人工智能近年来的迅猛（měng）发展，预示（shì）着其将为仓库运作方（fāng）式（shì）带来革命性的变革。但在企业决定在（zài）运（yùn）营实践中引入并实（shí）施这一新技术之前（qián），必须要（yào）确保已拥有相（xiàng）关数据及所需（xū）人才。

对相关企业而（ér）言（yán），即时关注并对供应（yīng）链技术的进步（bù）具（jù）有敏感性几乎（hū）已经成为必须（xū）。机（jī）器人（rén）技术、自动（dòng）化（huà）、数据分析和工（gōng）业物（wù）联网等（děng）各种（zhǒng）新技术，正在逐步（bù）展示（shì）出（chū）其在提升货物运（yùn）输，处理，存储和配送效（xiào）率方面的潜力。这些新技术的（de）不断涌现，使得我们很难确认究竟（jìng）应把注（zhù）意（yì）力（lì）集中在哪一方面。

在这其中（zhōng）一项值（zhí）得仔细研究的新技（jì）术是（shì）人工（gōng）智能（néng）(AI)。简单而言， 人工智能（néng）是计算机系（xì）统（tǒng）发展到一定阶段的（de）产物，即代为执行（háng）通常需要人类智能（néng）参与的任（rèn）务（如视（shì）觉（jiào）感知、语音识别、决策和（hé）语言翻（fān）译）。人工（gōng）智能（néng）出现于1956年，但绝大多（duō）数（shù）情况（kuàng）下（xià），我们都必须（xū）将智能（néng）程序明确（què）地输入到计算（suàn）机中。

近年来（lái），机器学习作（zuò）为一种典型的人（rén）工智能技术。机器学（xué）习主要是探索如何（hé）可以使计算机程序通过对输入数据的学习（xí）来提高其（qí）输出性（xìng）能。这（zhè）些（xiē）程序（xù）可以嵌入在机（jī）器中，也可以在服务器或云（yún）端（duān）操（cāo）作。亚马逊(Amazon)、谷（gǔ）歌、Facebook、微软(Microsoft)等（děng）大型科技公司已经将机器（qì）学习融入到他们的产品和服务中，为用户提供：相关度更（gèng）高的（de）网络搜索（suǒ）内容，更好的（de）图像与语音识别技术以（yǐ）及更（gèng）智能化的设（shè）备。

机器（qì）学习与数据分（fèn）析（收集、转换及数据分析的流程）之间有一（yī）些相似之处。两者（zhě）都需要一个经（jīng）过清理（lǐ）的、多（duō）样（yàng）化的、大型的（de）数据（jù）库才能有效地运作。然（rán）而，主（zhǔ）要的区别在（zài）于，数据分析允许用户从数据中得出结论，进而要求用户采取相应措施来改善其供应链。相（xiàng）比较而言，对于已处于可（kě）解决范畴内的问（wèn）题，机器学习（xí）可以基于“训练数据（jù）库”自动执（zhí）行操作（本文后续关于监（jiān）督学习的部分将对（duì）此进行讨论）。基于（yú）其允许任务自动执行这一特性，人工智能 — 尤其是机器学习 — 对许多（duō）供应链管理（lǐ）人员来说都是一项（xiàng）值得关注的重要技术。对于今天的（de）许多企业来讲，制定并实施供应链相（xiàng）关（guān）的（de）人工（gōng）智能战略，将使其随着技术的逐（zhú）渐成熟，提升自身的（de）生产力（lì）、速度与效率。

一、人工智（zhì）能的发（fā）展现状

人工智能近期的迅猛（měng）发展，得益于以下因素的共（gòng）同作（zuò）用（yòng）。第一（yī），各种设备的互通互连（lián）而产生的数（shù）据量的增长以（yǐ）及促使（shǐ）日常生活数（shù）字化的高级传（chuán）感（gǎn）器的使用的增长。第二，从移动设备到云计（jì）算，各种设备的计算（suàn）能力也在持续增长。因（yīn）此，机器学（xué）习可（kě）以（yǐ）运行在最新的硬件运（yùn）算（suàn）设备上，同（tóng）时获取大批量、多样化及高质量的（de）数（shù）据库，进而自动执行各种任务。

