人（rén）工智能近年来（lái）的迅猛发展，预示（shì）着（zhe）其将为（wéi）仓库运作方式带来革命性的变（biàn）革。但在（zài）企业决定（dìng）在运营实践中引入并实施（shī）这一新技术之前（qián），必须要确保已拥有（yǒu）相关数（shù）据及所需人才。

对相关企业而言，即时关注（zhù）并（bìng）对（duì）供应链技（jì）术的进步具有敏感性几（jǐ）乎已（yǐ）经成为必须（xū）。机器人技术、自动化（huà）、数据分析和工业物联（lián）网等各种新技术，正在逐步展示出其（qí）在提升货物（wù）运输，处理，存储和配送效率方面的潜力。这些新技术的不断涌现，使得我（wǒ）们很难确认（rèn）究竟应把注意力集（jí）中在（zài）哪一方（fāng）面。

在这其中一项值得仔细研究的（de）新技术是人工智能(AI)。简单而言， 人工智能是（shì）计算机系统发（fā）展到一定阶段（duàn）的产物，即（jí）代为执行通常需要人类智能参与的（de）任务（如（rú）视觉感知、语音识（shí）别、决策和语言翻（fān）译）。人工智能出现（xiàn）于1956年，但绝大多数情况（kuàng）下，我们都必须将智能程序明确地输（shū）入到计算机中。

近年来（lái），机器学习作（zuò）为一种典型的（de）人工智能技（jì）术。机器（qì）学习主要是探（tàn）索如何可（kě）以（yǐ）使计算机（jī）程序通过对输入数据的学（xué）习来提高其输出性能。这（zhè）些程序可以嵌入在机（jī）器中，也（yě）可以在（zài）服务（wù）器或云端操（cāo）作（zuò）。亚马（mǎ）逊(Amazon)、谷歌、Facebook、微（wēi）软(Microsoft)等大型（xíng）科技公司已经将机器学习融（róng）入（rù）到他（tā）们的产品（pǐn）和（hé）服务（wù）中，为用户提供：相关度更高的网（wǎng）络搜索内容，更好的图像（xiàng）与语音识（shí）别技术（shù）以（yǐ）及更智（zhì）能化的（de）设备。

机器（qì）学（xué）习与（yǔ）数据分析（收集、转换及数据分析的流程）之间有一些相似（sì）之处。两者都（dōu）需要（yào）一个经过清理（lǐ）的、多样化的（de）、大型（xíng）的数据库才（cái）能有（yǒu）效地运（yùn）作。然而，主要的区别（bié）在于（yú），数据分析允许用户从数据中得出（chū）结论（lùn），进而要求用（yòng）户（hù）采取相应措施（shī）来（lái）改善其供应链。相比较（jiào）而言，对于已处于可（kě）解决范畴内（nèi）的问题，机器学习（xí）可以基于“训练数据库”自动（dòng）执行（háng）操作（本（běn）文后续关（guān）于监督学习的部分将对此（cǐ）进行讨论）。基于其允（yǔn）许任务自（zì）动执行这一特性，人工智能 — 尤其是机器学（xué）习 — 对许多供应链（liàn）管（guǎn）理人（rén）员来说都是一项值（zhí）得关注的重要（yào）技术。对（duì）于（yú）今天的（de）许多企业来讲，制定并实施供应链相关的人工智能（néng）战略（luè），将（jiāng）使其随着（zhe）技术（shù）的（de）逐渐成熟，提升（shēng）自身的（de）生产力（lì）、速度与效率（lǜ）。

一（yī）、人工智（zhì）能的发展现状

人工（gōng）智（zhì）能（néng）近期的迅（xùn）猛发展，得益于以下因素的共（gòng）同作用。第（dì）一，各（gè）种设备的互（hù）通互连而产生的数据量的增（zēng）长以及（jí）促使（shǐ）日常生活数字（zì）化的高级传感器的使（shǐ）用的增长（zhǎng）。第二（èr），从移动（dòng）设备到云计算，各（gè）种设备的计算能力也在持（chí）续增长。因此，机器学习可以运（yùn）行在最新的（de）硬件运算设备上，同时获取大批量、多样化（huà）及高质量的数据库，进而自动执行各种（zhǒng）任（rèn）务。

