人工智能近年来的迅猛发展（zhǎn），预示着其将为仓库运（yùn）作方式带来革命（mìng）性的变革。但在企业决定（dìng）在运（yùn）营实践（jiàn）中（zhōng）引（yǐn）入（rù）并实施这一新技术之前（qián），必须（xū）要确保已（yǐ）拥有相关数据（jù）及所（suǒ）需人才。

对（duì）相（xiàng）关企业而言，即（jí）时关注（zhù）并对供应链技（jì）术的进步（bù）具有敏感性几乎（hū）已经成（chéng）为必须。机器人技术、自动化、数据分析和工（gōng）业物联网等（děng）各种新技术，正在逐步展示（shì）出其在提升货物运输，处理（lǐ），存储和配送效（xiào）率方面的潜（qián）力。这些（xiē）新技术的（de）不断涌现，使得我们很难确认究竟应把注意力集中在哪一（yī）方（fāng）面（miàn）。

在（zài）这其中（zhōng）一（yī）项（xiàng）值得仔细研究的新技术（shù）是人工智能（néng）(AI)。简单而言（yán）， 人工智能是（shì）计算机（jī）系（xì）统发展（zhǎn）到一定阶段的产物，即代为（wéi）执行（háng）通（tōng）常需要人类智能参与的任务（如（rú）视觉感知（zhī）、语音识别、决策和（hé）语言翻译）。人工智（zhì）能出现于1956年，但（dàn）绝大多数情况下（xià），我们（men）都必须将智能程序明确地输入到计算机中。

近年（nián）来，机器（qì）学习（xí）作（zuò）为（wéi）一种典（diǎn）型的（de）人工（gōng）智能技术。机器学（xué）习主要（yào）是探（tàn）索如（rú）何可以使计算机程序通过（guò）对输（shū）入（rù）数据的学习来提高其输出性能。这些程序可以嵌入（rù）在机器中，也（yě）可以在（zài）服务器或（huò）云端操作。亚马（mǎ）逊（xùn）(Amazon)、谷歌（gē）、Facebook、微软(Microsoft)等（děng）大型（xíng）科技公司已经将机器学习融入到他们的产品（pǐn）和服务（wù）中，为（wéi）用户提供（gòng）：相关度（dù）更高的网络搜（sōu）索（suǒ）内（nèi）容，更（gèng）好的图（tú）像与语音识别技术（shù）以及更（gèng）智（zhì）能化的设备。

机器学（xué）习与数据分析（收集（jí）、转换及（jí）数据分析的流程）之间有一（yī）些相似（sì）之处（chù）。两者都需要一（yī）个经过清理的、多样化的、大型的数（shù）据库才（cái）能有效地运作。然而，主要的（de）区别在于（yú），数据分（fèn）析允（yǔn）许用户从（cóng）数据中得（dé）出结论，进而要求用（yòng）户采取相应措施来改善其供应链（liàn）。相比较而言，对于已处于可解决范（fàn）畴内的问题（tí），机器学习可以（yǐ）基（jī）于“训练数据库”自动执行操作（本（běn）文后续关于监督学（xué）习的部分将对此进行讨论）。基于其允许任务自动执行（háng）这一特（tè）性，人（rén）工智能 — 尤其是（shì）机器学习（xí） — 对许多供应链管理人员来说（shuō）都（dōu）是一项值得关注（zhù）的重（chóng）要技术。对于今天的许多企业来讲，制定并实施（shī）供应链相关的人工智能战略，将使其（qí）随着（zhe）技术（shù）的逐渐成熟，提升自身的生产（chǎn）力（lì）、速度与效（xiào）率（lǜ）。

一、人（rén）工智能的发展现状

人工智能近（jìn）期的迅猛（měng）发（fā）展，得益（yì）于以（yǐ）下因素的共同作用。第一，各种（zhǒng）设备的互通互连而（ér）产（chǎn）生（shēng）的数据量的增长以及促使日常（cháng）生活数字化（huà）的高级传感器的使用的增（zēng）长。第二，从移动设备到云计算，各种设备的计算能力也在持续增长。因此，机器学习可以运行在最新的硬件运算设备上（shàng），同时获取大批（pī）量（liàng）、多样化及高质（zhì）量的数据库，进而（ér）自（zì）动执行（háng）各种任（rèn）务。

