī）些相似之（zhī）处。两（liǎng）者都需要一个（gè）经（jīng）过清理（lǐ）的、多样化的、大型的数据（jù）库才能有效地运作。然（rán）而，主要的区（qū）别在于，数（shù）据分析（xī）允许用（yòng）户从数据中（zhōng）得出结（jié）论（lùn），进而要求用户采取相应措施（shī）来改善（shàn）其（qí）供应链。相比较而言，对于已（yǐ）处于可解决范畴内的问题，机器学习可以基于“训练（liàn）数据（jù）库”自（zì）动执行（háng）操作（zuò）（本（běn）文后续（xù）关于监督学（xué）习的部分（fèn）将对此进行讨论）。基于其允许任务自动执行这一特性，人工智能 — 尤其（qí）是机器学习 — 对许多供应（yīng）链管理人员（yuán）来（lái）说都是（shì）一项值得关注的重要（yào）技术。对（duì）于今天的许多企业来讲，制定（dìng）并实施供应链相（xiàng）关的人工智（zhì）能战略，将使其随着技术的逐（zhú）渐（jiàn）成熟，提升自身的生（shēng）产力、速度与效率。

一、人（rén）工智能（néng）的发展（zhǎn）现状（zhuàng）

人（rén）工智能近期（qī）的迅猛发展（zhǎn），得益于以下因素的共同作用。第一，各种设备的互通互连而产（chǎn）生的数据量的增长（zhǎng）以及促使（shǐ）日常生（shēng）活数字（zì）化的高级传感器的使（shǐ）用的增长。第二，从移动设备（bèi）到（dào）云计（jì）算，各种设备的（de）计算能（néng）力也在持续增长（zhǎng）。因此，机器学习可以运（yùn）行在最新的硬（yìng）件运算设备上，同时获取大批量、多样化及（jí）高（gāo）质量的数据（jù）库（kù），进而自动执行各种任务。

案例一：

下（xià）面是一个众多消费者将逐渐熟（shú）悉的场景。如果你有一个（gè）iphoness而且每天早（zǎo）晨（chén）通勤上下（xià）班， 最近一（yī）段时间你（nǐ）可能留意到了以下情况：当你坐进汽车的时候，你的（de）手机将（jiāng）自动提（tí）示（shì）你（nǐ）开（kāi）车去公司将需要多少时间，根据实时的路况信息给出最佳（jiā）行车路线的建议（yì）。当这一现象第（dì）一次发生时，你可能会有这（zhè）样的（de）疑惑：“手机怎么会（huì）知道我要去上班？感觉很酷，但也有（yǒu）一点点恐怖”。

因为（wéi）内置了机器学习功能，手机可以根据（jù）你过去做（zuò）过的事情来预测你（nǐ）将要什么。如果你换了新工作（zuò）或者开车去了另（lìng）外一个目的地，设（shè）备会自（zì）动（dòng）调整它的预测，并根据新的（de）目的地发出新的通知。这一应（yīng）用场景（jǐng）的特别强大之处在于：设备对用户（hù）来说越来越（yuè）有（yǒu）帮助（zhù），而用户（hù）或（huò）软件开发人员不必采取任何行动。

另一个场景是自动驾驶汽（qì）车。目前路（lù）面（miàn）上（shàng）行驶的自（zì）动驾驶汽车正在被用来（lái）收集数据，用来改进下一代自动驾（jià）驶汽（qì）车（chē）的技（jì）术。当人工操作人员直接（jiē）对车辆进行控制时，相关的（de）数据就会（huì）与其他车辆（liàng）的数据汇集起来并（bìng）进行对比分析（xī），以确定在（zài）何种（zhǒng）情况（kuàng）下自动驾驶（shǐ）汽车将切换到由人工驾驶模式。这样的（de）数据收集与分析将使得自动（dòng）驾驶汽车（chē）变得更加智能。

