人工智能近年来的迅（xùn）猛发展，预示（shì）着其将为仓库运（yùn）作（zuò）方式带来革命性的变革。但在企业决定在运营实践中（zhōng）引入并（bìng）实施这一新技术之前，必须要确保已拥有相关数据及所需（xū）人才（cái）。

对相（xiàng）关企业（yè）而言，即时关注并对供应链技术（shù）的进（jìn）步具有（yǒu）敏感（gǎn）性几乎已经成为必须。机（jī）器人（rén）技术（shù）、自（zì）动化、数据分析（xī）和工业物（wù）联网等各种新技术（shù），正在逐步展示出其在提升货（huò）物运输，处理，存储和配送效率方面的潜力。这（zhè）些新技（jì）术的不断（duàn）涌现（xiàn），使（shǐ）得我们（men）很难确认究竟应把（bǎ）注意力集中在哪一（yī）方面。

在这其中一项值得仔细研究的新技术（shù）是人工（gōng）智能(AI)。简（jiǎn）单而言， 人工智能是（shì）计（jì）算机系（xì）统发展到（dào）一定阶（jiē）段（duàn）的产物（wù），即（jí）代为执（zhí）行（háng）通常需（xū）要人类（lèi）智能参与（yǔ）的任（rèn）务（wù）（如视觉感知、语音识别、决策和（hé）语言（yán）翻译）。人（rén）工（gōng）智能出现于1956年，但（dàn）绝大多数情（qíng）况下，我们都必须将智能程序明确地输入到（dào）计算机中。

近年来，机（jī）器学习（xí）作（zuò）为一种（zhǒng）典（diǎn）型（xíng）的人工智能技术。机器学习主要是探索（suǒ）如何可（kě）以（yǐ）使计（jì）算机程序通过对输入数据的学习来提高其输出性能。这些（xiē）程（chéng）序可以嵌入在机（jī）器（qì）中，也可以在（zài）服务器或云端操（cāo）作。亚马逊(Amazon)、谷歌、Facebook、微软(Microsoft)等大型科技公司已经将机器学习融入到他们的（de）产品和服务中，为用（yòng）户提供：相关度更高的网络搜索内容，更好的图（tú）像与语音识别技术以及（jí）更智能（néng）化的设备。

机器（qì）学习与数据分析（收（shōu）集、转换及数据分析的流程）之间有（yǒu）一（yī）些相（xiàng）似之处。两者（zhě）都需要一个经过（guò）清（qīng）理的、多样化的、大型的数据库才能有效地运（yùn）作。然而，主要的区别在于，数据（jù）分析允许（xǔ）用户从数据中得出结论，进而要求用（yòng）户采取相应措施来改（gǎi）善其供应链。相比较而言，对于已处于可解决范畴内的问题（tí），机器学习可以基于“训练数据库”自动执行（háng）操（cāo）作（本文后续关（guān）于（yú）监督（dū）学习的部分将对此进（jìn）行讨论）。基于其允（yǔn）许（xǔ）任务自（zì）动（dòng）执（zhí）行这（zhè）一特（tè）性，人工智能 — 尤其是机（jī）器学习 — 对许多供（gòng）应（yīng）链管理人员来说（shuō）都是一项值得关注的重要技术。对于今天的许多企（qǐ）业（yè）来讲，制定（dìng）并实施供应链（liàn）相关的（de）人工智能（néng）战（zhàn）略，将使其随着技术的逐渐成熟，提升自（zì）身的生产力、速度与效率。

一、人工（gōng）智（zhì）能的（de）发（fā）展（zhǎn）现（xiàn）状（zhuàng）

人工智能近期（qī）的迅（xùn）猛发展（zhǎn），得（dé）益（yì）于（yú）以（yǐ）下因（yīn）素的共同作用。第一，各种设备的互通互连而产生（shēng）的（de）数据量（liàng）的增长以及促使日常生活（huó）数字化的高级传感器（qì）的使（shǐ）用的增长。第（dì）二，从移动设（shè）备到（dào）云计算，各种设备的（de）计（jì）算能力也在持续增长。因（yīn）此，机器学习可以运行在最（zuì）新的（de）硬件运算设备上，同时获（huò）取大批（pī）量、多样化及高（gāo）质量的数据库（kù），进而自动执行各种任务。

