對相關企業而言，即時關注并對供應鏈技術的進步具有敏感性幾乎已經成為必須。機器人技術、自動化、數據分析和工業物聯網等各種新技術，正在逐步展示出其在提升貨物運輸，處理，存儲和配送效率方面的潛力。這些新技術的不斷涌現，使得我們很難確認究竟應把注意力集中在哪一方面。
在這其中一項值得仔細研究的新技術是人工智能(AI)。簡單而言， 人工智能是計算機系統發展到一定階段的產物，即代為執行通常需要人類智能參與的任務(如視覺感知、語音識別、決策和語言翻譯)。人工智能出現于1956年，但絕大多數情況下，我們都必須將智能程序明確地輸入到計算機中。
近年來，機器學習作為一種典型的人工智能技術。機器學習主要是探索如何可以使計算機程序通過對輸入數據的學習來提高其輸出性能。這些程序可以嵌入在機器中，也可以在服務器或云端操作。亞馬遜(Amazon)、谷歌、Facebook、微軟(Microsoft)等大型科技公司已經將機器學習融入到他們的產品和服務中，為用戶提供：相關度更高的網絡搜索內容，更好的圖像與語音識別技術以及更智能化的設備。
機器學習與數據分析(收集、轉換及數據分析的流程)之間有一些相似之處。兩者都需要一個經過清理的、多樣化的、大型的數據庫才能有效地運作。然而，主要的區別在于，數據分析允許用戶從數據中得出結論，進而要求用戶采取相應措施來改善其供應鏈。相比較而言，對于已處于可解決范疇內的問題，機器學習可以基于“訓練數據庫”自動執行操作(本文后續關于監督學習的部分將對此進行討論)。基于其允許任務自動執行這一特性，人工智能 — 尤其是機器學習 — 對許多供應鏈管理人員來說都是一項值得關注的重要技術。對于今天的許多企業來講，制定并實施供應鏈相關的人工智能戰略，將使其隨著技術的逐漸成熟，提升自身的生產力、速度與效率。
一、人工智能的發展現狀
人工智能近期的迅猛發展，得益于以下因素的共同作用。第一，各種設備的互通互連而產生的數據量的增長以及促使日常生活數字化的高級傳感器的使用的增長。第二，從移動設備到云計算，各種設備的計算能力也在持續增長。因此，機器學習可以運行在最新的硬件運算設備上，同時獲取大批量、多樣化及高質量的數據庫，進而自動執行各種任務。
案例一：
下面是一個眾多消費者將逐漸熟悉的場景。如果你有一個iphone而且每天早晨通勤上下班， 最近一段時間你可能留意到了以下情況：當你坐進汽車的時候，你的手機將自動提示你開車去公司將需要多少時間，根據實時的路況信息給出最佳行車路線的建議。當這一現象第一次發生時，你可能會有這樣的疑惑：“手機怎么會知道我要去上班?感覺很酷，但也有一點點恐怖”。
因為內置了機器學習功能，手機可以根據你過去做過的事情來預測你將要什么。如果你換了新工作或者開車去了另外一個目的地，設備會自動調整它的預測，并根據新的目的地發出新的通知。這一應用場景的特別強大之處在于：設備對用戶來說越來越有幫助，而用戶或軟件開發人員不必采取任何行動。
另一個場景是自動駕駛汽車。目前路面上行駛的自動駕駛汽車正在被用來收集數據，用來改進下一代自動駕駛汽車的技術。當人工操作人員直接對車輛進行控制時，相關的數據就會與其他車輛的數據匯集起來并進行對比分析，以確定在何種情況下自動駕駛汽車將切換到由人工駕駛模式。這樣的數據收集與分析將使得自動駕駛汽車變得更加智能。
雖然人們很容易被今天人工智能相關的令人興奮的發展所鼓舞，但了解人工智能的局限性也很重要。在《哈佛商業評論》(Harvard Business Review) 2016年的一篇文章中，《人工智能現階段的能與不能》，斯坦福人工智能實驗室前負責人、跨國科技公司百度的人工智能團隊前首席科學家Andrew Ng明確表示，“人工智能將變革許多行業，但它并不具有無所不能的魔力。”
Ng強調，雖然人工智能已經有很多成功的實施案例，但大多數都是在監督學習的場景下展開應用。在這一模式下，每一個訓練輸入數據庫與正確的輸出決策相關聯。機器學習算法通過比對這個訓練庫的信息來根據新的輸入數據做出決策。監督學習的一些常見應用包括照片標記、貸款處理與語音識別。在每一個應用案例中，系統都會接收輸入信息 — 比如照片標簽應用中的圖片 — 并基于它從訓練數據庫中學到的信息做出決定或做出反應。