虽（suī）然人们很容易被今天人工智能相关的（de）令人兴奋（fèn）的发（fā）展所鼓舞，但了解人工（gōng）智（zhì）能的局（jú）限性（xìng）也很重要（yào）。在《哈（hā）佛商业评论》(Harvard Business Review) 2016年的（de）一篇文章中，《人工智能现阶段的能与（yǔ）不能》，斯坦（tǎn）福（fú）人工智（zhì）能实验室前负责人（rén）、跨国科（kē）技公司百度的人工智能团队前首席科学家Andrew Ng明（míng）确表示（shì），“人工智能（néng）将变革（gé）许多行业，但（dàn）它并不具有无所不（bú）能的魔力（lì）。”

Ng强调，虽然（rán）人工智能已经有很多（duō）成功的实施案例，但大多数都是（shì）在（zài）监督学习的场景下展（zhǎn）开应用（yòng）。在这（zhè）一模式下，每一个（gè）训练输入数据库与正确的输出决策相关联（lián）。机器学习算法通过比对这个（gè）训练库的信息来根据新的输入数据（jù）做出（chū）决策。监督（dū）学习（xí）的一些（xiē）常见应用包（bāo）括照（zhào）片标记、贷款处（chù）理与语音识别。在每一个应用案例中，系统都（dōu）会接收输（shū）入信（xìn）息（xī） — 比如（rú）照（zhào）片标（biāo）签应（yīng）用（yòng）中的图片 — 并基于它从（cóng）训练数据库（kù）中学到的信息做出决定或（huò）做出反应（yīng）。

如果拥有一个足够大（dà）的（de）输入（rù）数据库，并用对应的人工响应 (或输出) 做（zuò）以注（zhù）释 ，那么就可（kě）以构建（jiàn）一个人工智能应用程序，允许计算机系统接收新的输（shū）入（rù）数据并自行做出决定。这可以使过去不（bú）容（róng）易自动化的流程（chéng）变的可以自动运作，最终提升仓（cāng）库啊的运营效（xiào）率。而实现这一目的的关键就是（shì）辅助做（zuò）出决（jué）策的数（shù）据库的大小（xiǎo）、质（zhì）量与多样性的程度。训练输（shū）入数据库越大、越多（duō）样（yàng）化，机（jī）器学习算法做出的决策就（jiù）越优（yōu）化。

二、选择可（kě）参照案例（lì）

当（dāng）考虑在供应链中应用人工（gōng）智能（néng）的各种方案时，直接应用相应技（jì）术然（rán）后确定应用方案或（huò）许很有吸引（yǐn）力。但（dàn）是，如（rú）果你（nǐ）首先分析（xī）一下公司业（yè）务面对的挑战与机遇，然后再选择相匹配的人工智（zhì）能技（jì）术来解决相关问题，这（zhè）样的（de）流程会有助于你（nǐ）选（xuǎn）择（zé）更有（yǒu）效率、更适（shì）合的应（yīng）用方案。

就（jiù）仓（cāng）库及其运作而言，人工智（zhì）能（néng）的（de）应（yīng）用应该（gāi）以企业所关注并不断优化（huà）的关键性能指标(KPI)为（wéi）指（zhǐ）导（订（dìng）单准确性（xìng）、安全性（xìng）、生产率、履行时（shí）间、设施损坏或库存（cún）准确性等）。仓库通（tōng）常已经拥（yōng）有大量与KPI指（zhǐ）标相关的数据，这些都可以被人工智能（néng）应用程（chéng）序用于自动完成任务或做出决策。然而（ér），这些数据由（yóu）于数据类型的原因并（bìng）不能直接用于人工智能技术，并且通常分布在不同的仓库管理系（xì）统中。因此，在正式应用之（zhī）前，许多（duō）人工智能应（yīng）用程序需（xū）要对不同仓库管理信（xìn）息系统中（zhōng）的数据进行整合。

下面的3个案例（生产（chǎn）力、设备利用率、效率）说明（míng）了人（rén）工智能在仓储运（yùn）营场景中的（de）应用潜力。虽然这（zhè）些（xiē）案例可（kě）能并（bìng）不适用于所有（yǒu）仓库，但它们确（què）实展示了企业如何将自己已有的数据（jù）整合成可（kě）以应用机器学习（xí）技术（shù）的形式（shì）。

