人工智（zhì）能近年来的迅猛发（fā）展，预示着其将为仓（cāng）库运（yùn）作方式带（dài）来革命性的变（biàn）革。但在企业决定在（zài）运营实践（jiàn）中（zhōng）引入（rù）并实施这一新技术之前，必须（xū）要确保已拥（yōng）有相关数据及（jí）所需人才。

对相关企业而（ér）言，即（jí）时关注（zhù）并对供应链技术的进（jìn）步（bù）具（jù）有敏感性（xìng）几乎（hū）已（yǐ）经成为必（bì）须。机器人技术（shù）、自动化、数据分析和工业物（wù）联网等各种新（xīn）技（jì）术，正在逐步展示出其在提升货物运输，处理（lǐ），存储和配送效率（lǜ）方面的（de）潜力。这些新技（jì）术的不断涌现，使（shǐ）得我们很难（nán）确认究竟应（yīng）把注意力集中在哪（nǎ）一方面。

在这（zhè）其中一项值得仔（zǎi）细研究的新技（jì）术是人工智能(AI)。简（jiǎn）单（dān）而言， 人工智能是计算机系（xì）统发展到一定（dìng）阶段的产物，即代为执行通常需要人类（lèi）智（zhì）能（néng）参与的（de）任务（如视觉（jiào）感知、语（yǔ）音识别、决策和（hé）语言翻（fān）译（yì））。人（rén）工智能出现于1956年，但绝大多数（shù）情况下，我们都必须将（jiāng）智能程序明（míng）确地输入到计算（suàn）机（jī）中（zhōng）。

近年来，机器学习作（zuò）为一种典（diǎn）型的人工智能（néng）技术。机器学习主（zhǔ）要是探索如（rú）何可以（yǐ）使计算机程序通（tōng）过对输入数（shù）据（jù）的学习来提高其输出性能。这些程序（xù）可以嵌入在机器（qì）中，也（yě）可以在服务器或云端（duān）操作。亚（yà）马（mǎ）逊(Amazon)、谷歌、Facebook、微软（ruǎn）(Microsoft)等（děng）大型科技公司已经将机器学习融入到（dào）他们的产（chǎn）品和服务（wù）中，为（wéi）用（yòng）户提（tí）供：相关度更高的网络搜索内容，更好（hǎo）的图像与（yǔ）语音识别技术（shù）以及更智能化的设备。

机器学习与数（shù）据分析（收集、转换及数据分析的流（liú）程）之间有一些相似之（zhī）处。两（liǎng）者（zhě）都需要一（yī）个（gè）经过清（qīng）理的（de）、多样化的（de）、大型的数据库才（cái）能（néng）有效地运作（zuò）。然而，主要的区别在于，数据分（fèn）析允许用户从数据中（zhōng）得出（chū）结论，进而要求用（yòng）户（hù）采（cǎi）取相应（yīng）措施（shī）来改善其供应链。相比较而言，对于（yú）已处于可解决范畴内（nèi）的问（wèn）题，机器学习可以（yǐ）基于“训练数据（jù）库”自动（dòng）执行操作（本文后续（xù）关于监督学（xué）习（xí）的部分（fèn）将对此（cǐ）进（jìn）行讨论）。基于其允许任务自动执行这一特性，人工（gōng）智能 — 尤其（qí）是机器学习 — 对许多供（gòng）应链管理人员来说都是一项值得关注（zhù）的重要技术。对于今天的（de）许多企业来讲（jiǎng），制定（dìng）并实施供应链相关的人工智能战略，将使其随着技（jì）术的逐渐成熟，提升（shēng）自身的（de）生产力、速度与效率。

