人工智能近年來的迅猛發(fā)展，預示著其將為倉庫運作方式帶來革命性的變革。但在企業(yè)決定在運營實踐中引入并實施這一新技術之前，必須要確保已擁有相關數(shù)據(jù)及所需人才。
對相關企業(yè)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(jīng)成為必須。機器人技術、自動化、數(shù)據(jù)分析和工業(yè)物聯(lián)網(wǎng)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(xiàn)，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(tǒng)發(fā)展到一定階段的產(chǎn)物，即代為執(zhí)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(xiàn)于1956年，但絕大多數(shù)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(shù)據(jù)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(jīng)將機器學習融入到他們的產(chǎn)品和服務中，為用戶提供：相關度更高的網(wǎng)絡搜索內(nèi)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(shù)據(jù)分析（收集、轉(zhuǎn)換及數(shù)據(jù)分析的流程）之間有一些相似之處。兩者都需要一個經(jīng)過清理的、多樣化的、大型的數(shù)據(jù)庫才能有效地運作。然而，主要的區(qū)別在于，數(shù)據(jù)分析允許用戶從數(shù)據(jù)中得出結(jié)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(nèi)的問題，機器學習可以基于“訓練數(shù)據(jù)庫”自動執(zhí)行操作（本文后續(xù)關于監(jiān)督學習的部分將對此進行討論）。基于其允許任務自動執(zhí)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(yè)來講，制定并實施供應鏈相關的人工智能戰(zhàn)略，將使其隨著技術的逐漸成熟，提升自身的生產(chǎn)力、速度與效率。
一、人工智能的發(fā)展現(xiàn)狀
人工智能近期的迅猛發(fā)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(chǎn)生的數(shù)據(jù)量的增長以及促使日常生活數(shù)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(xù)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(zhì)量的數(shù)據(jù)庫，進而自動執(zhí)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(jù)實時的路況信息給出最佳行車路線的建議。當這一現(xiàn)象第一次發(fā)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(nèi)置了機器學習功能，手機可以根據(jù)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(diào)整它的預測，并根據(jù)新的目的地發(fā)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(fā)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(shù)據(jù)，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(shù)據(jù)就會與其他車輛的數(shù)據(jù)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(shù)據(jù)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(fā)展所鼓舞，但了解人工智能的局限性也很重要。在《哈佛商業(yè)評論》(Harvard Business Review) 2016年的一篇文章中，《人工智能現(xiàn)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(yè)，但它并不具有無所不能的魔力。”
Ng強調(diào)，雖然人工智能已經(jīng)有很多成功的實施案例，但大多數(shù)都是在監(jiān)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(shù)據(jù)庫與正確的輸出決策相關聯(lián)。機器學習算法通過比對這個訓練庫的信息來根據(jù)新的輸入數(shù)據(jù)做出決策。監(jiān)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(tǒng)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(shù)據(jù)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(shù)據(jù)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(tǒng)接收新的輸入數(shù)據(jù)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(xiàn)這一目的的關鍵就是輔助做出決策的數(shù)據(jù)庫的大小、質(zhì)量與多樣性的程度。訓練輸入數(shù)據(jù)庫越大、越多樣化，機器學習算法做出的決策就越優(yōu)化。