案例一（yī）：

下（xià）面是（shì）一个众（zhòng）多（duō）消费者将逐渐（jiàn）熟悉的（de）场景。如果你有（yǒu）一个（gè）iphoness而且每天早晨通（tōng）勤上下班， 最近（jìn）一段时间你可（kě）能留意到了以下（xià）情况：当你（nǐ）坐进（jìn）汽车的时候，你（nǐ）的手机将自动提示你开车去公司将需要多少（shǎo）时间，根据（jù）实时的路况信息给出最（zuì）佳行车（chē）路线（xiàn）的建议（yì）。当这一现（xiàn）象第一（yī）次发生时，你可能会有这样的疑惑：“手机怎么会知道我要去（qù）上（shàng）班？感觉很酷，但也有一点点恐怖”。

因为内置了机器（qì）学习功能，手机可以根据你过去（qù）做过的事情来预（yù）测你将要什么。如果（guǒ）你换了新工作或者开车去了另（lìng）外一（yī）个目的地，设备会（huì）自动调整它的预测，并根据（jù）新的（de）目的地发出新的通知。这一（yī）应用场景（jǐng）的特别（bié）强大之处在于：设备对用户来说越（yuè）来越有帮助，而用户或（huò）软件开发人员不必（bì）采（cǎi）取任何（hé）行动。

另一个场景是自（zì）动驾驶汽车。目前（qián）路面（miàn）上行驶的自动（dòng）驾（jià）驶汽（qì）车正（zhèng）在（zài）被（bèi）用来收集（jí）数据（jù），用来改进（jìn）下一代自（zì）动驾驶汽车的技（jì）术。当人工操作人员直接对车（chē）辆进行（háng）控制时，相关的数（shù）据就会与（yǔ）其他车辆的数（shù）据汇（huì）集起来并（bìng）进行对比分析（xī），以确定在（zài）何种情况下自（zì）动驾驶汽（qì）车将切换到（dào）由人工（gōng）驾驶模（mó）式。这样的数（shù）据收集与分（fèn）析将使（shǐ）得自（zì）动驾驶汽车变（biàn）得更加智能。

虽然人们（men）很容易被（bèi）今天人工智能相关的令人（rén）兴奋的发展所鼓舞，但了解人工智能的局限性也很重（chóng）要。在《哈佛商（shāng）业（yè）评论》(Harvard Business Review) 2016年（nián）的一篇文（wén）章中，《人工（gōng）智能（néng）现阶段的（de）能与（yǔ）不能》，斯坦福人（rén）工智能（néng）实验（yàn）室前（qián）负责人、跨国（guó）科（kē）技（jì）公司百度的人工智（zhì）能（néng）团队前首席科学（xué）家Andrew Ng明确表示，“人（rén）工智能（néng）将变革许多行业，但它并不具有无所不能的（de）魔力（lì）。”

Ng强调，虽（suī）然人工智能已经有很多成功的实施（shī）案例（lì），但（dàn）大多数都是在监督学习（xí）的场景下展开应用。在这一模（mó）式下，每一（yī）个训练输入数（shù）据（jù）库与正确的输出决策（cè）相关联。机器（qì）学习算法通过比对这个训练库的（de）信（xìn）息来根据新的输（shū）入（rù）数据做出决策。监督（dū）学习的一些常（cháng）见应用包括照片（piàn）标（biāo）记、贷（dài）款处理与语音识别。在每（měi）一个（gè）应用案例中，系统都会接收输（shū）入信息 — 比如照片标签应用中的图（tú）片（piàn） — 并基于它（tā）从训（xùn）练数据（jù）库中学到（dào）的信（xìn）息做出决定或做（zuò）出反应。

如果拥有一（yī）个（gè）足够大的输入数据库（kù），并用对应的人工响（xiǎng）应 (或输出) 做以注释（shì） ，那么就可以（yǐ）构建一个（gè）人工智能应用程序，允许（xǔ）计算机系（xì）统接收新的输（shū）入数据（jù）并自行做出决定。这可以使过去不（bú）容易自（zì）动化的流程变（biàn）的可以自动运作，最终提升仓库啊的运营效率（lǜ）。而（ér）实现这一（yī）目的的关键（jiàn）就是辅助做出决策的（de）数（shù）据库（kù）的大小、质量与多样性的程度。训练输入数据库越大、越多（duō）样化，机器学习算法做出的决（jué）策（cè）就越优化。

二、选择可参照案例

当考虑在供（gòng）应链中应（yīng）用人工智能的（de）各种（zhǒng）方案时，直接应用相应技术然后确定应用方（fāng）案或许很有（yǒu）吸引力。但是，如果你首先分析一（yī）下公（gōng）司（sī）业务面对的挑战与机遇，然后再选择相（xiàng）匹配的人工智能技术来解决相（xiàng）关问题，这样的流程会（huì）有（yǒu）助于你选择更有效率（lǜ）、更适合的应用方案（àn）。