案例一：

下面是一个众多（duō）消费者将逐渐熟悉的场（chǎng）景。如果你（nǐ）有一个iphoness而且（qiě）每天早晨通（tōng）勤上下（xià）班（bān）， 最近一（yī）段时（shí）间你可能留意到了以下情况：当（dāng）你（nǐ）坐进汽车的（de）时候，你（nǐ）的手机将自动提示你（nǐ）开车去公司将需要多少时间，根据实时的（de）路况信息给出最佳行车路线的建议（yì）。当这一现象第（dì）一次发（fā）生时（shí），你可能会有这样的疑惑：“手机（jī）怎么会知道我要（yào）去上班？感觉很（hěn）酷（kù），但也有一点（diǎn）点恐怖”。

因（yīn）为（wéi）内置（zhì）了机器学习功能（néng），手机可以根据（jù）你过去做（zuò）过（guò）的（de）事（shì）情（qíng）来预测你将要什（shí）么（me）。如（rú）果你换了新工作（zuò）或者开车去（qù）了另外一个（gè）目的（de）地，设备（bèi）会自动调整它的预测，并（bìng）根据新的目（mù）的地（dì）发（fā）出（chū）新（xīn）的（de）通知。这一应用（yòng）场（chǎng）景的特别强（qiáng）大之（zhī）处在于：设备对用户来说（shuō）越来越有（yǒu）帮助，而用户（hù）或软件开发人员不必采取（qǔ）任何行动。

另一（yī）个场景是自动驾驶汽车。目（mù）前（qián）路面（miàn）上行驶的自动驾驶汽（qì）车正在（zài）被（bèi）用来收集数（shù）据，用来改进下一代自动驾驶汽车的技术。当人（rén）工操（cāo）作人员直接（jiē）对车（chē）辆进行（háng）控制时，相关的数据就会与其他车辆的数据（jù）汇集（jí）起（qǐ）来并进行对比（bǐ）分析，以确（què）定在（zài）何种情（qíng）况（kuàng）下自（zì）动驾驶汽车将切换（huàn）到（dào）由（yóu）人工（gōng）驾驶（shǐ）模式。这样的数据收（shōu）集与分析将使得自动驾驶汽（qì）车变（biàn）得更加（jiā）智能。

虽然人们很容易被（bèi）今天（tiān）人工智能相关的（de）令人兴奋（fèn）的（de）发展所鼓（gǔ）舞，但了解人（rén）工智能的局限性也很重要。在《哈佛商业评论》(Harvard Business Review) 2016年的一篇（piān）文章（zhāng）中，《人工智能现阶段的能与不能》，斯坦福人工智能实验室前负责人、跨国（guó）科技公司百度的人工智能团队前首席科（kē）学家Andrew Ng明确表示，“人工智能将变（biàn）革许多行业，但它并不具有（yǒu）无所不能的魔力。”

Ng强调，虽然人工智能已经有很多成（chéng）功（gōng）的实施案例（lì），但（dàn）大多数都是在监督学习（xí）的场（chǎng）景下展开应用。在这（zhè）一模（mó）式下，每一个训练输入数据（jù）库（kù）与正确（què）的输出（chū）决策相关联。机器学习算法通过比对（duì）这个训练库的（de）信息（xī）来根据新的输入数（shù）据（jù）做（zuò）出（chū）决策（cè）。监（jiān）督学习的一些常见应用包括照片标（biāo）记、贷款处理与语音识别。在每一（yī）个应用案例中，系统都会接收输入（rù）信息 — 比如照片标签应用中（zhōng）的（de）图片（piàn） — 并基于它从（cóng）训练（liàn）数（shù）据库中学（xué）到的信息（xī）做出决定或（huò）做出反应。

如果拥有一个足够大（dà）的输（shū）入数（shù）据（jù）库，并（bìng）用对应的人工（gōng）响应 (或输出) 做以注释 ，那么就可（kě）以构建一个人工智能（néng）应用程（chéng）序，允许计算机系统接收新的输入数据并（bìng）自行做出决定（dìng）。这可以使过去不容易自动化的流程变（biàn）的可以自动运作，最终提升仓（cāng）库啊的运（yùn）营（yíng）效率。而（ér）实现这一目的的（de）关键就是辅助做出决策的数据库的大小、质量与多样性的（de）程度。训练输入数据库越大、越多样化，机器学习算法做出的（de）决（jué）策就越优化。

二、选（xuǎn）择可参（cān）照（zhào）案例（lì）

当考虑在供应链中应用人工智能的各种方案时，直（zhí）接应（yīng）用相应技术然后确定应用方案或许很有吸引力。但是，如果你首先分（fèn）析一下公司业务面对的（de）挑战与机遇，然后再选（xuǎn）择相匹配的人工（gōng）智能技术来解决相关问（wèn）题，这样的流程会有助（zhù）于你选择更有效率、更适合的应用方案。

