人（rén）工智能近年来的迅猛发（fā）展，预示（shì）着其（qí）将（jiāng）为仓（cāng）库（kù）运作（zuò）方式（shì）带（dài）来革命性的变革。但在企（qǐ）业决定在运营实践中引入并实施这（zhè）一新技术（shù）之前，必（bì）须要确保已拥有相关数据及所需人才。

对相关企业而言（yán），即时关注并对供应链技术的进步（bù）具有（yǒu）敏感性几（jǐ）乎（hū）已经成为必须。机器人技术、自（zì）动（dòng）化、数据分析和工（gōng）业物联网等（děng）各（gè）种新技术，正（zhèng）在逐（zhú）步展示出其在提升（shēng）货物运（yùn）输，处理，存储和（hé）配送效率方面的潜力（lì）。这些新技（jì）术的不断涌（yǒng）现，使得我们很难确认究（jiū）竟应把注意力集（jí）中在（zài）哪一方面。

在这（zhè）其中一项值得仔细研究（jiū）的新技（jì）术是人工智能（néng）(AI)。简单而言（yán）， 人工智能是计算机系统发展到一定阶段的（de）产（chǎn）物，即代为执行通（tōng）常需要人类智能（néng）参与的（de）任务（如视觉（jiào）感知、语音（yīn）识别、决策（cè）和语言翻译）。人工智（zhì）能出现于1956年，但绝大多数情况下，我们都必须（xū）将智能程序明确地输入到计算机（jī）中。

近年来，机器（qì）学习作为一种典型的（de）人工智能（néng）技（jì）术。机器学习（xí）主要是探索（suǒ）如（rú）何可（kě）以使计（jì）算机程序通过（guò）对输入（rù）数据的学习来（lái）提高其（qí）输出（chū）性能。这些程（chéng）序可以嵌入在机器中，也可以在服务器或云端操作。亚（yà）马逊(Amazon)、谷歌（gē）、Facebook、微软(Microsoft)等大型（xíng）科技公司已（yǐ）经（jīng）将机器学习（xí）融入到他们的产品和服务（wù）中，为用户提供：相关度更高的网络搜（sōu）索内容，更（gèng）好的图像与语音识别技术以及更智（zhì）能化的设备。

机器学习（xí）与数（shù）据分析（xī）（收集、转换及数据分（fèn）析的流（liú）程）之间有一些相似之处。两者都需要一个（gè）经过清（qīng）理的、多样化的、大型的数据（jù）库才能（néng）有效地运作（zuò）。然而（ér），主要的（de）区别在（zài）于，数据分析允许用户从（cóng）数（shù）据中得出（chū）结论，进而要求用户（hù）采取相应措施来改善其供（gòng）应链。相比（bǐ）较而言，对于已（yǐ）处（chù）于可解决范畴内的问题，机器学（xué）习（xí）可（kě）以基于“训练数据（jù）库”自（zì）动执行操作（本文后续关于监督学习（xí）的部分将对（duì）此进（jìn）行（háng）讨（tǎo）论（lùn））。基于其允许任务自动（dòng）执（zhí）行这一（yī）特性，人工智能 — 尤其是机器学习 — 对许（xǔ）多供应链管理人员来说都（dōu）是一项值得关（guān）注（zhù）的重要技术。对于（yú）今天的许（xǔ）多企业来讲，制定并实施（shī）供应链相（xiàng）关的人工智能战略，将使其随着技术（shù）的逐渐成（chéng）熟（shú），提升自身的生产力、速度（dù）与效（xiào）率。

一、人工智（zhì）能的发展现状

人工智能近期的迅猛（měng）发展，得益（yì）于以下因素的共（gòng）同作用（yòng）。第一，各种设备（bèi）的互（hù）通互连（lián）而产生的数据（jù）量的增长以及促使日常（cháng）生活数字（zì）化的高级（jí）传感器的（de）使（shǐ）用的增长。第二，从移（yí）动设备到云（yún）计算（suàn），各种设备的计算能力也在持续增长。因（yīn）此，机器学习可以运行在最新（xīn）的硬件运算设（shè）备（bèi）上，同时获取大批（pī）量（liàng）、多样（yàng）化（huà）及高质量的数据库，进而自动执行各种（zhǒng）任务。