案例一、生产（chǎn）力

在拣选订单的环节，所（suǒ）有（yǒu）的仓库都存在不同员工（gōng）的生产力不（bú）同这（zhè）一现象（有效率最高的订（dìng）单拣选（xuǎn）员（yuán）也（yě）有变现（xiàn）一般的员工）。但是相（xiàng）对于使用系统引导进行（háng）拣选的仓（cāng）库而（ér）言，员工在（zài）生（shēng）产力方面的差异在不使（shǐ）用系统引导的仓库中表现更为（wéi）明显。

对（duì）于（yú）那些不使用（yòng）系统（tǒng）引导（dǎo）进行拣选的仓库，机器学习提供（gòng）了（le）一个可以更好（hǎo）推（tuī）广最高效员工经验的机会，并将系统引导模式（shì）引入到（dào）所有（yǒu）员工的（de）工作中。如果联系到上文提到的监督学习，最高效员（yuán）工的拣（jiǎn）选列表将（jiāng）作为人工智能应用的（de）输入数据；这些员工在拣（jiǎn）选列表中货物的顺序决策即为输出数据（基于条码扫（sǎo）描或其他可（kě）获取信息）。除了最短拣选距离这一指标之外，避免拥挤通常是提升生产力（lì）的另外一个重要指（zhǐ）标。因为最佳拣（jiǎn）选员工通常（cháng）会（huì）同（tóng）时考虑这两个因素，因此上面（miàn）的（de）输入输出数据库应该已包含（hán）这些信息。

基于这（zhè）些精准标注的数（shù）据，机器学习算法在接收新的订单数据后案最佳原则进行归（guī）类。通过这种方式，算法可以复制最有效（xiào）员（yuán）工的拣选（xuǎn）操（cāo）作（zuò），并提高所有（yǒu）员（yuán）工（gōng）的生产力。

案例二、设备利用率

某一仓库一天内需（xū）要（yào）搬运的容器或托（tuō）盘（pán）数量与所需的搬运设备数量（liàng）之间有一定的关（guān）系。在大多数情（qíng）况下，两者之间是一种（zhǒng）线性关系（xì）。但（dàn）是，某些因素（例如操作（zuò）人员（yuán）的技能水平或货物的混合存放等）也（yě）可（kě）能会影响到（dào）所（suǒ）需搬运设备的（de）佘亮（liàng）。

在这种情况下（xià），输入数据就需要包（bāo）括所有可能影响设备需求的数（shù）据（jù）（从仓（cāng）库管理系统中调（diào）用的（de）拣选订单（dān）清单以及从员工管理系统（tǒng）中（zhōng）获取的操作（zuò）人员生产力水平（píng）等信息）。输出信息包括从（cóng）升降搬运车管理系统（tǒng）中（zhōng）获得的搬运设备（bèi）使用率信息。

基于这一（yī）精准标注的数据库，机（jī）器学习（xí）算法将可（kě）以接收未来数（shù）星（xīng）期或数月的订单预（yù）测信息和现有员工的（de）技能水平（píng）信息，进（jìn）而（ér）预估出所（suǒ）需搬运设（shè）备的数量。升（shēng）降搬运（yùn）车车队经理将在同设备供应商的协商中（zhōng）采纳这些信息作为决策参考，以确保通过短（duǎn）期租（zū）赁或新设备（bèi）购（gòu）买的方（fāng）式来确保在某一期限（xiàn）内获取合（hé）适数量（liàng）的搬运设备进行拣选操作。