案例一：

下面是一个众多消费者（zhě）将（jiāng）逐（zhú）渐熟悉的场景（jǐng）。如果你有一个iphoness而（ér）且每（měi）天早晨通（tōng）勤上下（xià）班（bān）， 最近一（yī）段时间（jiān）你可（kě）能（néng）留意到了以下（xià）情（qíng）况：当你坐进（jìn）汽车的（de）时（shí）候，你的手机将自（zì）动提示你开车去公司将需要多少时间，根据实时（shí）的路况信（xìn）息（xī）给出最佳行车路线的建议。当这一（yī）现（xiàn）象第一次发（fā）生时，你可能会有这样的疑惑（huò）：“手（shǒu）机怎么（me）会知道（dào）我要去上班？感觉很酷，但也（yě）有一点点恐怖”。

因为内置了机器学习功能，手机可以根据你过（guò）去做（zuò）过的事情来预测你将要什（shí）么。如果你换了新工作或者开（kāi）车（chē）去了另（lìng）外一个（gè）目（mù）的地，设备（bèi）会（huì）自动调整它（tā）的预测，并根据新的目的地发出新的通知。这一（yī）应（yīng）用场（chǎng）景的特别强大（dà）之处在于：设备对用户来（lái）说越来越有（yǒu）帮（bāng）助（zhù），而用户（hù）或软件开发人员不（bú）必（bì）采取任（rèn）何（hé）行动（dòng）。

另一个（gè）场景是自动驾驶汽（qì）车（chē）。目前路面上（shàng）行驶的自动（dòng）驾（jià）驶汽车（chē）正在（zài）被（bèi）用来收集数据，用来改进下一代自动驾驶汽（qì）车的技术。当（dāng）人工（gōng）操作人员直接对车辆进（jìn）行（háng）控（kòng）制时，相关（guān）的（de）数据就会与（yǔ）其他车辆的数（shù）据（jù）汇集起来并进行对比分析，以确定在何（hé）种情（qíng）况下自（zì）动驾驶汽车将切（qiē）换到由人工（gōng）驾驶模式。这样的数据（jù）收集与分析将使得（dé）自动驾驶汽车变得更（gèng）加（jiā）智（zhì）能。

虽然人们很容易被（bèi）今天人工智能相关的令人兴奋的发展所鼓舞，但了解（jiě）人工（gōng）智能的局限（xiàn）性也（yě）很重要。在《哈（hā）佛（fó）商业评论》(Harvard Business Review) 2016年的一篇文章中，《人工智能现阶段（duàn）的能（néng）与（yǔ）不（bú）能》，斯坦福人工智能实（shí）验室前负（fù）责人、跨国科技公司百（bǎi）度的（de）人（rén）工（gōng）智能（néng）团（tuán）队前首（shǒu）席科学家Andrew Ng明确表示，“人（rén）工智能（néng）将（jiāng）变革许多行业，但它并不具有无所不能的魔力。”

Ng强（qiáng）调（diào），虽然人工智能已经有很多成（chéng）功的实施案（àn）例（lì），但大多数都是在监督学习的场景（jǐng）下展开应用。在这一（yī）模式下（xià），每一个训（xùn）练输入数据库与正（zhèng）确的输出决策（cè）相关联。机器（qì）学习算（suàn）法通过比对（duì）这个训练库的信息来根（gēn）据新的输入数据（jù）做出决策。监督学习的一些常（cháng）见应用包括照（zhào）片标记（jì）、贷款处理与语音识别。在每（měi）一个应（yīng）用（yòng）案例中，系统都会接收输入信（xìn）息 — 比如照（zhào）片标签应用中的图片 — 并基于（yú）它（tā）从训练（liàn）数（shù）据库中学到的信息（xī）做（zuò）出决定或做（zuò）出反（fǎn）应。

如果拥有一个足够大（dà）的输入数（shù）据库，并（bìng）用对应的人工响（xiǎng）应 (或（huò）输出) 做以注释 ，那么就可以（yǐ）构建一个（gè）人工智能应用（yòng）程序，允（yǔn）许计（jì）算机（jī）系统接收新的输入数据并自行做出（chū）决定。这可以使过去不（bú）容（róng）易（yì）自动化的流程变的可以自动运作，最终提升仓库啊的运（yùn）营（yíng）效率。而实现这一目的的（de）关键（jiàn）就是辅助做出决策（cè）的（de）数据（jù）库（kù）的大小、质量与多样性的程度。训练输（shū）入数据库越大（dà）、越多（duō）样化（huà），机器学习算法做（zuò）出的决策就（jiù）越优化。

