人工智（zhì）能（néng）近年来的迅猛（měng）发（fā）展，预示（shì）着其将（jiāng）为仓库运作方（fāng）式（shì）带来革命性的变革。但在企业决定在运营（yíng）实践中引入并实施这一新技术之前，必须要确保已拥有（yǒu）相关数据及所需人才。

对相关企业而言，即时关注并对（duì）供应链技（jì）术的进步具有敏感性几乎（hū）已经（jīng）成为必须。机（jī）器（qì）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（bù）展示出（chū）其在提升货物运输，处（chù）理，存储和（hé）配送（sòng）效率方面的潜力。这些新（xīn）技术的不断涌现，使（shǐ）得我们很难确（què）认究（jiū）竟（jìng）应（yīng）把注意（yì）力集中在哪一方面。

在这其中（zhōng）一（yī）项值得仔细研究的新技术是人工智能(AI)。简单而言， 人工智能是计算机（jī）系统发展到一定（dìng）阶段的产物，即代为执行通（tōng）常（cháng）需（xū）要（yào）人类智（zhì）能参与的任（rèn）务（如视觉感（gǎn）知、语音识别、决策和语言翻译）。人工智能出现于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入到计算机中。

近年来，机器学习作为一种典型的人工智能技术。机器学习主（zhǔ）要是（shì）探索如何可以使计（jì）算机程序通过对输入数（shù）据的学习来提高其输（shū）出性能。这些（xiē）程（chéng）序可以嵌入（rù）在机器中，也可以在服务器或云端操作。亚马逊(Amazon)、谷歌、Facebook、微软(Microsoft)等大型科技公司（sī）已经将机器学习融入到他们的产（chǎn）品和服务中（zhōng），为（wéi）用户提供：相（xiàng）关（guān）度更高的网络搜索内容，更好（hǎo）的图像（xiàng）与（yǔ）语音识别（bié）技术（shù）以（yǐ）及更智能（néng）化的（de）设备。

机器学（xué）习与数据分析（xī）（收集、转换及数（shù）据分析（xī）的（de）流（liú）程）之（zhī）间有一些相（xiàng）似之处。两者都需要一个经过（guò）清理的、多样化的、大型的数据库才（cái）能有效（xiào）地运作。然而，主要的区（qū）别在（zài）于，数据分析允（yǔn）许用户从（cóng）数据中得出结论，进而要求用户采取相应措（cuò）施来（lái）改善其供应链。相比较而言，对于已处于可解决范畴内（nèi）的（de）问题，机（jī）器（qì）学习可以基（jī）于“训练数据（jù）库”自动执行操作（本文后续（xù）关于（yú）监督学习的部（bù）分将对此进行讨论）。基于其允许（xǔ）任（rèn）务自动执行这一特性，人工智能 — 尤其是机器学习 — 对许（xǔ）多供应链管理（lǐ）人员来说（shuō）都是一项值（zhí）得关注的重要技术。对（duì）于今（jīn）天（tiān）的（de）许多企业来讲，制定（dìng）并实施供应链（liàn）相关（guān）的人工（gōng）智能战略，将使其（qí）随着技术的逐（zhú）渐成熟，提（tí）升（shēng）自身（shēn）的生产（chǎn）力、速（sù）度与（yǔ）效率。

一、人工智能的（de）发（fā）展现状

人（rén）工智能近期的（de）迅猛（měng）发展，得益于以（yǐ）下因素的共同作用。第一（yī），各种设备的互通互连而产（chǎn）生的数据量（liàng）的增长以及促（cù）使日常生活数字（zì）化的高级传感器的使用的增长（zhǎng）。第（dì）二，从移动设备到云计算，各种设备的计算能力也在持（chí）续增长（zhǎng）。因此，机器学习（xí）可以运行在最（zuì）新的（de）硬件运算设备上，同时获取大批（pī）量（liàng）、多样化及高质量（liàng）的数据库，进而自（zì）动执（zhí）行（háng）各种任（rèn）务。

案例（lì）一：

下面是一（yī）个众（zhòng）多消（xiāo）费者将逐渐熟悉的（de）场景（jǐng）。如果你有一个iphoness而且每（měi）天早晨通（tōng）勤上（shàng）下班， 最近一段时间你可能（néng）留意到（dào）了（le）以下情况：当你（nǐ）坐进（jìn）汽车的时候，你的手机将自动提示你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。当这一现象（xiàng）第（dì）一次发生时（shí），你可（kě）能会有（yǒu）这样的疑惑（huò）：“手机（jī）怎么会知道我要去上班？感（gǎn）觉很酷，但也有一点点恐（kǒng）怖”。