案例三、效率

一个好的货位策略（luè）应该是将高需求的SKU尽量集中放在最佳位置但同时（shí）又要适当的分散摆放，以（yǐ）降低（dī）拥堵程度来提高拣选效率。但由于需求的不断（duàn）变化以（yǐ）及SKU的数（shù）量（某（mǒu）些（xiē）仓库中（zhōng）可能有数千个SKU），仓库很难仅仅依靠（kào）员（yuán）工（gōng）来（lái）判断SKU的需求量来实（shí）现最佳存放。因此一些仓库运营（yíng）商会使（shǐ）用货（huò）位分配软件（jiàn）来帮助确定SKU摆（bǎi）放位置。这些软件会提供操作界面（miàn）允许（xǔ）客户修改（gǎi）运作（zuò）规则。当接收到销售历（lì）史数据或未来销（xiāo）售预测信息后，软件（jiàn）就（jiù）会推荐相应的货位策略。但是，负责软件的人员经常会依据自己（jǐ）的经验（yàn）来修改策略，而（ér）这（zhè）些经验却往（wǎng）往不能反应出拣选操作（zuò）的真实情况。

在这种（zhǒng）情（qíng）况下，输入数据（jù）就是软件所推荐的货位策（cè）略。输出（chū）数据（jù）是最终（zhōng）决（jué）定执行的策略。机器学习算法（fǎ）可以和货位分配软件结合，通过对实（shí）施（shī）最终货位摆放策（cè）略的员工的倾向性进行（háng）不断的学习，最终实现自动调整。

三、制定（dìng）策略

明（míng）确仓储相关领域可以从（cóng）人工智能技术（shù）获益之（zhī）后，制（zhì）定（dìng）相（xiàng）关的应用策略将非（fēi）常重（chóng）要（yào）。在其发表于《哈佛（fó）商业（yè）评论》的（de）文（wén）章中，Andrew Ng对高管们应（yīng）该如何定位公司的（de）人工智能策略提出了一些（xiē）有益的看（kàn）法。他写道，制定一个成功战略的关键是（shì）“理解在哪里创（chuàng）造（zào）价值，什么是很（hěn）难复制的（de）”。

Ng指（zhǐ）出（chū），人工（gōng）智能研究人员经常发布和分享他们的想法，并公布他们的代码，因（yīn）此我们可以很便捷地接触到最新理念及进展。相反，“稀缺资源”是数据和人（rén）才，而（ér）这两点对（duì）企（qǐ）业制定（dìng）人工智能策略获取竞（jìng）争优势极为关键。在数据源已经被精确连接到了对应的（de）输出信息的情况下，复（fù）制一款（kuǎn）软件比获得原（yuán）始数据要简（jiǎn）单的（de）多。因此，具有鉴（jiàn）别（bié）与（yǔ）获取有价值（zhí）的数据并（bìng）有能力根据实际情（qíng）况修改软（ruǎn）件参数以（yǐ）最大化利（lì）用这些数据的人员，将是制定人工智能策略过程中关键而具有差异性的组成部分。也就是（shì）说，如果一个企业向推进人工智能在仓储场景（jǐng）下的应（yīng）用（yòng），那么它就（jiù）必须（xū）将重点（diǎn）放（fàng）在提（tí）高数据（jù）和（hé）人才的质量这两（liǎng）方（fāng）面。

关于数据，要明确的一个关键问题是（shì）：哪些数据是你的公司所独有而且可以用来提高与业务相关的（de）KPI？这一点明确（què）之后，就需（xū）要（yào）提高（gāo）仓（cāng）储管理系统中的（de）数据的质（zhì）量。这一步通常被称为（wéi）数据（jù）管（guǎn）控，来确（què）保（bǎo）供（gòng）应链（liàn）运作相关的数据（jù）具有一个（gè）可以“真实（shí）反映（yìng）客（kè）观事实的来（lái）源”。

举例来讲。叉车司（sī）机的（de）信息可以存储在不同的信息系统中，包括人力资源（yuán）系统、员（yuán）工管（guǎn）理（lǐ）系统、仓库管理系统、叉车车队管理系（xì）统等。如果司（sī）机信息被（bèi）分别录入以上系统，那么同一员工的（de）姓名（míng）及（jí）身份号码就可能出（chū）现（xiàn）不（bú）匹配的情况（kuàng）。比如（rú），一个人可以在WMS中被标识为Jo Smith， #01425； 在LMS系统中（zhōng）为（wéi）Joanne Smith， #1425； 而在车（chē）队（duì）管理系（xì）统中则只登（dēng）记为Joanne Smith，同时没有认可（kě）身份（fèn）号码。