就仓库及（jí）其（qí）运作而言，人（rén）工智能（néng）的（de）应用应该以企业所关注并不（bú）断（duàn）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、履（lǚ）行时（shí）间（jiān）、设施损坏（huài）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（de）数据，这些都可以被人工智能（néng）应用程序用（yòng）于自（zì）动完（wán）成任务或做（zuò）出决（jué）策。然（rán）而，这些数据由于数据类型的原因并不能直（zhí）接（jiē）用于（yú）人工智能技术，并且通常分布在不同的仓库管理系统中。因（yīn）此（cǐ），在正式应用（yòng）之前，许多人工智能应用程序需要对不（bú）同仓库管理信息系统中的数据进行整合。

下面的3个案（àn）例（生产力、设备（bèi）利用率（lǜ）、效率）说明了人工智能（néng）在仓储运营（yíng）场景中的应用（yòng）潜（qián）力。虽然这（zhè）些案例（lì）可能并不适用（yòng）于所有仓库，但它们确实展示了企（qǐ）业如何将自己已有的数据整合（hé）成可以应用机器（qì）学习技术的形（xíng）式。

案例（lì）一、生产力

在拣选订（dìng）单的环节（jiē），所有的仓库都存在不同员工的生产力（lì）不（bú）同这一现（xiàn）象（有效率最（zuì）高的订单拣选员也有变（biàn）现一般的员工（gōng））。但是相对于（yú）使用系统（tǒng）引导进行拣选的仓（cāng）库而言（yán），员工在生产力方面的差异（yì）在不使用系（xì）统引导的仓库中表现更为明显（xiǎn）。

对于（yú）那（nà）些（xiē）不使用系统引导进（jìn）行拣选的仓库，机器（qì）学习提供了（le）一个可以更（gèng）好推广最高效员工经（jīng）验的机（jī）会，并将系（xì）统引导模式（shì）引入到所有员工的工作中。如果联系到上文提到的监督学习，最高效员工的拣选列（liè）表（biǎo）将作为（wéi）人工智能应（yīng）用的输入数据；这（zhè）些员工（gōng）在拣选列表中货物的顺序决（jué）策即为输出（chū）数（shù）据（基于条（tiáo）码扫描或其他可获取信息）。除了（le）最短（duǎn）拣选距离这（zhè）一指（zhǐ）标之外，避免拥挤（jǐ）通常（cháng）是提（tí）升生（shēng）产力的另外一个重要指标。因（yīn）为最佳拣（jiǎn）选（xuǎn）员（yuán）工通常会同时考虑这两个（gè）因（yīn）素，因此上（shàng）面的输入输出（chū）数据库应（yīng）该已包含这（zhè）些信息。

基（jī）于这些精准标注的数据，机器学习算法在接收（shōu）新（xīn）的订单数据（jù）后案最（zuì）佳原则进行归（guī）类（lèi）。通过这种方式，算法可以复制最有效（xiào）员工的拣选操作，并提高所有员工的（de）生产力。

案例二、设备利用率

某一仓库一天内（nèi）需要搬（bān）运的容（róng）器或托（tuō）盘数量（liàng）与所（suǒ）需的搬运设（shè）备数量之间有一（yī）定的（de）关系。在（zài）大多数（shù）情况下，两者之间是一种（zhǒng）线性关系。但是，某些因素（例如操（cāo）作（zuò）人（rén）员的技能水平或（huò）货物的混合存放等）也可能会影（yǐng）响到所需搬运（yùn）设备的佘亮（liàng）。

在这种情况下，输入数（shù）据就需要包括（kuò）所有可能（néng）影响（xiǎng）设备需求的数据（从仓库管（guǎn）理系统中调用的拣选订（dìng）单清单以（yǐ）及从（cóng）员工管理系统中获（huò）取的操作人员生产（chǎn）力水平（píng）等信息）。输出信息包括从升降搬运车管理（lǐ）系统中获（huò）得的搬运设（shè）备使用率信息。