因为内置了机器（qì）学习功能，手机可以根据你过去做过的（de）事情来预测你将（jiāng）要什（shí）么。如果你换了新（xīn）工作或者开车去（qù）了另外一（yī）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（fā）出新的通知。这一应用场（chǎng）景的（de）特（tè）别强（qiáng）大之处在于：设备对用户来（lái）说（shuō）越来越有帮助，而用户（hù）或软（ruǎn）件（jiàn）开发人员不必采取任何（hé）行动。

另一（yī）个场景（jǐng）是自动驾（jià）驶汽车。目前路面上（shàng）行驶的自动驾驶汽车正在被用来（lái）收集（jí）数据，用来改进下一代自（zì）动（dòng）驾驶汽车的技术。当人（rén）工操作（zuò）人员（yuán）直接对车辆进（jìn）行控制时（shí），相关的数据就会与其他（tā）车辆的（de）数据汇（huì）集起来并进行对比分析，以确定在何种情况下自动驾驶汽（qì）车将切换到由人工驾驶模式。这样（yàng）的数据收集与分析将使得自动（dòng）驾驶汽车变（biàn）得更加（jiā）智（zhì）能。

虽（suī）然人们很容易被（bèi）今天人工（gōng）智能相关的（de）令（lìng）人兴奋的发展所鼓舞，但了解人（rén）工智能的局限性也很重要。在（zài）《哈佛（fó）商业评论》(Harvard Business Review) 2016年的一篇文章中（zhōng），《人（rén）工智能现阶段的能与（yǔ）不能》，斯（sī）坦福人工（gōng）智（zhì）能实验室前（qián）负责人、跨国科技公司百度的人工智能团队前首（shǒu）席科（kē）学家Andrew Ng明确表（biǎo）示，“人工智能（néng）将变革（gé）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）功的实施案例，但大多（duō）数都是（shì）在监（jiān）督学习的场景下展（zhǎn）开应（yīng）用（yòng）。在这一模（mó）式下，每一个（gè）训练输（shū）入数（shù）据库与正确（què）的输出决策相关联。机器学习算法通过比对这个（gè）训练库的（de）信息来根（gēn）据新的输（shū）入数（shù）据做（zuò）出决策。监督学习的一些常见应用包括照片标（biāo）记、贷款处理（lǐ）与（yǔ）语音识别。在每一个（gè）应用案例中，系统都会接收输入信息 — 比如（rú）照片标签应用中的图片 — 并基于它从训练数据库中学到的信息做出决定或做出（chū）反应。

如果拥有（yǒu）一个足够大（dà）的输入数据库，并用对应的人（rén）工响应（yīng） (或输出（chū）) 做以注释 ，那么就可以构建一个人工智能应用程序，允许计（jì）算机系（xì）统接收新的输入数据（jù）并（bìng）自行做（zuò）出决定。这可以使过去不容易自动化的流程（chéng）变的可以（yǐ）自动运作，最终提升仓库（kù）啊的（de）运营效率。而实现这一目的的关键（jiàn）就是辅（fǔ）助做出（chū）决（jué）策（cè）的数据库的大小、质量（liàng）与多样（yàng）性的程度。训练输（shū）入（rù）数据库越大、越多样化，机器学习算法（fǎ）做出的决策就越优（yōu）化。

二（èr）、选择可参照案例

当（dāng）考虑在供应（yīng）链中应用人（rén）工智能的各种（zhǒng）方案时，直接应用相应技术然后确定应用方案（àn）或许（xǔ）很有吸引力。但是（shì），如果你首先分析一下公司业务面对的挑战与机遇，然（rán）后再选择相匹（pǐ）配的人工智能技术（shù）来解（jiě）决（jué）相关问（wèn）题，这样的流程会（huì）有助于你选择更（gèng）有效率、更适合的应用（yòng）方案。