二、选择可参照案例（lì）

当考（kǎo）虑在供（gòng）应链中应用人工（gōng）智（zhì）能的各种方案时，直接应用相应技术然后确定应用方案（àn）或许（xǔ）很有（yǒu）吸引力。但是，如果（guǒ）你（nǐ）首先分析一下公司业务面对（duì）的挑战（zhàn）与（yǔ）机遇，然后再选择相匹配（pèi）的人（rén）工智能技术来解决相关（guān）问题，这样的流程会有助（zhù）于你选（xuǎn）择更有效率、更适合（hé）的应用方案（àn）。

就仓库及其运（yùn）作而言，人工智能的应（yīng）用应该以企业所关注（zhù）并不断（duàn）优化的关键性能指标(KPI)为指导（订单准确性、安全性、生产率、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（zhǐ）标相关的数（shù）据，这些都可以被（bèi）人（rén）工智能应用程序用于（yú）自动完成（chéng）任务或做（zuò）出决策。然（rán）而，这些（xiē）数据由于数据类型的原因并不能直接用于人工智能（néng）技（jì）术，并且（qiě）通常分布（bù）在不（bú）同的仓（cāng）库（kù）管理系（xì）统中。因（yīn）此，在（zài）正式应用之前（qián），许多人工智能应用程序需（xū）要对不同（tóng）仓库管理（lǐ）信息系统中的数据进行整（zhěng）合（hé）。

下面的3个案例（生产力、设备利用率、效率）说明（míng）了人工智（zhì）能（néng）在仓储运营场景中（zhōng）的（de）应用潜力。虽然这些案例可（kě）能并不适用于所有仓库，但它们确（què）实展示了企业如何将自己已（yǐ）有的数据整（zhěng）合成可以应用机（jī）器学习技术（shù）的形式。

案例（lì）一（yī）、生（shēng）产（chǎn）力

在拣选（xuǎn）订单的（de）环节，所有的仓库都（dōu）存在不（bú）同员工的生产力不（bú）同这一（yī）现象（有效率最高的订（dìng）单拣选员也有变现一般的员工）。但是相对于使用系统引导（dǎo）进行拣选的仓（cāng）库而言，员工在生（shēng）产（chǎn）力方（fāng）面的差异在（zài）不（bú）使用系统引导的（de）仓库中（zhōng）表现（xiàn）更为明（míng）显。

对于那些（xiē）不使（shǐ）用系统引（yǐn）导进行拣选的仓库，机器学习提供了（le）一个可（kě）以更好推（tuī）广最高效员工经（jīng）验（yàn）的机会，并将系（xì）统引（yǐn）导模式引（yǐn）入到所有员工的工作中。如（rú）果联（lián）系到上文提到的监督学习，最高（gāo）效员工的（de）拣选列表将作为人（rén）工智能应用的输入数据（jù）；这些员工在拣选列表中货物的顺序决策即为（wéi）输出（chū）数据（基于条码扫（sǎo）描或（huò）其他可获取信息（xī））。除（chú）了最短拣选距离这一指标之外，避免拥挤通常是提升生产力的另外一个重要指标。因（yīn）为（wéi）最（zuì）佳（jiā）拣选员工（gōng）通（tōng）常（cháng）会同时考虑这两个（gè）因素，因此上面（miàn）的输入输（shū）出数据（jù）库应该已包含这些信息（xī）。

基于这些（xiē）精准（zhǔn）标注的数据，机器学习算法在（zài）接收新的订单数据后案（àn）最（zuì）佳原则进行归（guī）类。通过这种方式，算法可以复制最（zuì）有效员（yuán）工的拣选操作，并提高所有员工的生产力。

案例二、设（shè）备（bèi）利用率

某（mǒu）一仓库一天（tiān）内需（xū）要搬运的容（róng）器或托盘（pán）数量（liàng）与所需的搬运设备（bèi）数量之（zhī）间有一定的关（guān）系。在大（dà）多数情况（kuàng）下（xià），两（liǎng）者之间是一种线性关系。但是，某（mǒu）些因素（例如操（cāo）作（zuò）人员的技能水平或（huò）货物的混合存放等）也可（kě）能会影响到所需搬运设备的佘亮。

在（zài）这种（zhǒng）情况下，输入数据就需要包括所有可能影响设（shè）备需求的（de）数据（jù）（从仓库（kù）管理系统中调用的拣选订单清单以及从员工（gōng）管理（lǐ）系统中获取的操（cāo）作人员生产力水平（píng）等信息（xī））。输出信息包括从升降搬运车（chē）管理系统中获得的搬运设备使用率信息。