案例一：

下面是一个众（zhòng）多消费者将逐渐熟悉（xī）的（de）场景。如果你有（yǒu）一个iphoness而且每天（tiān）早晨（chén）通勤（qín）上下班， 最近一段（duàn）时间你可能留意到（dào）了以下情况（kuàng）：当你（nǐ）坐进（jìn）汽车的时候，你的手机（jī）将自动提示你开车（chē）去公（gōng）司将需要多少时间，根据实（shí）时的路况信（xìn）息给出最佳行车路线（xiàn）的（de）建议。当这一现象第一（yī）次发生时，你可能（néng）会有这样（yàng）的疑（yí）惑：“手机怎么会知道我要去上班（bān）？感觉很酷，但也有一点点恐怖”。

因为内置（zhì）了机器学（xué）习（xí）功（gōng）能，手机可（kě）以根据你过去做过的事情（qíng）来预测你将要什么。如果你换了（le）新工（gōng）作或者（zhě）开车（chē）去了另外一个目的地，设备（bèi）会自动调整它的预测，并（bìng）根据新的目的地发出（chū）新的通（tōng）知（zhī）。这一应用场景的特别强大之处在于（yú）：设备对用（yòng）户来说越来越有帮助，而用户或软件开发人员不必（bì）采取任何（hé）行动。

另一（yī）个场景是自动驾驶汽车。目前路面上行驶的自动驾驶汽车正在（zài）被用（yòng）来收（shōu）集数据，用（yòng）来改进下一代自动驾（jià）驶（shǐ）汽车（chē）的（de）技术（shù）。当人工（gōng）操作人（rén）员直接（jiē）对车辆进行控制时（shí），相关的（de）数据就会与其他（tā）车（chē）辆的数据汇（huì）集起来并进行对比（bǐ）分析，以确定在何种情（qíng）况下自动驾驶汽（qì）车将切换到由（yóu）人工驾（jià）驶模式。这样（yàng）的（de）数据收（shōu）集与分析将使得自动驾驶汽车变得（dé）更加智能（néng）。

虽（suī）然人们很（hěn）容易（yì）被今天（tiān）人工智能（néng）相关的令人兴奋的发展（zhǎn）所鼓舞，但了解人（rén）工智能的局（jú）限（xiàn）性也很（hěn）重要（yào）。在《哈佛商业评论》(Harvard Business Review) 2016年的（de）一篇文章中，《人工（gōng）智（zhì）能（néng）现阶段（duàn）的能（néng）与不能》，斯坦福人（rén）工智能实验室前负责人、跨国科（kē）技公司百度的（de）人工智能团队前首席科学家Andrew Ng明确表示（shì），“人（rén）工智能将变（biàn）革许多行业，但它并不具有（yǒu）无所不（bú）能的（de）魔（mó）力（lì）。”

Ng强调，虽然人工智能已经有很多成（chéng）功的实施（shī）案例，但大多数（shù）都是在监督学习的（de）场景下展开应用（yòng）。在（zài）这一模式下，每一个训（xùn）练输入数据库与正确的输出决策相关（guān）联。机器学（xué）习算法通过比对这个训练库的（de）信息来根据新的（de）输入数据做（zuò）出（chū）决策（cè）。监督学（xué）习的一些常见应用包括照片标记、贷（dài）款处理与语音识别。在每一个应（yīng）用案例（lì）中，系统都会接收输入信息 — 比如照片标签应用中的图片 — 并（bìng）基于它从训练数（shù）据库中（zhōng）学到的信息做（zuò）出决定或做出反应。

如果（guǒ）拥有（yǒu）一个足够大的输入数据库，并（bìng）用（yòng）对（duì）应（yīng）的人工响应（yīng） (或输出) 做以注释 ，那么就可以构（gòu）建一个人工智能（néng）应用程序，允许计算机系统接收新的输入数（shù）据并自行（háng）做出决定。这可以使（shǐ）过去不（bú）容易自动（dòng）化（huà）的流程（chéng）变的（de）可（kě）以自动运作，最终（zhōng）提升仓（cāng）库啊的运（yùn）营效率。而实现这一（yī）目的的关键就是辅助做出决策的数据库的大（dà）小、质量（liàng）与（yǔ）多样性的程度。训练输入（rù）数据（jù）库越大（dà）、越（yuè）多（duō）样（yàng）化，机器学习算（suàn）法做（zuò）出的决策就（jiù）越（yuè）优化（huà）。