一、人工智（zhì）能的（de）发展现状

人工智能近（jìn）期的迅（xùn）猛发展，得益于以下（xià）因素的共同作用。第一，各种设备（bèi）的互（hù）通互连而产生（shēng）的数据量的增（zēng）长（zhǎng）以及促使日（rì）常生活数（shù）字（zì）化的高（gāo）级传感器的使用（yòng）的增长。第二，从移动（dòng）设备到（dào）云计算，各种（zhǒng）设备（bèi）的计（jì）算能力也在持续增长。因此，机器学习可以运（yùn）行（háng）在最新的硬件（jiàn）运（yùn）算（suàn）设备上，同时（shí）获取大批量、多样化及高（gāo）质（zhì）量的数据库，进（jìn）而自动（dòng）执行（háng）各种任务。

案例一：

下面是一个众多消费者将逐渐熟悉的场（chǎng）景。如果你（nǐ）有一（yī）个iphoness而（ér）且每天早晨通（tōng）勤上下班（bān）， 最近一段时间你可能留意（yì）到了以下（xià）情况：当（dāng）你坐进汽车的时候（hòu），你的手机（jī）将自动提示你开车去公司将需（xū）要多（duō）少时间，根据实（shí）时的路况信息（xī）给出最（zuì）佳行（háng）车路线的建议。当这（zhè）一现象第一次发生时，你可能会有这样（yàng）的疑惑（huò）：“手机怎么（me）会知道我（wǒ）要去上班（bān）？感觉很酷，但也有一（yī）点（diǎn）点（diǎn）恐怖”。

因（yīn）为内置了机器学习功（gōng）能，手机可（kě）以根据（jù）你（nǐ）过去（qù）做过的（de）事情（qíng）来预测你将要什么。如果你换了新（xīn）工作或者开车去了另外一个（gè）目的地，设备会自动调整（zhěng）它的预（yù）测，并根据新的目的（de）地发出新的通知（zhī）。这一应（yīng）用场景的（de）特（tè）别强大之处在于：设备对（duì）用户来说（shuō）越来越（yuè）有帮助，而用户（hù）或软件开（kāi）发（fā）人员不必（bì）采取任何行动。

另一个场景（jǐng）是自动（dòng）驾驶汽车。目前路面上行驶的自（zì）动驾驶汽车正在被用来收（shōu）集数据，用来改进下一代自（zì）动（dòng）驾驶汽车的技（jì）术。当人工操作人（rén）员直接对车辆进行控制时，相关的（de）数据就会与其（qí）他车辆（liàng）的数据汇集（jí）起（qǐ）来并（bìng）进（jìn）行对比分析，以确（què）定在何（hé）种情况下自动驾（jià）驶汽车将切换到由人工驾驶（shǐ）模式。这（zhè）样（yàng）的数（shù）据收集与分析将使得自动驾驶汽车变得更（gèng）加智能。

虽然人们很容易被今天人工智能相关的令人兴奋的发展（zhǎn）所鼓舞（wǔ），但了解人工智能的局限性也（yě）很重要。在《哈佛商业评论》(Harvard Business Review) 2016年的一篇文章（zhāng）中，《人（rén）工（gōng）智能（néng）现阶段（duàn）的能与不能》，斯坦福（fú）人工智能（néng）实（shí）验室前（qián）负责人、跨国科技公司百度的人工智能团队前首席科学家Andrew Ng明确（què）表示，“人工智能将变革许多行（háng）业（yè），但它并不具有无所不能的魔力。”

Ng强调，虽（suī）然人工智能已经有很多（duō）成功的实施案（àn）例，但（dàn）大多数（shù）都是在监督学（xué）习的（de）场景下展开应用。在这一模（mó）式下，每一个（gè）训（xùn）练（liàn）输入数据库（kù）与正确的输（shū）出决策相关（guān）联。机器（qì）学（xué）习算法通过（guò）比对这个训（xùn）练库的（de）信息来根据（jù）新的输（shū）入数据做（zuò）出决策。监督（dū）学习的（de）一些常见应（yīng）用包括照片（piàn）标（biāo）记、贷款（kuǎn）处理（lǐ）与语音识别。在每一个应（yīng）用案例中，系统都（dōu）会接收输入信息（xī） — 比如照片标签应用中（zhōng）的（de）图片 — 并基于它从（cóng）训练数据库中（zhōng）学到的信息做出决定或做出（chū）反应。