基（jī）于这一精准（zhǔn）标注的（de）数（shù）据库，机器学习（xí）算法将可以接收未来数（shù）星（xīng）期或数月的订单预测信息和（hé）现有员工（gōng）的技能水（shuǐ）平（píng）信（xìn）息（xī），进而预（yù）估出所需（xū）搬运设备的数（shù）量（liàng）。升降搬运车车队经理将在同设备供应商的协商中采纳这些信息作为决策（cè）参考，以确保通过短期租赁（lìn）或（huò）新（xīn）设备（bèi）购买（mǎi）的方（fāng）式来确保在（zài）某（mǒu）一期限内（nèi）获取合适（shì）数量的（de）搬运（yùn）设备（bèi）进行拣选操（cāo）作。

案（àn）例三（sān）、效率

一个好的货位策（cè）略应该是将（jiāng）高（gāo）需求（qiú）的SKU尽量集中（zhōng）放（fàng）在（zài）最佳位置但同时又要适（shì）当的分散摆放（fàng），以降低（dī）拥堵程度来提高（gāo）拣（jiǎn）选效率。但由于（yú）需求的不断变化（huà）以及（jí）SKU的数量（某些仓库中（zhōng）可（kě）能（néng）有数千个SKU），仓库（kù）很难仅仅依靠员工来判断SKU的需求量来实（shí）现（xiàn）最佳存放。因此一些（xiē）仓库运（yùn）营商（shāng）会使用货位分配软（ruǎn）件来（lái）帮助确定SKU摆放位置（zhì）。这些（xiē）软件会提供操作界面允许客（kè）户修改运作规则。当接收到销售历史（shǐ）数（shù）据或未来销售预测（cè）信息后，软件就会推荐相应（yīng）的货（huò）位策略。但是，负责软件的人（rén）员经（jīng）常会依据（jù）自己的经（jīng）验来修（xiū）改（gǎi）策略，而（ér）这些经验却往往不能反应出拣选操作的（de）真实（shí）情况。

在这种情况下（xià），输入数据就是软（ruǎn）件（jiàn）所推荐的货位（wèi）策（cè）略。输出数据是最终（zhōng）决定执行的策略。机器学习算法可以和货位分配软件结合，通过对实（shí）施最终货位摆放策略的员工的倾向性进行不断的学习，最终（zhōng）实现自（zì）动（dòng）调整。

三、制定策略

明确仓（cāng）储相关领域（yù）可以从人工智（zhì）能技术获益之后，制定（dìng）相关的（de）应用策略将非常重（chóng）要。在其发表于《哈（hā）佛商业评论》的文章中，Andrew Ng对高管们应该如何定位公司的（de）人工智能策略提出了一些有（yǒu）益的看法。他写（xiě）道，制定一（yī）个成功战（zhàn）略的关键是“理解在哪里（lǐ）创造价（jià）值，什么（me）是很难复制的”。

Ng指出，人工（gōng）智能研究人员经常发布和分享他（tā）们的想法，并公布（bù）他（tā）们的代码，因此我们（men）可以（yǐ）很便捷地接触到最（zuì）新（xīn）理念及进（jìn）展。相反，“稀（xī）缺资（zī）源”是数据和（hé）人（rén）才，而这两（liǎng）点对（duì）企业制定人工智能策（cè）略获取竞争优势（shì）极为（wéi）关键（jiàn）。在数据源已经（jīng）被精确连接到了对应的输出（chū）信息的情况下，复制一款（kuǎn）软件比（bǐ）获（huò）得（dé）原始数（shù）据要简单的多。因此，具（jù）有鉴别与获取有（yǒu）价值的数据（jù）并有能力根据实际情况修（xiū）改软件参数以最（zuì）大化利用这些数据的人员，将是制定人（rén）工智能策略过（guò）程中关键而具（jù）有差异性的组成部分。也（yě）就是说，如果一个企业向推（tuī）进人工（gōng）智能在仓储场（chǎng）景下的（de）应用，那（nà）么它就必须将重点放在提高数据和人才的质量（liàng）这两方面。