基于这一精（jīng）准标注的数据库，机（jī）器学习算（suàn）法（fǎ）将可以接收未来数（shù）星期（qī）或（huò）数月的（de）订（dìng）单（dān）预测信（xìn）息和现有员（yuán）工的技能水平信息，进而预估（gū）出所需搬运（yùn）设备的（de）数（shù）量。升降搬运车车队经理将（jiāng）在同设备供（gòng）应商的协商（shāng）中采纳（nà）这些信息作为决策参考（kǎo），以确（què）保通（tōng）过短期租（zū）赁或新设（shè）备购买（mǎi）的方式（shì）来确保（bǎo）在某（mǒu）一期限内获取合适数量（liàng）的搬运（yùn）设备（bèi）进（jìn）行拣选操作。

案例（lì）三、效率

一个好的货位策略应该是（shì）将高需求的SKU尽量集中放在最（zuì）佳位置但同时又要适当的（de）分散摆放（fàng），以降低拥堵程度来提高拣选效（xiào）率（lǜ）。但由于需求（qiú）的不（bú）断变（biàn）化以及（jí）SKU的数（shù）量（某些仓库中可能有数千个SKU），仓（cāng）库很（hěn）难仅仅依靠员（yuán）工来判断SKU的需求量来（lái）实（shí）现最佳存放。因此一些（xiē）仓库运营商会（huì）使用（yòng）货（huò）位分配软（ruǎn）件（jiàn）来（lái）帮助确定（dìng）SKU摆（bǎi）放位置。这些软件会提供（gòng）操作界（jiè）面允许客户修改运（yùn）作规则。当接收（shōu）到销售（shòu）历（lì）史数据或未（wèi）来销售预测（cè）信息后，软件（jiàn）就会推荐相应（yīng）的货位策略。但是，负责软件的人员（yuán）经常会依据自己的经验来修（xiū）改策略，而这些（xiē）经验却往（wǎng）往不能反（fǎn）应出（chū）拣选操作（zuò）的真实情（qíng）况。

在（zài）这种情况下（xià），输入数（shù）据就（jiù）是软件所推荐的货位（wèi）策略。输出数据是最终（zhōng）决（jué）定（dìng）执（zhí）行的策（cè）略。机器学（xué）习算法（fǎ）可以和货位（wèi）分配软（ruǎn）件结合，通过（guò）对实（shí）施最终货位摆放（fàng）策略的员工的倾（qīng）向（xiàng）性进行不断的学习，最（zuì）终实（shí）现自（zì）动调整。

三、制定策略

明（míng）确（què）仓储相（xiàng）关领域可（kě）以从人工智能技术获益之后，制定相关的应（yīng）用策略将非（fēi）常重（chóng）要。在其发表于《哈佛商业评论》的（de）文（wén）章中，Andrew Ng对高管们应该如何定（dìng）位公司的人工智能策略提出（chū）了一些有益的（de）看法。他写道，制定一个成功（gōng）战略的（de）关键是“理解在哪（nǎ）里（lǐ）创造价值，什么是很难复制的”。

Ng指出，人工智能研究人（rén）员经常发布和（hé）分享他们的想法，并公布他（tā）们的代码，因此（cǐ）我们（men）可以（yǐ）很便捷地（dì）接触到最新理念及进展。相反，“稀缺资（zī）源”是数（shù）据和人才，而这两点对（duì）企业制（zhì）定（dìng）人工智能策略获取竞争优势极为关键。在数据源已经被精确（què）连接到了对应的输出信息的情况（kuàng）下，复（fù）制一款软件比获（huò）得原始数据要简单的（de）多（duō）。因此，具（jù）有鉴别与获取有价值的数据（jù）并有能力根据实际情况修（xiū）改软件参（cān）数以最大（dà）化利用这些数（shù）据的（de）人员，将是制定人工智能（néng）策略（luè）过程（chéng）中关键而具（jù）有差异性的（de）组成部分。也就是（shì）说，如果一个企业向推（tuī）进人工智能在仓储场景下的应用，那么它就必须将重点（diǎn）放在提高数据和人才的质量这两方（fāng）面。

关于数（shù）据，要明（míng）确（què）的一个关键问（wèn）题是（shì）：哪些数据（jù）是你的（de）公司所独有而且可（kě）以用来（lái）提高与（yǔ）业务（wù）相关的KPI？这一点（diǎn）明（míng）确（què）之后，就需要提高仓储管理（lǐ）系统中的（de）数据的质（zhì）量（liàng）。这一步通常被称为数据管控，来确保供应链运作相关的数据具（jù）有一个可（kě）以（yǐ）“真实反映客观事实的来源（yuán）”。

