人工智能近年來的迅猛發(fā)展，預(yù)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(yīng)鏈技術(shù)的進(jìn)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(rèn)究竟應(yīng)把注意力集中在哪一方面。

在這其中一項值得仔細(xì)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(wù)（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(xué)習(xí)作為一種典型的人工智能技術(shù)。機器學(xué)習(xí)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(xué)習(xí)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(wù)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(xué)習(xí)融入到他們的產(chǎn)品和服務(wù)中，為用戶提供：相關(guān)度更高的網(wǎng)絡(luò)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(shè)備。

機器學(xué)習(xí)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(jìn)而要求用戶采取相應(yīng)措施來改善其供應(yīng)鏈。相比較而言，對于已處于可解決范疇內(nèi)的問題，機器學(xué)習(xí)可以基于“訓(xùn)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(xué)習(xí)的部分將對此進(jìn)行討論）?；谄湓试S任務(wù)自動執(zhí)行這一特性，人工智能 — 尤其是機器學(xué)習(xí) — 對許多供應(yīng)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(yīng)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(shè)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(shè)備到云計算，各種設(shè)備的計算能力也在持續(xù)增長。因此，機器學(xué)習(xí)可以運行在最新的硬件運算設(shè)備上，同時獲取大批量、多樣化及高質(zhì)量的數(shù)據(jù)庫，進(jìn)而自動執(zhí)行各種任務(wù)。

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(dāng)你坐進(jìn)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(dāng)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(xué)習(xí)功能，手機可以根據(jù)你過去做過的事情來預(yù)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(shè)備會自動調(diào)整它的預(yù)測，并根據(jù)新的目的地發(fā)出新的通知。這一應(yīng)用場景的特別強大之處在于：設(shè)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(jìn)下一代自動駕駛汽車的技術(shù)。當(dāng)人工操作人員直接對車輛進(jìn)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(jìn)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。

雖然人們很容易被今天人工智能相關(guān)的令人興奮的發(fā)展所鼓舞，但了解人工智能的局限性也很重要。在《哈佛商業(yè)評論》(Harvard Business Review) 2016年的一篇文章中，《人工智能現(xiàn)階段的能與不能》，斯坦福人工智能實驗室前負(fù)責(zé)人、跨國科技公司百度的人工智能團隊前首席科學(xué)家Andrew Ng明確表示，“人工智能將變革許多行業(yè)，但它并不具有無所不能的魔力?！?/span>

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(xué)習(xí)的場景下展開應(yīng)用。在這一模式下，每一個訓(xùn)練輸入數(shù)據(jù)庫與正確的輸出決策相關(guān)聯(lián)。機器學(xué)習(xí)算法通過比對這個訓(xùn)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(xué)習(xí)的一些常見應(yīng)用包括照片標(biāo)記、貸款處理與語音識別。在每一個應(yīng)用案例中，系統(tǒng)都會接收輸入信息 — 比如照片標(biāo)簽應(yīng)用中的圖片 — 并基于它從訓(xùn)練數(shù)據(jù)庫中學(xué)到的信息做出決定或做出反應(yīng)。

如果擁有一個足夠大的輸入數(shù)據(jù)庫，并用對應(yīng)的人工響應(yīng) (或輸出) 做以注釋 ，那么就可以構(gòu)建一個人工智能應(yīng)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(xùn)練輸入數(shù)據(jù)庫越大、越多樣化，機器學(xué)習(xí)算法做出的決策就越優(yōu)化。

二、選擇可參照案例

當(dāng)考慮在供應(yīng)鏈中應(yīng)用人工智能的各種方案時，直接應(yīng)用相應(yīng)技術(shù)然后確定應(yīng)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(wù)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(yīng)用方案。

就倉庫及其運作而言，人工智能的應(yīng)用應(yīng)該以企業(yè)所關(guān)注并不斷優(yōu)化的關(guān)鍵性能指標(biāo)(KPI)為指導(dǎo)（訂單準(zhǔn)確性、安全性、生產(chǎn)率、履行時間、設(shè)施損壞或庫存準(zhǔn)確性等）。倉庫通常已經(jīng)擁有大量與KPI指標(biāo)相關(guān)的數(shù)據(jù)，這些都可以被人工智能應(yīng)用程序用于自動完成任務(wù)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(yīng)用之前，許多人工智能應(yīng)用程序需要對不同倉庫管理信息系統(tǒng)中的數(shù)據(jù)進(jìn)行整合。

下面的3個案例（生產(chǎn)力、設(shè)備利用率、效率）說明了人工智能在倉儲運營場景中的應(yīng)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(yīng)用機器學(xué)習(xí)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(dǎo)進(jìn)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(dǎo)的倉庫中表現(xiàn)更為明顯。

對于那些不使用系統(tǒng)引導(dǎo)進(jìn)行揀選的倉庫，機器學(xué)習(xí)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(dǎo)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(xué)習(xí)，最高效員工的揀選列表將作為人工智能應(yīng)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(biāo)之外，避免擁擠通常是提升生產(chǎn)力的另外一個重要指標(biāo)。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(yīng)該已包含這些信息。

基于這些精準(zhǔn)標(biāo)注的數(shù)據(jù)，機器學(xué)習(xí)算法在接收新的訂單數(shù)據(jù)后案最佳原則進(jìn)行歸類。通過這種方式，算法可以復(fù)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(shè)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(shè)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(shè)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(shè)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(shè)備使用率信息。

基于這一精準(zhǔn)標(biāo)注的數(shù)據(jù)庫，機器學(xué)習(xí)算法將可以接收未來數(shù)星期或數(shù)月的訂單預(yù)測信息和現(xiàn)有員工的技能水平信息，進(jìn)而預(yù)估出所需搬運設(shè)備的數(shù)量。升降搬運車車隊經(jīng)理將在同設(shè)備供應(yīng)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(shè)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(shè)備進(jìn)行揀選操作。

案例三、效率

一個好的貨位策略應(yīng)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(dāng)?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(dāng)接收到銷售歷史數(shù)據(jù)或未來銷售預(yù)測信息后，軟件就會推薦相應(yīng)的貨位策略。但是，負(fù)責(zé)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(yīng)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(xué)習(xí)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(jìn)行不斷的學(xué)習(xí)，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(yīng)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(yīng)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(fù)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(jìn)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(yīng)的輸出信息的情況下，復(fù)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(jìn)人工智能在倉儲場景下的應(yīng)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(wù)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(yīng)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(biāo)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(rèn)可身份號碼。

對于跨系統(tǒng)整合數(shù)據(jù)的機器學(xué)習(xí)應(yīng)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(yīng)用程序編程接口（API）將這一數(shù)據(jù)導(dǎo)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(xué)習(xí)的形式。這就需要與供應(yīng)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?jǐn)?shù)據(jù)分析以及客戶定制化的人工智能應(yīng)用奠定了數(shù)字化基礎(chǔ)。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(wù)。

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(jìn)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(shè)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(xué)習(xí)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(xué)習(xí)應(yīng)用產(chǎn)生深遠(yuǎn)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(dǎo)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(yīng)鏈經(jīng)理需要評估各種技術(shù)以及指導(dǎo)以科技為基礎(chǔ)的革新，但人工智能不應(yīng)因此被忽略。但它也不應(yīng)該被視作可以瞬間完成供應(yīng)鏈變革的萬靈藥。相反地，人工智能應(yīng)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(biāo)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(yīng)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(chǔ)設(shè)施；開始建立一個由內(nèi)部與外部專家組成的專業(yè)團隊。

文章來源于：Luke Waltz