案例一：

下面是（shì）一个（gè）众多消费（fèi）者将逐渐熟悉的场景（jǐng）。如果你有一个iphoness而且每天早（zǎo）晨（chén）通（tōng）勤（qín）上下班， 最（zuì）近一段时间你可能留（liú）意到了以（yǐ）下（xià）情况：当你坐进汽车的时候，你的（de）手机将自动（dòng）提示你（nǐ）开车去（qù）公司将需要多少时（shí）间，根据实（shí）时的路况信息给出最佳行车路线的建（jiàn）议。当这一现象第（dì）一次发生时，你可能（néng）会（huì）有这样的疑惑：“手机怎么会知道我（wǒ）要去上班？感觉很酷，但也有一点点恐怖（bù）”。

因为内置（zhì）了机器学（xué）习（xí）功能，手机可以（yǐ）根据你过去（qù）做过的事情来（lái）预测你（nǐ）将要什么。如果（guǒ）你换了新（xīn）工（gōng）作（zuò）或者开车（chē）去了（le）另外一个目（mù）的（de）地（dì），设备会自（zì）动调整它的预测（cè），并根据新的目的地发出新（xīn）的通知。这一应用场景的特（tè）别强大（dà）之处在于（yú）：设（shè）备对用户（hù）来说越来越（yuè）有帮助，而用（yòng）户或软件开发人员不必（bì）采（cǎi）取任何行动（dòng）。

另一个场景（jǐng）是自动驾驶汽（qì）车。目（mù）前路面上行驶的自动（dòng）驾驶（shǐ）汽车正在被用来收集数据，用来改进下一代自动（dòng）驾驶汽（qì）车（chē）的技术（shù）。当人工操（cāo）作（zuò）人员直（zhí）接对车（chē）辆进行控制时，相（xiàng）关的数据就会与其他车辆的数（shù）据汇集起来并进行对比分（fèn）析，以确定在何种情况下（xià）自动驾驶汽（qì）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驾驶汽车变得更加（jiā）智（zhì）能（néng）。

虽（suī）然人们很容（róng）易被今天人工（gōng）智能相关（guān）的令（lìng）人（rén）兴（xìng）奋（fèn）的发展所鼓舞，但了解人工智（zhì）能的局限性也很重要。在《哈佛商业评论》(Harvard Business Review) 2016年的一篇文章中，《人工智能现阶段的能与不（bú）能》，斯坦福人工智能实验室前负责人、跨（kuà）国（guó）科技公司（sī）百（bǎi）度的人工（gōng）智能团队前首席科学家Andrew Ng明（míng）确表示（shì），“人工智能将变革许多行（háng）业，但它并不具有无所不能的魔力。”

Ng强（qiáng）调，虽然人工智（zhì）能（néng）已经有很多成功的（de）实施案（àn）例，但大多（duō）数都是（shì）在监督学（xué）习的（de）场景下（xià）展开应用（yòng）。在这一（yī）模式下，每一个训练输（shū）入数据库（kù）与正确的输（shū）出决策相关联（lián）。机器学（xué）习算法通（tōng）过比对（duì）这个训练库的（de）信息（xī）来根据新的输入数据做出决策。监督学（xué）习的一些常见应用包括照（zhào）片标记、贷（dài）款处理与语音识别。在每一（yī）个（gè）应用案（àn）例（lì）中，系统（tǒng）都会（huì）接收输入信息 — 比如照片（piàn）标签应用中的（de）图片 — 并基于它（tā）从训练数据库中学（xué）到的（de）信息做出决定或（huò）做（zuò）出反应。

如果拥有（yǒu）一个足（zú）够大（dà）的输入（rù）数（shù）据库，并（bìng）用（yòng）对应的人工（gōng）响应（yīng） (或输出) 做以注释 ，那么（me）就可以（yǐ）构（gòu）建一个人工智（zhì）能应用程序，允许计算机系统接收新的输入数据并自（zì）行做出决定。这可（kě）以使过去不容易自动化的流程变的可以自动运作，最终（zhōng）提升仓库啊（ā）的运营效率。而实（shí）现这一目的的关（guān）键（jiàn）就是辅助做出决（jué）策的（de）数据库的大小、质量与多（duō）样性的程度。训练（liàn）输入数据库越大、越多样（yàng）化，机器学习（xí）算法做（zuò）出的（de）决（jué）策就越优化。