就仓库（kù）及其运作而言，人工（gōng）智能的应用应该以（yǐ）企业（yè）所关注并不断优化的关键（jiàn）性能指（zhǐ）标(KPI)为指（zhǐ）导（订单准确性、安（ān）全性（xìng）、生产率、履行时间、设施损坏或库存准确（què）性等）。仓库通常已经拥有大量与KPI指（zhǐ）标相（xiàng）关的数据，这些都可以被人（rén）工（gōng）智能应用（yòng）程序用于自动（dòng）完成任务或做出决策。然而（ér），这些数据（jù）由于数据类型的原（yuán）因并不能直接用于人工智（zhì）能技术（shù），并且通常分布在（zài）不同的仓库管（guǎn）理系（xì）统中。因此，在正式应用之前（qián），许多（duō）人工智能（néng）应（yīng）用（yòng）程（chéng）序需要对不同（tóng）仓库（kù）管理信（xìn）息系统中的数据进行（háng）整合。

下（xià）面（miàn）的3个案例（生产力（lì）、设（shè）备利用率、效率）说明了人工智能在（zài）仓（cāng）储运营场景中（zhōng）的应用潜力。虽然这些案例可能并不适（shì）用（yòng）于所有仓库，但它们确实展（zhǎn）示（shì）了企业如（rú）何将自己已（yǐ）有的数据整合成可以（yǐ）应用（yòng）机器学习技术的形式。

案例一、生产力

在拣选订（dìng）单的环节，所有的（de）仓库都存（cún）在不同员工的生产力不同（tóng）这一现象（有效（xiào）率最高的订单（dān）拣选员也有变现一般的员工）。但（dàn）是相（xiàng）对于使用系（xì）统引导进行拣选的仓库而言，员（yuán）工在生产力方（fāng）面的差异（yì）在不使用系统引导的仓（cāng）库中表现更为（wéi）明显。

对于那些不（bú）使（shǐ）用系统（tǒng）引导进（jìn）行拣选的仓库（kù），机器学习提（tí）供了（le）一个可以更好推广最高效员工经验（yàn）的（de）机会，并将系统引导模式引（yǐn）入（rù）到所有员工的工（gōng）作中（zhōng）。如（rú）果联（lián）系到上文提到的（de）监督学（xué）习（xí），最（zuì）高（gāo）效员（yuán）工的拣选列表将（jiāng）作为人工智（zhì）能（néng）应用的输（shū）入数据；这（zhè）些员工在拣选（xuǎn）列表中货物的（de）顺序决策（cè）即为输出数据（基（jī）于条码扫（sǎo）描或其他可获取信息）。除（chú）了最（zuì）短拣（jiǎn）选（xuǎn）距离这一指标（biāo）之外，避免（miǎn）拥（yōng）挤通常是提升生（shēng）产力（lì）的另外一个重要指标。因（yīn）为最（zuì）佳拣选员工通常会同时考虑这两个因素，因此上面的输（shū）入输出数据库应该已（yǐ）包含（hán）这些信息。

基于这些精准（zhǔn）标（biāo）注（zhù）的数据，机器学习算（suàn）法在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（suàn）法可以复制最有效（xiào）员工的（de）拣选操作，并提高所有员工的生（shēng）产力。

案例二、设备利用（yòng）率

某一仓库一天内需要搬运（yùn）的容器或托盘数量（liàng）与所需（xū）的（de）搬（bān）运设备数量（liàng）之（zhī）间有一（yī）定的关系。在大多数情况下，两者之间是一种线性（xìng）关系（xì）。但是，某些因素（例（lì）如（rú）操作人员的技（jì）能水（shuǐ）平或（huò）货（huò）物的（de）混合存放（fàng）等（děng））也（yě）可（kě）能（néng）会影响到（dào）所（suǒ）需搬运（yùn）设备的佘亮。

在这种情况下（xià），输入（rù）数据就（jiù）需要包括（kuò）所有（yǒu）可能影响设备需求的数据（从仓库（kù）管理（lǐ）系统中调用的拣（jiǎn）选（xuǎn）订单清单以及从员工管理系统中获（huò）取（qǔ）的操作人员生产力水平等信息）。输出信（xìn）息包（bāo）括从升（shēng）降搬运车管理系（xì）统中获（huò）得的搬运（yùn）设备使用率信息。

基（jī）于这一（yī）精准（zhǔn）标注的数据库，机器学习（xí）算法将可以接收未来数（shù）星期或数月的订单预测信息和现有员工（gōng）的技能水平（píng）信息，进而预估出所需搬运（yùn）设（shè）备的数量。升降搬运车车队经（jīng）理（lǐ）将在（zài）同设备供应商的协商中采（cǎi）纳这些信息作为决（jué）策参考，以确保（bǎo）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合（hé）适数量的搬（bān）运设备进行拣选操作。