如果拥有一（yī）个足够大的输入数据库，并用对应的（de）人工（gōng）响应 (或（huò）输出（chū）) 做（zuò）以注释 ，那么就可以（yǐ）构建一个人工（gōng）智能（néng）应用程序，允许计算机系（xì）统接收新的输入数据并自（zì）行做出决定。这（zhè）可（kě）以使过去不容易（yì）自动化的流程变的可以（yǐ）自动运作，最终提升仓（cāng）库啊的运（yùn）营效率。而实（shí）现这一目（mù）的的（de）关（guān）键就是辅助做出决策的数（shù）据库（kù）的（de）大小（xiǎo）、质量与多样性的（de）程度。训练输入数（shù）据库越大、越多样化，机器学习（xí）算法做出的决策（cè）就越优化。

二、选择（zé）可参照案例

当（dāng）考虑在供应链中（zhōng）应用人工智能的各种（zhǒng）方（fāng）案时，直（zhí）接应用相（xiàng）应技术（shù）然后（hòu）确定应用方（fāng）案或许（xǔ）很有吸引（yǐn）力。但是（shì），如果你首先分析一（yī）下公司业务面对的挑战与机遇，然后再选择相匹配的人工智能技术来解决相关问题，这（zhè）样的流程会（huì）有助于你选择更有效率、更（gèng）适（shì）合的应（yīng）用方案。

就仓库及其运（yùn）作（zuò）而（ér）言，人工（gōng）智能（néng）的应用应该（gāi）以企业所关（guān）注并不（bú）断优化的关键性能指（zhǐ）标(KPI)为指导（dǎo）（订单准（zhǔn）确性、安全性、生产率、履行时（shí）间、设施损坏或库存准确性（xìng）等）。仓库通常（cháng）已经拥有大量与KPI指标（biāo）相关的数（shù）据，这些（xiē）都可以（yǐ）被（bèi）人工智能应用程序用于自动完成任务或做出决策。然而，这些数据由（yóu）于数据类型的原因并不能直接用于人（rén）工智能技术，并且通常分布在不同的仓库管（guǎn）理系统中。因此，在正（zhèng）式应用之（zhī）前，许多人工（gōng）智能应（yīng）用程序需要（yào）对（duì）不同（tóng）仓库（kù）管理信息系统中的数据进行整合。

下（xià）面（miàn）的3个（gè）案例（生产力、设备利用率、效（xiào）率）说明了人工智能在仓储运营（yíng）场景中的应用潜力。虽（suī）然这些案（àn）例可能并（bìng）不适用于所有（yǒu）仓库，但它们确实展示了企业（yè）如何将自己已（yǐ）有的（de）数据整合成可以应用（yòng）机器学（xué）习技术的形式（shì）。

案例一、生产力

在（zài）拣（jiǎn）选订单的环（huán）节，所有的仓（cāng）库都（dōu）存（cún）在不同员工的生产力不同这（zhè）一（yī）现象（有效率（lǜ）最高的订单（dān）拣选员也（yě）有（yǒu）变现一（yī）般的（de）员工）。但是（shì）相对于使（shǐ）用系（xì）统（tǒng）引导进（jìn）行拣选的仓库而言，员工在生产（chǎn）力方面的差（chà）异（yì）在不使用系（xì）统（tǒng）引导的仓库中表现更为明显。