二、选择（zé）可（kě）参（cān）照案例

当考（kǎo）虑（lǜ）在（zài）供应链中应用人工智能的（de）各种方案（àn）时，直（zhí）接应用相应技术然（rán）后确定应用方案或许很有吸引（yǐn）力。但（dàn）是，如果你首先分（fèn）析一下（xià）公司业务面（miàn）对（duì）的（de）挑（tiāo）战（zhàn）与（yǔ）机遇，然后再选择相匹配的人（rén）工智（zhì）能技术（shù）来解决相关问题，这样的流程会有助（zhù）于你选择更有效率、更（gèng）适合的应用方案。

就仓库及其运作而言，人（rén）工智能的（de）应（yīng）用应该以（yǐ）企业所关注并不断（duàn）优（yōu）化（huà）的关键（jiàn）性能（néng）指（zhǐ）标（biāo）(KPI)为指导（订单准确性（xìng）、安全性、生产（chǎn）率、履行时间、设施损坏或库存准确性等）。仓库通常已经拥有大量与KPI指标相（xiàng）关的数据，这些都（dōu）可以被人工（gōng）智（zhì）能应（yīng）用程序用于自动（dòng）完（wán）成任务或做出（chū）决（jué）策。然而，这些数据由于数据类型的原因并不能直接用于人（rén）工智（zhì）能技术，并且（qiě）通常（cháng）分布在不同的仓（cāng）库管理系（xì）统中。因此，在正式应用（yòng）之前，许多人工智能应用程序需要对不同仓库管理信息（xī）系统中的（de）数据进（jìn）行整合。

下面（miàn）的3个案例（生产力、设备利用（yòng）率（lǜ）、效（xiào）率）说（shuō）明（míng）了（le）人工（gōng）智（zhì）能在仓储运营场景中的应用潜（qián）力。虽然这些案例可能并不适用于所有仓库，但它们确实展（zhǎn）示了企业如（rú）何（hé）将（jiāng）自己（jǐ）已（yǐ）有的数据整（zhěng）合（hé）成可（kě）以应用（yòng）机器（qì）学习技（jì）术的（de）形式。

案例一、生产力

在（zài）拣选订单的环节，所有的仓库都存（cún）在（zài）不（bú）同员（yuán）工（gōng）的生（shēng）产力不同这一现（xiàn）象（有效率最高的订单（dān）拣选员也有变现一般（bān）的员工）。但（dàn）是相对于使用（yòng）系统引导进行拣选的（de）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（kù）中表现更为明（míng）显。

对于那些不使用（yòng）系统引导进行（háng）拣选的仓（cāng）库，机器（qì）学习（xí）提供（gòng）了一个可以更好推广（guǎng）最（zuì）高效员工经验的机会（huì），并将系统（tǒng）引导模式引（yǐn）入到所有（yǒu）员工的（de）工作中。如果联系到上文提到（dào）的监督学习（xí），最高效员工的拣选列表（biǎo）将作为人工智能（néng）应用的输入（rù）数据（jù）；这些（xiē）员工在拣选（xuǎn）列（liè）表中货物的顺序决（jué）策即为（wéi）输（shū）出数（shù）据（基于条码扫（sǎo）描或其（qí）他可获取信息）。除了最短拣选距离这一指标之外，避免拥（yōng）挤通常是提升生产力的（de）另外一个（gè）重要指标。因为最佳（jiā）拣选员工通常会同时考虑这两个因（yīn）素，因此上面的输入输出数据库应该已包含这些信息。

基（jī）于这些精准标（biāo）注的数据，机器学习算法在接收新的订单（dān）数据（jù）后案最（zuì）佳原（yuán）则进行归类（lèi）。通过（guò）这（zhè）种方式，算法可（kě）以复制最有效（xiào）员工的（de）拣选操作（zuò），并提高（gāo）所有（yǒu）员工的生产力。

案例（lì）二（èr）、设备利用率

某一仓库（kù）一天内（nèi）需（xū）要搬运的容器或托盘数（shù）量与所需的搬运设备数量之间有一定（dìng）的关系。在大（dà）多数情（qíng）况下，两（liǎng）者之间是一（yī）种线（xiàn）性关（guān）系。但（dàn）是，某些因（yīn）素（例如操作（zuò）人员的技能（néng）水平或（huò）货物（wù）的混（hún）合存放等（děng））也可能（néng）会影响到所需搬（bān）运设备的佘亮。

在这种情况下，输入（rù）数（shù）据就需要包括所有（yǒu）可能影响设备需求的（de）数据（从仓库管理系统中调用的拣选订单清单以及从员工管理系统中获取的操（cāo）作人员生产力水平（píng）等信息）。输出信息（xī）包括从（cóng）升降搬运车管理系统中获得的（de）搬（bān）运设（shè）备使用率信（xìn）息。