如果擁有一個足夠大的輸入數據庫，并用對應的人工響應 (或輸出) 做以注釋 ，那么就可以構建一個人工智能應用程序，允許計算機系統接收新的輸入數據并自行做出決定。這可以使過去不容易自動化的流程變的可以自動運作，最終提升倉庫啊的運營效率。而實現這一目的的關鍵就是輔助做出決策的數據庫的大小、質量與多樣性的程度。訓練輸入數據庫越大、越多樣化，機器學習算法做出的決策就越優化。
二、選擇可參照案例
當考慮在供應鏈中應用人工智能的各種方案時，直接應用相應技術然后確定應用方案或許很有吸引力。但是，如果你首先分析一下公司業務面對的挑戰與機遇，然后再選擇相匹配的人工智能技術來解決相關問題，這樣的流程會有助于你選擇更有效率、更適合的應用方案。
就倉庫及其運作而言，人工智能的應用應該以企業所關注并不斷優化的關鍵性能指標(KPI)為指導(訂單準確性、安全性、生產率、履行時間、設施損壞或庫存準確性等)。倉庫通常已經擁有大量與KPI指標相關的數據，這些都可以被人工智能應用程序用于自動完成任務或做出決策。然而，這些數據由于數據類型的原因并不能直接用于人工智能技術，并且通常分布在不同的倉庫管理系統中。因此，在正式應用之前，許多人工智能應用程序需要對不同倉庫管理信息系統中的數據進行整合。
下面的3個案例(生產力、設備利用率、效率)說明了人工智能在倉儲運營場景中的應用潛力。雖然這些案例可能并不適用于所有倉庫，但它們確實展示了企業如何將自己已有的數據整合成可以應用機器學習技術的形式。
案例一、生產力
在揀選訂單的環節，所有的倉庫都存在不同員工的生產力不同這一現象(有效率最高的訂單揀選員也有變現一般的員工)。但是相對于使用系統引導進行揀選的倉庫而言，員工在生產力方面的差異在不使用系統引導的倉庫中表現更為明顯。
對于那些不使用系統引導進行揀選的倉庫，機器學習提供了一個可以更好推廣最高效員工經驗的機會，并將系統引導模式引入到所有員工的工作中。如果聯系到上文提到的監督學習，最高效員工的揀選列表將作為人工智能應用的輸入數據;這些員工在揀選列表中貨物的順序決策即為輸出數據(基于條碼掃描或其他可獲取信息)。除了最短揀選距離這一指標之外，避免擁擠通常是提升生產力的另外一個重要指標。因為最佳揀選員工通常會同時考慮這兩個因素，因此上面的輸入輸出數據庫應該已包含這些信息。
基于這些精準標注的數據，機器學習算法在接收新的訂單數據后案最佳原則進行歸類。通過這種方式，算法可以復制最有效員工的揀選操作，并提高所有員工的生產力。
案例二、設備利用率
某一倉庫一天內需要搬運的容器或托盤數量與所需的搬運設備數量之間有一定的關系。在大多數情況下，兩者之間是一種線性關系。但是，某些因素(例如操作人員的技能水平或貨物的混合存放等)也可能會影響到所需搬運設備的佘亮。
在這種情況下，輸入數據就需要包括所有可能影響設備需求的數據(從倉庫管理系統中調用的揀選訂單清單以及從員工管理系統中獲取的操作人員生產力水平等信息)。輸出信息包括從升降搬運車管理系統中獲得的搬運設備使用率信息。
基于這一精準標注的數據庫，機器學習算法將可以接收未來數星期或數月的訂單預測信息和現有員工的技能水平信息，進而預估出所需搬運設備的數量。升降搬運車車隊經理將在同設備供應商的協商中采納這些信息作為決策參考，以確保通過短期租賃或新設備購買的方式來確保在某一期限內獲取合適數量的搬運設備進行揀選操作。
案例三、效率
一個好的貨位策略應該是將高需求的SKU盡量集中放在最佳位置但同時又要適當的分散擺放，以降低擁堵程度來提高揀選效率。但由于需求的不斷變化以及SKU的數量(某些倉庫中可能有數千個SKU)，倉庫很難僅僅依靠員工來判斷SKU的需求量來實現最佳存放。因此一些倉庫運營商會使用貨位分配軟件來幫助確定SKU擺放位置。這些軟件會提供操作界面允許客戶修改運作規則。當接收到銷售歷史數據或未來銷售預測信息后，軟件就會推薦相應的貨位策略。但是，負責軟件的人員經常會依據自己的經驗來修改策略，而這些經驗卻往往不能反應出揀選操作的真實情況。