就仓库及其运作而言，人（rén）工（gōng）智能的应用应该（gāi）以企业（yè）所关注并不断（duàn）优（yōu）化（huà）的关（guān）键性能指标(KPI)为指导（dǎo）（订单准确性（xìng）、安全性、生产率、履行时间、设施损坏或库存准确性等）。仓库通（tōng）常已经拥有大量与KPI指标相关的（de）数（shù）据，这些（xiē）都（dōu）可以被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（xiē）数据由于数据类（lèi）型（xíng）的原因并不能直（zhí）接用于人（rén）工智能技术，并且通（tōng）常分布在不同的仓库（kù）管理系统中。因（yīn）此（cǐ），在正式应用之前，许多人工智能应用程序需要对（duì）不同仓（cāng）库（kù）管理信息系统中的数（shù）据进行整合。

下面的（de）3个案例（生（shēng）产力、设备利用率、效率（lǜ））说（shuō）明（míng）了人工智能在仓（cāng）储（chǔ）运营（yíng）场（chǎng）景中的（de）应用潜力。虽（suī）然这些案例可能（néng）并（bìng）不适用于所有仓库，但（dàn）它（tā）们（men）确实展示了企业如何将自己已有的数据整（zhěng）合成可以应用机器学习技术的（de）形式。

案（àn）例一、生产力

在拣选订单的环节，所有的仓库都存在不同员工的生产（chǎn）力（lì）不同（tóng）这一现象（有效率最高的订（dìng）单拣选员（yuán）也有变（biàn）现一般的员工）。但是相对于使用（yòng）系统引导进行拣（jiǎn）选的仓库而言，员工在生产力方面的差异（yì）在不使用系统引导的仓库中表现（xiàn）更（gèng）为明显。

对于那些不使用系统引导进行拣选的仓库，机器学习提供了（le）一个可以更好推广最（zuì）高效员工经验的机会，并将（jiāng）系统引导模式引入到所有员工的（de）工作中。如果联（lián）系（xì）到上文提到（dào）的监（jiān）督学习，最高效员工的拣选列表（biǎo）将作为人工（gōng）智能应用的输入数据；这些员（yuán）工在（zài）拣选列表中（zhōng）货物的顺序决策即为输出数据（jù）（基于条（tiáo）码（mǎ）扫描或其他可获取信（xìn）息）。除（chú）了最（zuì）短（duǎn）拣（jiǎn）选距离这一指（zhǐ）标（biāo）之（zhī）外，避免拥（yōng）挤通常是（shì）提升生产（chǎn）力的另外一个重（chóng）要指标（biāo）。因为最佳（jiā）拣选员工通常会同时考（kǎo）虑这（zhè）两个因素，因此上面的输入输出（chū）数（shù）据库应（yīng）该已包含这些信（xìn）息。

基于这（zhè）些精准（zhǔn）标注的数据，机器学习算法在接收新的订单数据后案最（zuì）佳原则进（jìn）行归类。通过（guò）这种方（fāng）式，算法可以（yǐ）复制最（zuì）有效员工的拣（jiǎn）选操作，并（bìng）提高所有员工的生产（chǎn）力。

案例二、设备利用率

某一仓库一天内需要搬运的容器或托盘数（shù）量与所需（xū）的搬（bān）运设备数量之间有一（yī）定的关系。在大多数情况下，两（liǎng）者之间是（shì）一种线性关系。但是，某些因素（例如操作（zuò）人员的技能水（shuǐ）平或货物的混合存放等）也可（kě）能会影响到所需（xū）搬运（yùn）设备的佘亮。

在这（zhè）种情况下，输入数据就需要包括所有可（kě）能影响设备需求的数据（从仓库管理系统中调用（yòng）的（de）拣（jiǎn）选订单清单以及从员工管理（lǐ）系统（tǒng）中获取的操作（zuò）人员生产力（lì）水（shuǐ）平等信息）。输出信（xìn）息包括从升降（jiàng）搬（bān）运车管理系统中获得的搬运设备（bèi）使用（yòng）率（lǜ）信（xìn）息。