二、选择可（kě）参照案例

当考虑在供应（yīng）链中应（yīng）用人工智能的（de）各（gè）种方案时，直接应用相应技术然后确定应（yīng）用（yòng）方案或许很（hěn）有吸引力。但（dàn）是，如果你（nǐ）首先分（fèn）析一下公（gōng）司业（yè）务面对的挑战与机遇，然后（hòu）再选择（zé）相匹配的人工智（zhì）能（néng）技术来解决相关问题，这（zhè）样的流程（chéng）会有助于你选择更有效率、更适合的应用方案。

就仓（cāng）库（kù）及其运作（zuò）而言，人工智能的（de）应（yīng）用应该以（yǐ）企（qǐ）业所关（guān）注（zhù）并不断优化的关键性能指（zhǐ）标（biāo）(KPI)为指导（dǎo）（订单准确性、安全性、生产率（lǜ）、履行时间、设（shè）施损坏（huài）或库存准确性等）。仓库（kù）通常已经拥有大量与（yǔ）KPI指标相关的（de）数据，这些（xiē）都可以被人（rén）工智能应用程序用于自动完成任（rèn）务或做出（chū）决策。然而（ér），这些数据由于数据类型的原因（yīn）并不能直接用（yòng）于人工智能技术，并且通常分（fèn）布在不同的（de）仓（cāng）库管理系统中（zhōng）。因此，在正式应用之前（qián），许多人工智能应用（yòng）程序（xù）需（xū）要对不同仓库管理（lǐ）信息系统中的数据进行整合。

下（xià）面的（de）3个案（àn）例（生（shēng）产力、设备利用率（lǜ）、效率）说明了人（rén）工智能在仓（cāng）储运营场景（jǐng）中的应（yīng）用潜力（lì）。虽然这些案例可能并（bìng）不适用于所有仓（cāng）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（yǐ）应用机器学习（xí）技术的形式。

案例一、生产力

在拣选订单的环（huán）节，所有的仓（cāng）库都（dōu）存在不同员工的生产力不（bú）同这一现象（有效率最高的订（dìng）单拣（jiǎn）选员也有变现一般的员工）。但（dàn）是相对（duì）于使用系统引导（dǎo）进行拣选的仓库而（ér）言，员工（gōng）在（zài）生（shēng）产力方面的差异在不使用系统引导的仓库中表现更为明显。

对于那些（xiē）不使用系（xì）统引导进行拣选的仓库，机器（qì）学习提供了（le）一个可以更好推广（guǎng）最高效（xiào）员工经（jīng）验（yàn）的机（jī）会（huì），并将系统引导模式引入（rù）到所有员工的工作中。如果联系到（dào）上文提（tí）到的监督（dū）学习，最高效员工（gōng）的拣（jiǎn）选列表将作为人工（gōng）智能应用的输入（rù）数据；这些员工在（zài）拣选（xuǎn）列表中货物的顺序决策即为输出数据（基于条（tiáo）码扫描或其他可获（huò）取信息）。除了最（zuì）短拣（jiǎn）选距离（lí）这一指（zhǐ）标之外，避（bì）免拥挤通常是（shì）提（tí）升生产力的另外一（yī）个（gè）重要指标。因为最佳拣选员工通常会同（tóng）时考虑这两个因素，因此上（shàng）面的（de）输入（rù）输出数据（jù）库应该（gāi）已包含这些信息。

基于这些（xiē）精准标注的数据，机器（qì）学习算法在接收新的订单数据（jù）后案最佳原则进行归类。通过这种（zhǒng）方（fāng）式，算法可以复制（zhì）最有效员工的拣选操作，并提高所有员工的生产（chǎn）力。

案例（lì）二、设备利（lì）用率

某一仓库一天内需要搬运的容器或（huò）托盘（pán）数量与所需的搬运设备数量（liàng）之间有（yǒu）一（yī）定的关系（xì）。在大多数（shù）情况下，两者之间是一种线性关系。但是（shì），某些因素（sù）（例如操作（zuò）人员（yuán）的技能水（shuǐ）平或货物的混（hún）合（hé）存放等（děng））也可能会影响（xiǎng）到所需搬运设备的（de）佘亮。

在（zài）这种情（qíng）况下，输入数据就（jiù）需要包括所（suǒ）有（yǒu）可能影响设备需求的数据（从仓库管理系统中调用（yòng）的拣（jiǎn）选订单清（qīng）单以及从（cóng）员工管（guǎn）理系统中（zhōng）获取的操作人员（yuán）生产（chǎn）力水平等信（xìn）息）。输（shū）出信息（xī）包括（kuò）从升降搬运车管理系统中获得（dé）的搬运设备使用率信息。