案例三、效率

一（yī）个好（hǎo）的（de）货位策略应（yīng）该是将高需求的（de）SKU尽量集中（zhōng）放在最佳位置但同（tóng）时又要适当的（de）分散摆放，以降低拥（yōng）堵程（chéng）度来提高拣选效率。但由于需（xū）求的不（bú）断变化以（yǐ）及（jí）SKU的数量（某些仓库中可（kě）能有数千个SKU），仓（cāng）库很难仅仅依靠员工来判断（duàn）SKU的（de）需求量来实现最佳存放。因（yīn）此一（yī）些仓（cāng）库运营（yíng）商（shāng）会使用货位分配软（ruǎn）件来帮助确定SKU摆放位置（zhì）。这些软件会提供操作（zuò）界面（miàn）允（yǔn）许客（kè）户修改运作（zuò）规则（zé）。当接收（shōu）到销售历（lì）史（shǐ）数据（jù）或未来销售预测信（xìn）息后，软件就会推荐相应的货位策略。但是，负责（zé）软件的人员经常（cháng）会依据自己的经验（yàn）来修改策略，而这些经验却（què）往往不能反应出拣选操作的（de）真实情况。

在这种情况下，输入数据就是软件所推荐的货位（wèi）策略。输出（chū）数据是最终决（jué）定执行的策略。机器（qì）学习算法（fǎ）可以和货位（wèi）分配软件结合（hé），通过（guò）对实施最终货位摆（bǎi）放策略的员（yuán）工的倾向性进行不断的学习（xí），最终实现自动调整。

三、制（zhì）定策（cè）略

明确仓储相（xiàng）关领域（yù）可（kě）以从（cóng）人工智（zhì）能（néng）技（jì）术获益之后，制（zhì）定（dìng）相关（guān）的应用策略（luè）将非（fēi）常重要。在其发表于《哈佛商业评论》的文章中，Andrew Ng对高（gāo）管（guǎn）们应（yīng）该如何（hé）定位（wèi）公司（sī）的人工智能策（cè）略提出了一（yī）些有（yǒu）益的看法。他写（xiě）道（dào），制定一个成功（gōng）战略的关键是“理（lǐ）解在哪里创造价值，什么是很（hěn）难复制的”。

Ng指出，人工智能研究（jiū）人员经常（cháng）发布和分享他们的（de）想法，并公布他们的代码，因（yīn）此我们可以很便捷地接触到最新理念及进展。相反（fǎn），“稀缺资源”是数（shù）据（jù）和人才，而这两点对企业制定人工智能策（cè）略获取竞争优势极为关键。在数据源已经被（bèi）精确连（lián）接到了对应的输（shū）出信息的情况下，复制一款（kuǎn）软件（jiàn）比获得原始数据要（yào）简单的多。因（yīn）此，具有（yǒu）鉴别与（yǔ）获取有（yǒu）价值（zhí）的数据并（bìng）有能力根据实（shí）际情况修改软（ruǎn）件参数以最大化利（lì）用这些数（shù）据的（de）人员，将是制定人工（gōng）智能（néng）策略过程中关键而具有差异（yì）性的组成部分。也（yě）就是说，如果一个企业（yè）向（xiàng）推进（jìn）人工（gōng）智能在仓储场景下的（de）应（yīng）用，那么它就必须将（jiāng）重点放在提高数据（jù）和人才的质量这两方（fāng）面（miàn）。

关（guān）于（yú）数（shù）据，要明确的一个（gè）关键问题是（shì）：哪些数据是你的公（gōng）司所独有（yǒu）而且可以用来提高与业务相关的KPI？这（zhè）一（yī）点（diǎn）明确（què）之后（hòu），就需要提高仓储管理系统中（zhōng）的数据的（de）质（zhì）量（liàng）。这一步（bù）通常（cháng）被称（chēng）为数据管控，来确保供应链运作相关的数据具有一个可（kě）以（yǐ）“真实反（fǎn）映客（kè）观事实的来源”。