基于这一精准标注的（de）数据库，机器学习算（suàn）法将可以接收未来数星（xīng）期或数月的订单预测信息和现有（yǒu）员工的技能水平信息，进而预估出所需搬运设备的数量。升降搬运车车队（duì）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，以确保通过短期（qī）租赁（lìn）或新（xīn）设备购买的方（fāng）式（shì）来（lái）确保在某一期限内获（huò）取合适数量的搬运设备进（jìn）行拣选操作。

案例三、效率

一（yī）个（gè）好（hǎo）的货位策略应该是将高（gāo）需（xū）求（qiú）的SKU尽量集（jí）中放在最佳位（wèi）置但同时又要适当的分散摆放，以降低拥堵程度来提高拣选（xuǎn）效（xiào）率。但由于需求的不断变化以及SKU的（de）数量（某些仓库中可（kě）能有数千个（gè）SKU），仓库（kù）很难仅仅依靠（kào）员工来判断（duàn）SKU的需求（qiú）量来实（shí）现最佳存放（fàng）。因（yīn）此一（yī）些仓库运营商（shāng）会（huì）使用（yòng）货位（wèi）分配软件来帮助（zhù）确定SKU摆放（fàng）位置。这些软件会提供操作界面允许客户修改（gǎi）运作规则。当接（jiē）收到销售（shòu）历史（shǐ）数据或未来（lái）销（xiāo）售预测信息后，软件（jiàn）就会推荐相应的（de）货位策（cè）略。但是，负责软（ruǎn）件的人员经常会依据（jù）自己的经（jīng）验来修改策略（luè），而（ér）这些经（jīng）验却往往不能（néng）反（fǎn）应出（chū）拣选操作的真实情况。

在（zài）这（zhè）种情况下（xià），输入（rù）数据就（jiù）是软件所（suǒ）推（tuī）荐的货位（wèi）策（cè）略。输出数据是（shì）最终决定执行的策略。机器学习算法可以和（hé）货位（wèi）分配软件结（jié）合，通过对实施最终货位（wèi）摆放（fàng）策略的员工的倾向性进（jìn）行不断的学习，最终实现自动调整（zhěng）。

三、制定（dìng）策略

明确仓储相关（guān）领域（yù）可以从（cóng）人工（gōng）智能技（jì）术获益之后，制定相关的应（yīng）用策略将非常重要。在其发表于《哈佛商业评（píng）论》的（de）文（wén）章中，Andrew Ng对高管（guǎn）们应该如何定位公司的人工智能（néng）策略（luè）提出了一些有（yǒu）益的看法（fǎ）。他写道（dào），制定一个成（chéng）功战略（luè）的关键是（shì）“理（lǐ）解（jiě）在哪里创造价值，什么是很难复制的”。

Ng指出，人工智能研（yán）究人员（yuán）经常发布和分享（xiǎng）他们（men）的想法，并公布他们的代码（mǎ），因此我（wǒ）们可以很便捷地接（jiē）触到最新理念及进展。相反，“稀缺资源（yuán）”是数（shù）据和（hé）人才，而这（zhè）两（liǎng）点对企业制定人工智（zhì）能策略获（huò）取（qǔ）竞争优势极为关（guān）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（xià），复制一款（kuǎn）软件比获得原始（shǐ）数据要简单的（de）多。因此，具有鉴别（bié）与获取有价（jià）值的数（shù）据并有能力（lì）根据实际情况（kuàng）修改软件参（cān）数以最大化利用（yòng）这些数（shù）据的人员，将是制定（dìng）人工智能策略过程（chéng）中关（guān）键而具（jù）有差异性的组成部分。也就是说，如果一（yī）个企（qǐ）业（yè）向推进人工智（zhì）能在仓储（chǔ）场景下的（de）应用，那么它（tā）就必须将重点放（fàng）在提高数据和人才（cái）的（de）质量这两方面。

关于数据，要明确的一个关（guān）键（jiàn）问题是：哪些数据是（shì）你的公司所独有而且可以用来提（tí）高与业务相关（guān）的KPI？这一点（diǎn）明确之后（hòu），就需（xū）要提高仓储管理（lǐ）系统中的（de）数据（jù）的质量。这一步（bù）通常被称为数据（jù）管控，来确保供（gòng）应（yīng）链运作相关的数据（jù）具有一（yī）个（gè）可以“真实（shí）反映（yìng）客观事实的来源”。