对于那些不使用系统引导进（jìn）行拣选的仓库，机器学习提供了一个可以更好推广（guǎng）最高效员工经验的机会，并将（jiāng）系统引导模（mó）式引入到（dào）所（suǒ）有员工的工（gōng）作中。如果联系到上（shàng）文提到（dào）的监督学习，最高效员工的拣选（xuǎn）列表将作为（wéi）人工智（zhì）能应（yīng）用的输入数据；这些（xiē）员工在拣（jiǎn）选列表中货物（wù）的顺序决策即为输（shū）出数据（jù）（基于条（tiáo）码扫描（miáo）或其他可（kě）获（huò）取信息）。除了最短（duǎn）拣选（xuǎn）距（jù）离这一指标之外（wài），避免拥挤通（tōng）常是（shì）提（tí）升生产（chǎn）力（lì）的（de）另外一个（gè）重要指标。因为最佳（jiā）拣选（xuǎn）员工通常会同时考虑这两个因素（sù），因此上面的输入输（shū）出数（shù）据库应该已包含这些信（xìn）息。

基于这些（xiē）精准标注的数据，机（jī）器学习算法在（zài）接收新的订单数据后案最佳原则进行归类。通过这（zhè）种方式，算法可以复制最有效员工的拣（jiǎn）选（xuǎn）操（cāo）作，并提高所有员工的生产力。

案例二、设备利用率（lǜ）

某一仓库一天内需要搬运的容器或托盘数量与所需（xū）的（de）搬（bān）运设备（bèi）数（shù）量之间（jiān）有（yǒu）一定的关系。在（zài）大多数情况下，两者之（zhī）间（jiān）是（shì）一（yī）种线性关系（xì）。但是，某些因素（例如操作人员的技能水平或（huò）货物（wù）的混合存放等）也可能（néng）会影响到（dào）所需搬运设备的佘（shé）亮（liàng）。

在这种情况下，输入数（shù）据就需要包括所有可能影响（xiǎng）设备需求的数据（从（cóng）仓库管理系统中调用的拣（jiǎn）选订单清（qīng）单以及从员工管（guǎn）理系统中获取的操作人员（yuán）生（shēng）产力水平等信息）。输出信息包括从升降搬运（yùn）车管理系统（tǒng）中获得的搬运（yùn）设备使用率信（xìn）息（xī）。

基于这一精准标（biāo）注的数据（jù）库，机器学习算法将（jiāng）可以接收未来数星期（qī）或数月的订单预测信息和现有（yǒu）员工的技能水平（píng）信息，进而（ér）预估出所需搬运设备的数量。升降搬运车车队经（jīng）理将（jiāng）在同（tóng）设备供（gòng）应商的（de）协（xié）商中采（cǎi）纳这些信息（xī）作为决策参考，以确保通（tōng）过短（duǎn）期租赁或新设（shè）备购买（mǎi）的方式（shì）来确（què）保在（zài）某一期限内获取（qǔ）合（hé）适数量的搬（bān）运（yùn）设（shè）备进行拣（jiǎn）选操作。

案（àn）例三、效率

一个（gè）好的货位策略应（yīng）该是将高需求（qiú）的（de）SKU尽量集中放在最佳位（wèi）置（zhì）但同时又要（yào）适当的分散摆放，以（yǐ）降（jiàng）低拥（yōng）堵程（chéng）度来提高拣选效率。但由于需求的不断变化以及SKU的数量（某些仓（cāng）库中可能有数千个SKU），仓库很难仅仅依靠（kào）员工来判断SKU的需求（qiú）量来实现最佳存放。因此一（yī）些仓（cāng）库运营商会（huì）使用货位分配软件（jiàn）来（lái）帮助确定SKU摆放位置。这些软件会提供操作界面允（yǔn）许（xǔ）客户修改运作规则。当（dāng）接收到销售历（lì）史数据或未来销售预测信息（xī）后，软件就会推荐相（xiàng）应（yīng）的货位策略。但是，负（fù）责软件的人员经常会依据自己的（de）经验来修（xiū）改策略（luè），而这（zhè）些（xiē）经验却往往不能反（fǎn）应出拣选操作的真（zhēn）实情（qíng）况。