举例来讲（jiǎng）。叉车司机的（de）信息可以（yǐ）存储在不同（tóng）的信（xìn）息系统中，包（bāo）括人力资源系统（tǒng）、员工管（guǎn）理系统、仓库（kù）管理系统、叉车车队（duì）管理系（xì）统等。如果（guǒ）司机信（xìn）息被分别录（lù）入以上系统，那么同一员工的姓名及身份（fèn）号码就（jiù）可（kě）能出（chū）现（xiàn）不匹配的情况。比（bǐ）如，一个人可以在WMS中被标识为（wéi）Jo Smith， #01425； 在LMS系统（tǒng）中为Joanne Smith， #1425； 而在车队管理（lǐ）系统中则只登记为Joanne Smith，同时没有认可（kě）身份号码。

对于（yú）跨系（xì）统整合（hé）数据（jù）的机器（qì）学习应用案例（lì）来说，数（shù）据（jù）必（bì）须（xū）是干净（jìng）的。具有良好数据管控（kòng）能力的企业可以将其（qí）中某一系统定义为存有主要数据的系统（tǒng），并（bìng）在需要时通过应用程序编程接口（kǒu）（API）将这一数据导入其他任（rèn）意系统中（zhōng）。

如果需要整合来（lái）源（yuán）于多个系统（tǒng）的数据，那接下来要面对的挑（tiāo）战（zhàn）就是数据集成。也就是说，要确保所有来源（yuán）于不同仓（cāng）储（chǔ）运作（zuò）相关的系统中的数据（jù）可以被整合成一种可以用来机器学（xué）习的形式。这（zhè）就（jiù）需要与供应商紧密合作，以（yǐ）了解对方的（de）运营能力以及整合（hé）来自车队管理、员工管理、仓库（kù）管理、企（qǐ）业资（zī）源管理等不同（tóng）系统的数（shù）据的潜力。这就为支持数据分析以及客户定制化的人工智能（néng）应用奠定了数字化基础。在技术上具有挑（tiāo）战性（xìng），但许（xǔ）多系（xì）统中嵌入的API接口简化了这一（yī）任务。

一个更大的挑（tiāo）战（zhàn）可（kě）能来自于人才领域（yù）。在你的公司中有多少人专（zhuān）职进行管控、集成（chéng）于抓取正在创建的数据信息？如果答案是“还不够”，那么你就要考虑设置一个（gè）高管级别的职（zhí）位，致力于在董事会层面来（lái）积极推动以公司数据资产为来（lái）源来建（jiàn）立企业（yè）竞争优势。

这（zhè）种高级别的助（zhù）推策略，可以从（cóng）确定公（gōng）司（sī）如何在这一领域构建能力开始（shǐ）。对（duì）大多数公司来讲，也可（kě）以通过内部员（yuán）工和外部顾问的组合（hé）来（lái）实现。甚至有（yǒu）一些众（zhòng）筹的机器学习平台（例如Kaggle和Experfy）可以协助你将你在（zài）数（shù）据方面要面（miàn）对的挑战（zhàn）与世界各地（dì）的专（zhuān）家之间（jiān）建立起联系。因为今天你所获得的数据可（kě）能会（huì）对未来的机器学（xué）习应用产生深远影响（xiǎng），因此（cǐ）建立数据能力是一个优先需要考虑（lǜ）的事项。许多大型企（qǐ）业已经在内部成立了专门部门（mén）来引（yǐn）导人工智能（néng）及数据分析方面（miàn）的工作，这一需求（qiú）也（yě）使得这一领（lǐng）域的专业人才变（biàn）的炙（zhì）手可（kě）热（rè）。

四、感想总（zǒng）结

虽然供（gòng）应链经理需要（yào）评估各种技术以及（jí）指导以科技为基础的革新，但人工智能（néng）不应因（yīn）此被忽略。但它也不（bú）应（yīng）该（gāi）被视作可以瞬间完成（chéng）供应链变革的万灵药。相反地，人工智（zhì）能（néng）应该被定义（yì）为一个（gè）可以提升与企业（yè）成功密切相关的KPI指标的工具。使（shǐ）用这一工具并不需要成为人（rén）工智能领域的专家，但必须确保你的企（qǐ）业（yè）满足了（le）前文所提到的三（sān）个基本要求（qiú）：确定与提升（shēng）企业绩（jì）效相关的高价值应用（yòng）案例；创立（lì）可以整合这些高（gāo）价值（zhí）数据的数字基础设施；开始建立一个由内（nèi）部与外部专家组（zǔ）成的专业团队。