基于这一（yī）精（jīng）准标注的数（shù）据库，机器学习算法将可以接收未来数星期或数月的订（dìng）单预测信息和现有员工的（de）技（jì）能水平信息（xī），进而预（yù）估出（chū）所需搬运设备的（de）数量。升降搬（bān）运车车队（duì）经理将在同设备供（gòng）应商的协（xié）商（shāng）中（zhōng）采纳（nà）这（zhè）些信息作（zuò）为决策参考，以确保通过短期（qī）租赁或新（xīn）设备购（gòu）买的方式（shì）来确保（bǎo）在（zài）某一期限内获取合适（shì）数量的（de）搬运（yùn）设备进（jìn）行拣选操作（zuò）。

案例三、效（xiào）率

一（yī）个好的货位（wèi）策略（luè）应该是将高需求（qiú）的SKU尽量集中放在最佳位置但同时又要适当的分散摆放，以降低拥堵（dǔ）程度来提高拣选效率。但（dàn）由于需求的不（bú）断变化以及SKU的数量（某些（xiē）仓库中（zhōng）可能有数千个SKU），仓（cāng）库（kù）很难仅仅（jǐn）依靠员工来判断SKU的需求量（liàng）来实现最（zuì）佳存（cún）放。因（yīn）此一（yī）些仓（cāng）库运营商会（huì）使用货位分配软件来（lái）帮助确定（dìng）SKU摆放位置。这些软件会提（tí）供操作界面允许（xǔ）客户修（xiū）改运作规则（zé）。当接收到销售历史数（shù）据（jù）或（huò）未来销售预测信息后，软件就（jiù）会推荐相应的货位策略。但（dàn）是（shì），负责软件的人（rén）员经常会（huì）依据自己的经验来修改策略，而这些经验却往（wǎng）往不能反应出拣选（xuǎn）操作的（de）真实情况。

在这种情况下，输入数据就是软件所推荐的货位策略。输出数据是最终（zhōng）决（jué）定（dìng）执行的策略。机器（qì）学（xué）习算法可以和货位（wèi）分配软件结合，通过（guò）对实（shí）施最（zuì）终货位摆（bǎi）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

明确仓储相关领域可以从（cóng）人工智（zhì）能技术（shù）获益之后，制定相关的应用策略将非常（cháng）重要。在其发（fā）表于《哈（hā）佛商业评论》的文章中，Andrew Ng对高管们应该如何定位公（gōng）司的人工智能策略提（tí）出了一些有（yǒu）益的看（kàn）法（fǎ）。他写道（dào），制定一个成功战略的（de）关键是“理解在哪（nǎ）里创（chuàng）造（zào）价值，什么是很（hěn）难复制的（de）”。

Ng指出（chū），人工智能研究人员经常发布和分享他们的想法（fǎ），并公布他们的代码（mǎ），因此我（wǒ）们可以很便捷地接触（chù）到最（zuì）新理念及进展。相反，“稀缺资（zī）源”是（shì）数据（jù）和人（rén）才，而这两点对企业制定人工智能（néng）策（cè）略获（huò）取（qǔ）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输出信息的情况下，复制一款软件比获得原始（shǐ）数据要简单的多。因（yīn）此，具有鉴别与获取（qǔ）有价值的数据并有能力（lì）根据实际情况修改软件（jiàn）参数（shù）以（yǐ）最（zuì）大化利用这些数据的人员，将是制定人（rén）工智（zhì）能策略（luè）过程中关键而具有（yǒu）差（chà）异（yì）性的组成部（bù）分（fèn）。也（yě）就是说，如果一个（gè）企业向推进（jìn）人工智能（néng）在仓储场景下的应用（yòng），那么它就必须将重点放在提高数据和人才的（de）质量这（zhè）两方面。

关于数据，要（yào）明确的一个（gè）关键问（wèn）题是：哪些数据是你（nǐ）的公司所独有而且可以用来提高与业（yè）务相关的KPI？这一点明（míng）确之（zhī）后，就需要（yào）提（tí）高仓储（chǔ）管（guǎn）理系统中（zhōng）的数据的质量。这一步通常（cháng）被称为数据管控，来确保供（gòng）应链（liàn）运作相关的（de）数据具有一（yī）个可以“真（zhēn）实反映客观事实的来源”。