基于这一精准（zhǔn）标注的（de）数据库，机器学（xué）习算法（fǎ）将可（kě）以接收未来数星期或数（shù）月的订单预（yù）测（cè）信息和现有员工的技能（néng）水平信息（xī），进（jìn）而预估出所需搬（bān）运（yùn）设备的数（shù）量。升（shēng）降（jiàng）搬运车车队（duì）经理（lǐ）将在同设备供（gòng）应商的协商中采纳（nà）这些信息作（zuò）为（wéi）决策参考，以确保通过短期租赁或新设备购买的方式来确保在某一期限内获取（qǔ）合适（shì）数（shù）量的搬运设备（bèi）进行拣选操作。

案（àn）例（lì）三、效率

一个好的货位策略应该（gāi）是将高需求的SKU尽（jìn）量集中放在最佳位置但同（tóng）时又要（yào）适当的分（fèn）散摆放（fàng），以降（jiàng）低拥堵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（某些仓库中可能有数千个SKU），仓库很难仅（jǐn）仅依靠员工来（lái）判断SKU的需求量来实现最佳存放（fàng）。因此一些仓库（kù）运营商（shāng）会使用货位分配软件来帮助确定SKU摆放位置。这（zhè）些软件会提供操作界面允许客（kè）户（hù）修改（gǎi）运作规则（zé）。当（dāng）接收到销售历史（shǐ）数据或未来销售预测信息后，软件就会推荐相应（yīng）的货位策略。但是，负责软件（jiàn）的（de）人员经常会依据自己的（de）经验来修改策（cè）略，而这些经（jīng）验却往往不能反（fǎn）应出（chū）拣选（xuǎn）操（cāo）作的真实情况（kuàng）。

在这种情（qíng）况下，输入数（shù）据（jù）就是软件所（suǒ）推荐的货（huò）位策略。输出数据是（shì）最终决定执行的策略。机器学习算法可以和货位分（fèn）配软件结合（hé），通过对实施最终货位摆放策（cè）略的员工的倾向性进行不（bú）断的学习（xí），最终（zhōng）实现自（zì）动调整。

三（sān）、制（zhì）定策略

明确（què）仓储相关领域（yù）可以从人（rén）工智（zhì）能技术获益之后，制定相关的（de）应（yīng）用策略（luè）将非常重要。在（zài）其发表于（yú）《哈佛商业评论（lùn）》的文（wén）章中，Andrew Ng对高（gāo）管们应该如何定位公司的人工智（zhì）能策略提出了（le）一些有益的看法。他写道，制定一（yī）个成功战略的关键是（shì）“理解在哪里创造价值，什么是很难复制的”。

Ng指出，人（rén）工（gōng）智能研究人员经常发布（bù）和分享他们（men）的想法，并（bìng）公布他们的代码，因（yīn）此我们（men）可以很便捷（jié）地接触到最新理念及进（jìn）展。相反，“稀缺资源（yuán）”是数（shù）据和人才，而这两点对企业制定人工智能策略获取竞争优势极（jí）为关键。在数据源已经被精确连（lián）接到了对应的输出信息的情况下，复制一款软件比获（huò）得原始数据要简单的（de）多。因（yīn）此，具有鉴别与获（huò）取有价值的（de）数据（jù）并有能力根据实际（jì）情况修改软（ruǎn）件参数（shù）以最大化利用（yòng）这些数据的（de）人员（yuán），将是制定人工智（zhì）能策（cè）略过程中关键而（ér）具有差异性的组（zǔ）成（chéng）部（bù）分。也就是（shì）说，如果一（yī）个企业向推进人工智能在（zài）仓储场景下的应用，那么它就必须将（jiāng）重点放在提高（gāo）数（shù）据和人才的质量这两方面。

关于数据（jù），要明确（què）的一个关键问题是：哪（nǎ）些数据是你的公司所独有而且可以用来提高（gāo）与业务相关的（de）KPI？这一（yī）点明确之后（hòu），就（jiù）需要提高仓储管理系统（tǒng）中的数据的质量。这一步（bù）通（tōng）常被称为数据（jù）管控，来确保供应链（liàn）运作相关的数据具有（yǒu）一个可以“真（zhēn）实（shí）反映客观事（shì）实（shí）的来源（yuán）”。