举（jǔ）例（lì）来讲。叉车司机的（de）信息可（kě）以存储在不同的信息系统中，包括人力资源系统（tǒng）、员工（gōng）管理（lǐ）系（xì）统、仓库管（guǎn）理系统、叉车车（chē）队管（guǎn）理系统等。如果（guǒ）司（sī）机（jī）信息被分别录入以上系统，那么同一员工的姓（xìng）名（míng）及身份号码就可能出现（xiàn）不匹配的情况。比如，一（yī）个人可以在WMS中被标识为Jo Smith， #01425； 在（zài）LMS系统中为Joanne Smith， #1425； 而在车队管理系统中则只登（dēng）记为（wéi）Joanne Smith，同时没（méi）有（yǒu）认可身（shēn）份号码。

对于跨（kuà）系统整合数据的（de）机（jī）器学习应用（yòng）案（àn）例来（lái）说，数据必（bì）须是干净的。具（jù）有良好数据管控能（néng）力的企业可以将其中某一（yī）系统（tǒng）定（dìng）义为存有主要数据的系统，并（bìng）在需（xū）要时（shí）通过应用程序编程接口（API）将这一数（shù）据（jù）导入其他任意（yì）系统（tǒng）中。

如果需要整合来源于多个系统的数据，那接下来要面对的挑战（zhàn）就是数据集（jí）成（chéng）。也就是说，要（yào）确保（bǎo）所（suǒ）有来源（yuán）于不同仓储运作相（xiàng）关的系统中（zhōng）的数据可以被整合成一种可以用来机器学习的（de）形（xíng）式（shì）。这就需（xū）要与供应商紧密合作，以了解对（duì）方的运营能力以及整合来（lái）自车队管理、员工管（guǎn）理（lǐ）、仓库（kù）管理、企（qǐ）业资源管理等（děng）不同系统的数据（jù）的潜力（lì）。这就为支持数据分析以（yǐ）及客户定制（zhì）化的人工智能（néng）应用奠定了数字化基础。在技术上具有挑战性（xìng），但许多系统（tǒng）中嵌（qiàn）入（rù）的API接口简化了这一任务。

一个更大的挑战可（kě）能来自于（yú）人才领域。在你的公司中有多少人（rén）专（zhuān）职进行管控、集成于抓取（qǔ）正在创建的数据信息？如（rú）果（guǒ）答案是“还不够”，那（nà）么你就要考虑设（shè）置（zhì）一个高管级别的职位（wèi），致力于在董事会层面来积（jī）极推动以公司数据资产为来源来建立企业竞争优势。

这种高级别的助推策（cè）略，可（kě）以从（cóng）确定公司如（rú）何在（zài）这一领域构建能力开始。对（duì）大多数公司来讲，也可以（yǐ）通过内部员工和外部顾问的组合来实现（xiàn）。甚至（zhì）有一些众筹的机（jī）器学（xué）习平台（例如Kaggle和Experfy）可（kě）以协助你将你在（zài）数据方面（miàn）要面对的挑战（zhàn）与世界各地的专家之间建立起联系（xì）。因为今（jīn）天你（nǐ）所获得的数据（jù）可能（néng）会对未来的机器（qì）学习应用（yòng）产生深远影响，因此建立（lì）数据能力（lì）是一个优（yōu）先需要考（kǎo）虑的（de）事项。许多大型企业已（yǐ）经（jīng）在内部成立了专门部门来引导人工（gōng）智能及数据分析方面的（de）工作，这一需求也使得这一领（lǐng）域的专业人才变的炙（zhì）手可热。

四（sì）、感想总结

虽然供应链经理需要评估各种技术以及指导以科技为基础的革新（xīn），但人（rén）工智能不应因此（cǐ）被忽略。但它也不（bú）应该被视作（zuò）可（kě）以瞬间完成供应链（liàn）变革的万灵药。相反地，人（rén）工（gōng）智能应该被定义为一个可以提（tí）升与企业成功（gōng）密切（qiē）相关的KPI指标的（de）工具。使用这一工具并不需要成为（wéi）人工智能领域的专（zhuān）家，但必须确保你（nǐ）的企（qǐ）业（yè）满足了前文所（suǒ）提到（dào）的三个（gè）基（jī）本要求：确（què）定（dìng）与提升企业绩效相关的高价（jià）值应用案例；创立可（kě）以整合这（zhè）些高（gāo）价值（zhí）数据的数字基础设施；开始（shǐ）建立（lì）一个由（yóu）内部与外部专家组（zǔ）成的专（zhuān）业团队。