举（jǔ）例来讲。叉车司机（jī）的信息可以存（cún）储在（zài）不同的信息（xī）系统（tǒng）中，包括人力资源系统（tǒng）、员工管理系统、仓库管理系统、叉车车（chē）队管理系统等（děng）。如（rú）果司机信息被分别录（lù）入以（yǐ）上系统，那（nà）么同一（yī）员工的姓名及（jí）身份号码就可（kě）能出现不（bú）匹配（pèi）的情况。比如，一个人（rén）可以在WMS中被标识为Jo Smith， #01425； 在（zài）LMS系统中为（wéi）Joanne Smith， #1425； 而在（zài）车队（duì）管理系（xì）统中则只登记为Joanne Smith，同时没有认可身（shēn）份号码。

对于（yú）跨系统整合数据的机器学习应用案例（lì）来说，数据（jù）必（bì）须（xū）是干（gàn）净的。具有良好数（shù）据管控能力（lì）的企业（yè）可以将其中（zhōng）某一系统定义为存（cún）有（yǒu）主要数据的系统，并（bìng）在需要时通过应用程序编程接口（API）将这一数（shù）据导入其他任意系统（tǒng）中。

如（rú）果需（xū）要整合来（lái）源（yuán）于多个系统的（de）数据（jù），那接下（xià）来要（yào）面对的挑战就是数据集成。也就是说，要确保（bǎo）所（suǒ）有来源于不同仓储运作相关的系（xì）统中（zhōng）的数据可以被整合成一种可以用（yòng）来机（jī）器学习（xí）的（de）形式（shì）。这就需要与供应商紧密合作，以（yǐ）了解对方（fāng）的运营能力（lì）以及整合来（lái）自车（chē）队管理、员工管理（lǐ）、仓库管理、企业资源（yuán）管（guǎn）理等不同系统的数据的（de）潜力（lì）。这就为支持数据（jù）分析以及客（kè）户（hù）定制化（huà）的人工智能应用奠定了数字化基础。在技术上具有挑战（zhàn）性，但（dàn）许多系统中（zhōng）嵌入的（de）API接口简化了这（zhè）一任务。

一（yī）个更大的挑（tiāo）战可能（néng）来自于人才领域。在你的（de）公司中有多（duō）少（shǎo）人（rén）专职进行管控、集成于抓取正在创建的数据信息？如果答案是“还（hái）不够（gòu）”，那么你就要考虑设置一个高管（guǎn）级别的职（zhí）位，致力于在董事会层（céng）面（miàn）来积极推动以公司数据资（zī）产为来源来建立企业竞争（zhēng）优势。

这种高（gāo）级别的助（zhù）推策略，可以从确定公司（sī）如何在这一（yī）领域（yù）构建能力开始。对大多数公司来讲，也可以通过内部员工和（hé）外（wài）部顾问的组合（hé）来（lái）实现。甚至有一些众筹的机器学习平台（tái）（例如Kaggle和Experfy）可以协助你将你在数据方（fāng）面要面（miàn）对的挑战（zhàn）与世界（jiè）各（gè）地的专家（jiā）之间建（jiàn）立（lì）起联系。因为（wéi）今天你所获得（dé）的（de）数据可能（néng）会对（duì）未来的机器（qì）学（xué）习（xí）应用产生深远影响，因（yīn）此建立数据（jù）能力是一个优先需（xū）要考虑的事项。许多（duō）大型企业已经在（zài）内（nèi）部成立了专门部门（mén）来引导人工智（zhì）能及数据分析方面的工作（zuò），这一需（xū）求也使（shǐ）得这（zhè）一领域的专业人才（cái）变的炙手可热。

四、感想总结

虽然（rán）供应链（liàn）经理需要评估各种技术以及（jí）指导（dǎo）以（yǐ）科技为（wéi）基础的革新，但人工智（zhì）能不应因此被忽略（luè）。但它（tā）也不应该（gāi）被视作可以瞬间（jiān）完成供应链（liàn）变革的万灵药。相反地，人工智能应该被定义为一个可以提升与企（qǐ）业成功密切相关的（de）KPI指标的工具（jù）。使用这一工具（jù）并不（bú）需要成为人工智能领域的专（zhuān）家，但必须确保你的企（qǐ）业（yè）满足了（le）前文所提到的三个基本要求：确定与提升企业绩效相关的高价（jià）值（zhí）应用案例（lì）；创（chuàng）立（lì）可以整合这些高价值数据的数字基础设施；开（kāi）始建（jiàn）立一（yī）个由（yóu）内（nèi）部与（yǔ）外部专家组成的（de）专（zhuān）业团队（duì）。