对于跨（kuà）系（xì）统整合（hé）数据的机器学习应用案例来（lái）说，数据必须是干净的。具有良好数据管控（kòng）能力的企（qǐ）业（yè）可以将（jiāng）其中某一系统定义为存有主要数据的系统，并（bìng）在需要时通过应用程序编程接口（API）将（jiāng）这一数据导入其他（tā）任意系统（tǒng）中。

如果需要整（zhěng）合来（lái）源于多（duō）个系统的数据，那接下来要面对的挑战就是数据集成。也就（jiù）是说，要确保所有（yǒu）来源于不同仓储运（yùn）作相关的系统中的（de）数据可以被整合成（chéng）一种可以用来（lái）机器（qì）学习的（de）形式。这就（jiù）需要（yào）与（yǔ）供应商紧密合（hé）作，以了解（jiě）对方的（de）运营能力以及（jí）整合来（lái）自车（chē）队管理、员（yuán）工管（guǎn）理（lǐ）、仓库管理、企业资（zī）源管理等不同系（xì）统的（de）数据的（de）潜力。这就为支持数据（jù）分（fèn）析（xī）以及客户定（dìng）制化（huà）的人工智能应用奠定了数字化基础。在技（jì）术上（shàng）具有挑（tiāo）战性，但许（xǔ）多（duō）系统（tǒng）中嵌入的API接口简化了这一任务。

一（yī）个更大的挑战可能（néng）来（lái）自于人才领域。在你的公（gōng）司中有多少人专职进行管控、集（jí）成于抓取正（zhèng）在创（chuàng）建的数（shù）据信（xìn）息？如果答案是“还不够”，那么你（nǐ）就要考（kǎo）虑设（shè）置一个高（gāo）管（guǎn）级别的职位，致力于在董（dǒng）事会层面来（lái）积极（jí）推动（dòng）以公（gōng）司数（shù）据资产为来源（yuán）来建立企（qǐ）业竞争优势。

这（zhè）种（zhǒng）高级别的助推策略，可以（yǐ）从确定公司（sī）如何在这一领域构（gòu）建能力开始。对大多数公（gōng）司来讲（jiǎng），也（yě）可以通过内（nèi）部员工和外部顾问（wèn）的组（zǔ）合来实现。甚至有一些众（zhòng）筹的（de）机器学习（xí）平台（例如Kaggle和Experfy）可以协助你将你在数据方面要面对的（de）挑战与世界各地的专家之间建立起联系。因为今天你所获得的数据可能（néng）会对未来的机器学习（xí）应用产生深（shēn）远影响，因此建立数据能力是一个优先需要考虑的事项。许（xǔ）多大型（xíng）企业（yè）已经（jīng）在内部成立了（le）专门部门来引导人工智能及数（shù）据分析方面的工作（zuò），这一（yī）需求（qiú）也使得（dé）这一领域的专业人（rén）才变的炙手（shǒu）可热。

四（sì）、感想（xiǎng）总结

虽（suī）然供（gòng）应链经理（lǐ）需要评（píng）估各（gè）种技（jì）术以及指导以科技为基础的（de）革新（xīn），但人工智能不（bú）应因此被忽（hū）略。但它也不应该被视作可以瞬间完成供（gòng）应链变革的万灵（líng）药。相反地，人工（gōng）智能应该被（bèi）定义为一个可以提升与企业（yè）成功密切相关的KPI指标（biāo）的工具。使用这一工具并不需要（yào）成为人工智能领域的（de）专家，但必须确保你（nǐ）的企业满足了前文所提（tí）到的（de）三个基本要求：确定（dìng）与提（tí）升企业绩效相关的高价（jià）值应用（yòng）案例（lì）；创立可以（yǐ）整合这些高价值数据的（de）数字基础设（shè）施（shī）；开始建（jiàn）立一个由内部与外部专（zhuān）家组成的专业团队（duì）。