举（jǔ）例来讲。叉车司机（jī）的信息可以（yǐ）存储在不同（tóng）的信息（xī）系统中，包括人力资源系统、员工管理系统、仓库管理系统、叉车车队管（guǎn）理系统等。如果司机（jī）信息被分别（bié）录入（rù）以上系（xì）统，那么同一员工的姓名及身份号码就可（kě）能出现不匹配的情况。比如（rú），一个（gè）人可（kě）以在WMS中被标识为Jo Smith， #01425； 在LMS系统中为Joanne Smith， #1425； 而在车队管理系统中（zhōng）则只（zhī）登（dēng）记为Joanne Smith，同（tóng）时没有认可（kě）身（shēn）份号码。

对于跨（kuà）系统整合数据的机器（qì）学（xué）习应用案例（lì）来（lái）说，数据必须是干净的。具有良（liáng）好数（shù）据管控能力的企业可以将其中某（mǒu）一系统定义为存有主要数据的系统（tǒng），并在需要时通过（guò）应用（yòng）程序（xù）编程（chéng）接口（API）将这一数据导入（rù）其他任意系统中。

如果需要（yào）整合来源于（yú）多个系统的数据，那接下来要面对的挑（tiāo）战就是数据集（jí）成。也就（jiù）是说（shuō），要确保所有来源于（yú）不同仓储运作相关的（de）系统（tǒng）中的数（shù）据（jù）可以被整合成一种可（kě）以用来机器学（xué）习的（de）形式（shì）。这就需要与（yǔ）供（gòng）应商紧密合作，以了解对方的运营能力以（yǐ）及（jí）整合来自车队（duì）管理、员工管理、仓库管（guǎn）理、企业资源管理等不同系（xì）统的数（shù）据的潜力。这就为支（zhī）持（chí）数据分析以及客户定制化（huà）的人工智能应用（yòng）奠定了数字化（huà）基础。在技术（shù）上具有（yǒu）挑战性，但（dàn）许多系统中嵌入的API接（jiē）口简化了这一任务。

一个更大的挑（tiāo）战可能来自（zì）于人才领域。在你的公司（sī）中有多少人专职进（jìn）行（háng）管控、集成于（yú）抓取正（zhèng）在创建（jiàn）的数据信（xìn）息（xī）？如果答案是“还不（bú）够”，那么你就要（yào）考（kǎo）虑（lǜ）设置（zhì）一个高管级别的职（zhí）位，致力于在董（dǒng）事会层面（miàn）来积（jī）极推动以公（gōng）司数据资产为来（lái）源来（lái）建立企业竞争优势。

这种高级别的助（zhù）推策略，可以从确定公司（sī）如何在这（zhè）一领域构（gòu）建能力开始。对（duì）大多数（shù）公司来讲，也可以通（tōng）过内部员工和外部顾问的组合来实现。甚至有一些众筹的（de）机器学习平（píng）台（例如（rú）Kaggle和Experfy）可以（yǐ）协助你将你在数据（jù）方（fāng）面要（yào）面对的挑战（zhàn）与世界（jiè）各地的（de）专家之间（jiān）建立起联（lián）系（xì）。因为（wéi）今天你所获得的数据可能会对未来的机（jī）器学习应用产生深远（yuǎn）影（yǐng）响（xiǎng），因此建立数据能力是（shì）一个优先（xiān）需要考虑的事（shì）项。许（xǔ）多大型企业已经在内部成立了专门部门（mén）来引导（dǎo）人工智能及数据分析方（fāng）面（miàn）的工作，这一需求也（yě）使得这一领域的专业（yè）人（rén）才变的炙（zhì）手可热。

四、感想总结

虽然供应链经理需要评估各种技（jì）术以及指导以科技为基（jī）础的革新，但人工智能不（bú）应（yīng）因此被忽略（luè）。但它也不应该被（bèi）视作可以瞬间完成供（gòng）应（yīng）链变革（gé）的万灵药。相反地，人工智能应该被定义为（wéi）一个可以提升（shēng）与企（qǐ）业成功密切相关的KPI指标的工具。使用这一工具并不需要（yào）成（chéng）为人（rén）工（gōng）智能领域的专家，但必（bì）须确保（bǎo）你的企业满足了前文所（suǒ）提到的（de）三个基本要求（qiú）：确定与提（tí）升企业（yè）绩效相关的高价值应用案例；创立可以整合这（zhè）些高价值数据的数字基础设（shè）施（shī）；开（kāi）始建立一个由内部与外部专家组成的专业团队。