近日，Crown-科朗设备集团 工程副总裁 Luke Waltz 一篇名为《为人工智能运用于仓库铺平道路》的文章，发表在了供应链行业权威期刊《CSCMP's Supply Chain Quarterly》，对供应链及仓储中部署人工智能技术进行了深度研究和刨析。

　　人工智能（Artificial Intelligence，简称AI）自1956年问世以来，经过多年发展，已经可以执行诸多任务，比如视觉感知、语音识别、语言翻译和决策制定等，目前已在众多领域进行了应用，为人们的工作和生活带来了诸多便利。然而，人工智能发展至今，其功能的实现都是依靠工程师将指令明确输入计算机，这也就制约了人工智能的进一步发展。

　　近年来，一种被称为“机器学习（Machine Learning）”的人工智能科技正在成为主流，它将探索如何帮助计算机获取输入数据，并优化输出结果。这些程序可以嵌入到设备中，也可以在服务器或云中运行。亚马逊、谷歌、Facebook、微软等科技巨头现已将机器学习技术纳入到了其产品之中，以此来优化网络搜索结果，获得效果更佳的图像和语音识别功能，打造更智能的设备。

　　“对于许多供应链管理人员而言，人工智能，尤其是机器学习，将是一项重点考虑的技术，因为其能实现任务自动化。”
　　随着技术的成熟，如今着手制定与供应链相关的人工智能策略，将定位于提高作业效率与设备使用率。然而，供应链相关企业不是专业的科技企业，并没有数以百计的在职数据专家，也没有庞大的研究和开发预算，对人工智能在供应链中扮演的角色也没有一个标准定义。因此，我们需要探讨的是，在供应链中重要的一环（即仓库）实现人工智能，有哪些路要走。

　　当我们考虑在供应链中应用人工智能时，通常会从技术层面出发，然而，换个角度思考，如果从仓库运营中的业务需求及面临的痛点出发，然后针对这些问题，分析人工智能可否带来更好的解决方案，则可能会实现更好的效果。

　　Crown-科朗设备集团 工程副总裁 Luke Waltz，从以下三个层面，对人工智能应用于供应链提出了见解和分析：

产出率
　　以订单拣选为例，由于订单的多样性以及操作员熟练程度的差别，每台拣选车完成的工作量会不尽相同，然而，相较于部署了系统层级为导向仓库，未部署相应系统的仓库中个体差异会更大。机器学习就为尚未部署系统的仓库带来了机遇，让仓库可以利用其完成工作量最大的拣选车的经验，推广至所有拣选车，以提升整体生产力。在订单拣选作业中，除保证最短整体行驶距离之外，避免通道拥阻往往是提升产出率的重要因素之一。由于表现最佳的拣选车可能在拣选顺序方面综合考虑了这两项因素，故其数据集中应该包含了这些信息。通过这些数据，机器学习算法可在接收新订单时，给出最佳的拣选顺序。并且，该算法可以复制产出率最高的拣选车所做出的选择，帮助所有拣选车提高产出率。

设备使用率
　　每个仓库中所能搬运货物的数量，与其配备的物料搬运设备数量息息相关，同时，操作员水平与库存单位（SKU）也会影响产出率。通过相关数据集，机器学习算法可以接收未来几周或几个月的订单量预测，并结合操作员当前技能水平数据，分析出所需物料搬运设备的估量，因此，设备管理者可以与设备供应商展开最佳合作方案，通过短期租赁或采购的方式，确保当前设备数量可以满足工作需求。

工作效率
　　优秀的储位分配策略力求优化高周转SKU的存放位置，同时让其在拣选面上均匀分布，以减小拣选过程中可能造成的通道阻塞，提高效率。但有些仓库内的SKU可能高达数千件，且需求不断变化，依靠人工根据SKU周转率将其保持在最优位置是一件耗时耗力、困难重重的工作。在这种情况下，可将机器学习算法整合至储位分配系统中，结合每台拣选车的工作路径，输出最优分配策略，并根据变化自动做出调整。

　　在仓库中全面应用人工智能，尤其是机器学习技术，还有很长的路要走。另一方面，尽管供应链管理人员拥有丰富的专业技能，对各类技术变革也能应对自如，但人工智能也不应被忽视。综上所述，人工智能不应被视为能够让供应链神奇转型的灵丹妙药，相反，应将其视作一个工具，以推动公司的业务向前发展。