在这种情（qíng）况（kuàng）下，输入数（shù）据就（jiù）是软件所推（tuī）荐（jiàn）的货位策略（luè）。输出数据是（shì）最终决定执行的策略。机器（qì）学习（xí）算法（fǎ）可以（yǐ）和货位分（fèn）配软件（jiàn）结合，通过对实施最终货位（wèi）摆（bǎi）放策略的（de）员工的倾向性进行不（bú）断的学（xué）习，最终（zhōng）实现自动调（diào）整。

三、制定策略

明（míng）确仓（cāng）储相关领域可以从人工智能技术获益之后，制定（dìng）相关的应用策略将非（fēi）常（cháng）重要。在其（qí）发（fā）表（biǎo）于《哈（hā）佛商业评论》的文章中，Andrew Ng对高管（guǎn）们（men）应该如何定位公司的（de）人工智能策（cè）略提出了（le）一（yī）些有益的看法。他写道，制定一个成功战略的关键是（shì）“理解在哪里创（chuàng）造价（jià）值（zhí），什么是很难（nán）复制的（de）”。

Ng指出，人工智能（néng）研究人员经常发布和（hé）分享他们的想法，并（bìng）公布（bù）他们的代码（mǎ），因此我们可以很便捷地接触（chù）到最（zuì）新理念及（jí）进（jìn）展。相反，“稀缺资源”是数据和人才，而这两（liǎng）点对企业制定人工智能策略（luè）获（huò）取竞（jìng）争（zhēng）优势极为（wéi）关键（jiàn）。在数（shù）据（jù）源（yuán）已经被精（jīng）确连接到了对（duì）应的输出信（xìn）息的情况下，复（fù）制（zhì）一款软（ruǎn）件（jiàn）比获得原始数据（jù）要简（jiǎn）单的多。因此，具有鉴（jiàn）别与获取（qǔ）有价值的数据并（bìng）有能力（lì）根据实际情况修改软（ruǎn）件（jiàn）参数以最大化利用这些（xiē）数据的人员，将（jiāng）是制定（dìng）人工智（zhì）能策略过程中（zhōng）关键而具有（yǒu）差异性的组成部（bù）分。也就（jiù）是说，如果一个（gè）企业向推进（jìn）人工智能在（zài）仓储场景下的应（yīng）用（yòng），那么它就必须将重点放在提高数据和人才的质量这两（liǎng）方（fāng）面。

关于数据，要明（míng）确的一个关（guān）键（jiàn）问题是：哪（nǎ）些数据是你的公司所独有而且可以用来提高（gāo）与业（yè）务相关的（de）KPI？这一点（diǎn）明确之后（hòu），就需要提高（gāo）仓储管（guǎn）理系统中的数（shù）据的质量。这一步通常（cháng）被称为数据管控，来确保供应链（liàn）运作相关的数据具有一（yī）个可以（yǐ）“真实（shí）反映客观事实的来源”。

举例来（lái）讲（jiǎng）。叉车（chē）司（sī）机的（de）信息可以存储在不同的信息系统（tǒng）中，包括人力资源系（xì）统、员工（gōng）管理系统（tǒng）、仓库管（guǎn）理系统、叉车车队管理系统等。如果司（sī）机信息被（bèi）分别录入以（yǐ）上（shàng）系统（tǒng），那么同一员工的姓（xìng）名（míng）及身份号码就可能出（chū）现不匹配的情（qíng）况。比（bǐ）如，一（yī）个人可以在（zài）WMS中被标识为Jo Smith， #01425； 在（zài）LMS系统中为（wéi）Joanne Smith， #1425； 而在车队管理系统中则只登（dēng）记为Joanne Smith，同时没有认可身份号码（mǎ）。