举例来讲。叉车司机（jī）的信息可以存储（chǔ）在不同的信息系（xì）统中，包括人力资（zī）源（yuán）系统、员工（gōng）管理系统（tǒng）、仓库管理系（xì）统、叉车车队管理系统等。如（rú）果司机信息被分别录入以上系统，那（nà）么同一员工（gōng）的（de）姓名及身（shēn）份号（hào）码就（jiù）可能（néng）出（chū）现不匹配（pèi）的（de）情况。比如，一个（gè）人可以在WMS中（zhōng）被（bèi）标识为Jo Smith， #01425； 在LMS系统中为Joanne Smith， #1425； 而（ér）在车（chē）队管理系统中则只（zhī）登（dēng）记为Joanne Smith，同时没（méi）有认可身份（fèn）号码。

对于（yú）跨系统整合数据的机器（qì）学（xué）习应用案例来说，数据（jù）必须是干净的。具有良好数据管控能力（lì）的企业可以将其中某一系统定义为（wéi）存有主要数据的系统，并在（zài）需要时通（tōng）过应用程（chéng）序编程接（jiē）口（API）将（jiāng）这一（yī）数据（jù）导入其他（tā）任意系统中。

如果需要整合来源于多个系统的数据，那接（jiē）下来要面（miàn）对（duì）的挑战就是数据集（jí）成。也就是说，要确保所有来源于（yú）不同仓储运作相（xiàng）关的系统（tǒng）中的数据可（kě）以（yǐ）被（bèi）整（zhěng）合成一种可以（yǐ）用来机器（qì）学习的形式。这就需要与供应商紧（jǐn）密合作，以了（le）解对方的（de）运营能力以及整合来自车（chē）队管理（lǐ）、员工管理、仓库管（guǎn）理、企业资源管理等（děng）不同系（xì）统（tǒng）的数据的潜力（lì）。这就为支持数（shù）据分析以（yǐ）及客（kè）户定制化的人（rén）工智能应用奠定了（le）数字化基础。在技（jì）术上（shàng）具有挑（tiāo）战性，但（dàn）许多系统（tǒng）中嵌入的API接（jiē）口（kǒu）简化了这一任务。

一个更（gèng）大的挑战可能（néng）来（lái）自于人才（cái）领（lǐng）域。在你（nǐ）的（de）公司中有多少（shǎo）人专职进行管控、集成（chéng）于抓取正（zhèng）在创（chuàng）建的数据信息？如果（guǒ）答（dá）案是“还不够（gòu）”，那（nà）么你就要考虑设置一个（gè）高管级别的职位（wèi），致（zhì）力（lì）于在董事会层面来积极推动以公司数据（jù）资产（chǎn）为（wéi）来源来建立企业竞争优势。

这种（zhǒng）高级别（bié）的助推策略，可以从确（què）定公司如何在这（zhè）一领域构建能力开始。对大多数公司来讲，也可以通过内（nèi）部（bù）员工和外部顾问的（de）组合来实现。甚至有一（yī）些众筹的（de）机器（qì）学习平台（例（lì）如Kaggle和Experfy）可以（yǐ）协助你将（jiāng）你在数据方面（miàn）要面对的（de）挑战与（yǔ）世界各地（dì）的（de）专家之间建立起联（lián）系。因为今（jīn）天你所（suǒ）获（huò）得的数据可能会对未（wèi）来（lái）的机器学（xué）习应用（yòng）产生深远（yuǎn）影响（xiǎng），因此建（jiàn）立数据能力是一（yī）个优（yōu）先需要考虑的事项。许（xǔ）多大（dà）型（xíng）企业（yè）已经在内部成立了专门部门来引导人（rén）工（gōng）智能及数据分析方面的工作，这（zhè）一需求也使得这一领域的专业（yè）人才变的炙手可热。

四、感想总结

虽然供应（yīng）链经（jīng）理需要评估各种技术以及指（zhǐ）导以（yǐ）科技为（wéi）基础（chǔ）的革（gé）新，但人（rén）工智（zhì）能（néng）不应因此被忽略。但（dàn）它也不应该被（bèi）视作（zuò）可以瞬间完（wán）成供应链变革的万灵（líng）药。相反地（dì），人工智能应该被定义为一个可以（yǐ）提升与企业成功密切（qiē）相关的（de）KPI指标的工具。使用（yòng）这一工具并不需要成为人工（gōng）智能领域的专家，但必须确保你的企业（yè）满足了前文所提到的三个（gè）基本要求：确定与提升企业绩效（xiào）相关的高（gāo）价值应用案例；创立可以整合这（zhè）些高（gāo）价值数（shù）据的数（shù）字基础设施（shī）；开始建立一个由（yóu）内部与外部专家（jiā）组成的专业（yè）团队。