关于数据，要明确的一个关键问题是：哪些（xiē）数（shù）据是你（nǐ）的公司所独有而且可以用来提高与业务（wù）相（xiàng）关的（de）KPI？这一点明（míng）确之后，就需（xū）要（yào）提高仓储管理系统中的数据的质量（liàng）。这一步通（tōng）常被称为数据（jù）管控，来确保供应链运作相（xiàng）关的数据具有一个可以“真实（shí）反映（yìng）客观事实的（de）来源”。

举例来讲（jiǎng）。叉车司机的（de）信息可（kě）以存储在不同的（de）信息系统中，包括人（rén）力资源系统、员工管理系统、仓库管（guǎn）理系统、叉车车队（duì）管理系（xì）统等。如果司机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（fèn）号码就可能（néng）出现不匹（pǐ）配的情况。比（bǐ）如，一个人可以在（zài）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）则只登记为Joanne Smith，同时没（méi）有（yǒu）认可身份号码。

对（duì）于（yú）跨系统整合数据（jù）的机（jī）器学习应用案例来说（shuō），数据必须是干（gàn）净的（de）。具（jù）有良好数据管控能力的企业可以将其中某一系统（tǒng）定义为存（cún）有主要数据的系统，并在需要时通过（guò）应用程序编程接（jiē）口（API）将（jiāng）这一（yī）数据导入其他任意（yì）系统中。

如果需要（yào）整合来（lái）源于多个系统的数（shù）据（jù），那接下来要（yào）面（miàn）对的挑战就是数（shù）据集成。也就是说，要（yào）确（què）保（bǎo）所有（yǒu）来源于（yú）不同仓储运作相关的系统中的数据可以被整合成一种可以用来机器学习的（de）形式。这（zhè）就需要与供应（yīng）商紧密合作，以了解（jiě）对方的运（yùn）营能力以及整合来自车队管理（lǐ）、员工管理、仓库管理、企业（yè）资源管理等（děng）不同系统的数（shù）据的潜力。这就为支持数据分析以及客户（hù）定制化的（de）人工智能应用奠定了（le）数字化（huà）基础。在技术上具有挑战性，但许多（duō）系统中嵌（qiàn）入的API接口简（jiǎn）化了这一任务。

一个（gè）更（gèng）大的挑战可能来（lái）自于（yú）人才领域。在你的公司（sī）中有多少人专职进行管控、集（jí）成于抓取正在创建的数（shù）据信息？如果答案是“还不够（gòu）”，那么（me）你就要考虑设（shè）置一个高（gāo）管级别（bié）的（de）职（zhí）位，致力于（yú）在董事会（huì）层面来积极推动以公司数据资产为（wéi）来源来建（jiàn）立企业竞争优势（shì）。

这种高级别（bié）的助推策略，可以从确（què）定公司如何在这一领（lǐng）域构建能力开始。对大多数公司来讲，也可以通过内部员工和外部（bù）顾（gù）问的组合来实（shí）现。甚至有一些（xiē）众筹的机（jī）器学习平台（tái）（例如Kaggle和（hé）Experfy）可以协助你将你在数据方面要面（miàn）对的（de）挑（tiāo）战与（yǔ）世（shì）界各地的专家之（zhī）间建立起联系（xì）。因为今天（tiān）你所获得（dé）的数据可能会对（duì）未来的机器学习应用（yòng）产生深远（yuǎn）影响，因此建立数据能力是一个优先需要考（kǎo）虑的事项。许多大型企业已经在内部成立（lì）了（le）专门部门来引（yǐn）导（dǎo）人工智能及数（shù）据分析方面的（de）工作，这一需求也使得（dé）这一领域（yù）的专业人才变的炙手可热。

四、感想总结

虽然供应链经（jīng）理需要评估各（gè）种技术以及指导以科技为基础的革新，但人工智能不应因（yīn）此被（bèi）忽略。但（dàn）它也（yě）不应该被（bèi）视作可以瞬间完成供（gòng）应链变革（gé）的万灵药（yào）。相反（fǎn）地，人工智（zhì）能应该被定义为一（yī）个（gè）可（kě）以（yǐ）提（tí）升与企业成功密切相关的KPI指标的（de）工（gōng）具。使用这一工具并不需要（yào）成为（wéi）人工智能领域的专家（jiā），但必须确保你的企业满足了前文所提到的三个基本要求：确定与（yǔ）提升企业绩效相关的高价值（zhí）应用案例；创立（lì）可以（yǐ）整合这些高价值数据（jù）的（de）数字基础（chǔ）设施；开始建立一个由内部与外（wài）部专家组成的专（zhuān）业团队。