在這種情況下，輸入數據就是軟件所推薦的貨位策略。輸出數據是最終決定執行的策略。機器學習算法可以和貨位分配軟件結合，通過對實施最終貨位擺放策略的員工的傾向性進行不斷的學習，最終實現自動調整。
三、制定策略
明確倉儲相關領域可以從人工智能技術獲益之后，制定相關的應用策略將非常重要。在其發表于《哈佛商業評論》的文章中，Andrew Ng對高管們應該如何定位公司的人工智能策略提出了一些有益的看法。他寫道，制定一個成功戰略的關鍵是“理解在哪里創造價值，什么是很難復制的”。
Ng指出，人工智能研究人員經常發布和分享他們的想法，并公布他們的代碼，因此我們可以很便捷地接觸到最新理念及進展。相反，“稀缺資源”是數據和人才，而這兩點對企業制定人工智能策略獲取競爭優勢極為關鍵。在數據源已經被精確連接到了對應的輸出信息的情況下，復制一款軟件比獲得原始數據要簡單的多。因此，具有鑒別與獲取有價值的數據并有能力根據實際情況修改軟件參數以最大化利用這些數據的人員，將是制定人工智能策略過程中關鍵而具有差異性的組成部分。也就是說，如果一個企業向推進人工智能在倉儲場景下的應用，那么它就必須將重點放在提高數據和人才的質量這兩方面。
關于數據，要明確的一個關鍵問題是：哪些數據是你的公司所獨有而且可以用來提高與業務相關的KPI?這一點明確之后，就需要提高倉儲管理系統中的數據的質量。這一步通常被稱為數據管控，來確保供應鏈運作相關的數據具有一個可以“真實反映客觀事實的來源”。
舉例來講。叉車司機的信息可以存儲在不同的信息系統中，包括人力資源系統、員工管理系統、倉庫管理系統、叉車車隊管理系統等。如果司機信息被分別錄入以上系統，那么同一員工的姓名及身份號碼就可能出現不匹配的情況。比如，一個人可以在WMS中被標識為Jo Smith， #01425; 在LMS系統中為Joanne Smith， #1425; 而在車隊管理系統中則只登記為Joanne Smith，同時沒有認可身份號碼。
對于跨系統整合數據的機器學習應用案例來說，數據必須是干凈的。具有良好數據管控能力的企業可以將其中某一系統定義為存有主要數據的系統，并在需要時通過應用程序編程接口(API)將這一數據導入其他任意系統中。
如果需要整合來源于多個系統的數據，那接下來要面對的挑戰就是數據集成。也就是說，要確保所有來源于不同倉儲運作相關的系統中的數據可以被整合成一種可以用來機器學習的形式。這就需要與供應商緊密合作，以了解對方的運營能力以及整合來自車隊管理、員工管理、倉庫管理、企業資源管理等不同系統的數據的潛力。這就為支持數據分析以及客戶定制化的人工智能應用奠定了數字化基礎。在技術上具有挑戰性，但許多系統中嵌入的API接口簡化了這一任務。
一個更大的挑戰可能來自于人才領域。在你的公司中有多少人專職進行管控、集成于抓取正在創建的數據信息?如果答案是“還不夠”，那么你就要考慮設置一個高管級別的職位，致力于在董事會層面來積極推動以公司數據資產為來源來建立企業競爭優勢。
這種高級別的助推策略，可以從確定公司如何在這一領域構建能力開始。對大多數公司來講，也可以通過內部員工和外部顧問的組合來實現。甚至有一些眾籌的機器學習平臺(例如Kaggle和Experfy)可以協助你將你在數據方面要面對的挑戰與世界各地的專家之間建立起聯系。因為今天你所獲得的數據可能會對未來的機器學習應用產生深遠影響，因此建立數據能力是一個優先需要考慮的事項。許多大型企業已經在內部成立了專門部門來引導人工智能及數據分析方面的工作，這一需求也使得這一領域的專業人才變的炙手可熱。
四、感想總結
雖然供應鏈經理需要評估各種技術以及指導以科技為基礎的革新，但人工智能不應因此被忽略。但它也不應該被視作可以瞬間完成供應鏈變革的萬靈藥。相反地，人工智能應該被定義為一個可以提升與企業成功密切相關的KPI指標的工具。使用這一工具并不需要成為人工智能領域的專家，但必須確保你的企業滿足了前文所提到的三個基本要求：確定與提升企業績效相關的高價值應用案例;創立可以整合這些高價值數據的數字基礎設施;開始建立一個由內部與外部專家組成的專業團隊。
京公網安備 11010502049343號