对于跨系统整合数据的机器学（xué）习应用案例（lì）来（lái）说，数据必须是干净的。具（jù）有良好数据管控能（néng）力的企（qǐ）业可以将其中某（mǒu）一系统定义为存有主要（yào）数据的系（xì）统，并在（zài）需要时通过应用程（chéng）序编程接（jiē）口（API）将这一（yī）数据导入其他任（rèn）意系统中。

如果需要整合（hé）来源于多个系统的数据，那接下来要面对的挑战就是数据集成。也就是说，要确保所有来源于不同仓储（chǔ）运（yùn）作相（xiàng）关的系统中（zhōng）的数据可以（yǐ）被整合成一种（zhǒng）可以用来机器学（xué）习的形式。这就需要（yào）与（yǔ）供（gòng）应商紧密合作，以了解对方的运营（yíng）能力（lì）以（yǐ）及整合来自车队管理（lǐ）、员工管（guǎn）理、仓库（kù）管理、企业（yè）资源管理（lǐ）等（děng）不（bú）同系统的数据的潜力。这（zhè）就（jiù）为支（zhī）持（chí）数（shù）据分析以及客户（hù）定制化（huà）的人工智能应用奠定了（le）数字化基础。在技术上具有挑战性，但（dàn）许（xǔ）多系统（tǒng）中（zhōng）嵌入的API接（jiē）口简化了这（zhè）一任务（wù）。

一个（gè）更大的挑战（zhàn）可能来自于人才领（lǐng）域。在你的公司中（zhōng）有多少人专职进行管控、集成于抓取正在创建的数（shù）据信息？如果答案是（shì）“还不够”，那么你就要考虑（lǜ）设置一个高（gāo）管级别（bié）的职位（wèi），致力于在（zài）董事会层（céng）面来积极（jí）推（tuī）动以公司（sī）数据资产为来（lái）源（yuán）来建立（lì）企业竞争优势。

这种高级（jí）别的助推策略，可以从确定公司如何在这一领（lǐng）域（yù）构建能力开始。对大多数公司来讲，也可以通过内部员工（gōng）和外部顾（gù）问（wèn）的组（zǔ）合（hé）来（lái）实现。甚至有一些众筹（chóu）的机（jī）器学习平台（例如Kaggle和Experfy）可以协助你将（jiāng）你在数（shù）据方面要面对的挑战与世（shì）界（jiè）各地的专（zhuān）家（jiā）之（zhī）间建立（lì）起联（lián）系（xì）。因（yīn）为今（jīn）天你所获（huò）得（dé）的数据（jù）可能会对（duì）未来的机器学习应用产生深远影响，因此建立数据能力（lì）是（shì）一个优先需（xū）要考虑的事项。许多大型企业已经在内部成立了专门部门来引（yǐn）导人工智（zhì）能及数（shù）据（jù）分析方面的工作（zuò），这一需求也使得这一领域的专业人（rén）才变的炙手可热（rè）。

四、感（gǎn）想总结

虽然供应链经（jīng）理需要评（píng）估（gū）各（gè）种（zhǒng）技术以（yǐ）及指（zhǐ）导以科（kē）技为基础的革新（xīn），但人工智能不应因此被忽略。但它也不（bú）应该被视作可以（yǐ）瞬间完（wán）成供应（yīng）链变（biàn）革的万灵药。相（xiàng）反（fǎn）地，人工（gōng）智能应该被定义为一（yī）个可以提升与企业成功密切相关的KPI指标的工（gōng）具。使用这一工具并不需要成为人工智能领域（yù）的专家，但必须确保你的企业满足了前（qián）文所提到（dào）的三（sān）个（gè）基本要求：确定与提升企业绩效相关的（de）高价（jià）值应用（yòng）案例（lì）；创立可（kě）以（yǐ）整合（hé）这（zhè）些（xiē）高价（jià）值数据的数字基础设施；开始建立一个由内部与（yǔ）外部专家组（zǔ）成（chéng）的专业团队。