近日，Crown-科朗設備集團 工程副總裁 Luke Waltz 一篇名為《為人工智能運用于倉庫鋪平道路》的文章，發表在了供應鏈行業權威期刊《CSCMP's Supply Chain Quarterly》，對供應鏈及倉儲中部署人工智能技術進行了深度研究和刨析。

　　人工智能（Artificial Intelligence，簡稱AI）自1956年問世以來，經過多年發展，已經可以執行諸多任務，比如視覺感知、語音識別、語言翻譯和決策制定等，目前已在眾多領域進行了應用，為人們的工作和生活帶來了諸多便利。然而，人工智能發展至今，其功能的實現都是依靠工程師將指令明確輸入計算機，這也就制約了人工智能的進一步發展。

　　近年來，一種被稱為“機器學習（Machine Learning）”的人工智能科技正在成為主流，它將探索如何幫助計算機獲取輸入數據，并優化輸出結果。這些程序可以嵌入到設備中，也可以在服務器或云中運行。亞馬遜、谷歌、Facebook、微軟等科技巨頭現已將機器學習技術納入到了其產品之中，以此來優化網絡搜索結果，獲得效果更佳的圖像和語音識別功能，打造更智能的設備。

　　“對于許多供應鏈管理人員而言，人工智能，尤其是機器學習，將是一項重點考慮的技術，因為其能實現任務自動化。”
　　隨著技術的成熟，如今著手制定與供應鏈相關的人工智能策略，將定位于提高作業效率與設備使用率。然而，供應鏈相關企業不是專業的科技企業，并沒有數以百計的在職數據專家，也沒有龐大的研究和開發預算，對人工智能在供應鏈中扮演的角色也沒有一個標準定義。因此，我們需要探討的是，在供應鏈中重要的一環（即倉庫）實現人工智能，有哪些路要走。

　　當我們考慮在供應鏈中應用人工智能時，通常會從技術層面出發，然而，換個角度思考，如果從倉庫運營中的業務需求及面臨的痛點出發，然后針對這些問題，分析人工智能可否帶來更好的解決方案，則可能會實現更好的效果。

　　Crown-科朗設備集團 工程副總裁 Luke Waltz，從以下三個層面，對人工智能應用于供應鏈提出了見解和分析：

產出率
　　以訂單揀選為例，由于訂單的多樣性以及操作員熟練程度的差別，每臺揀選車完成的工作量會不盡相同，然而，相較于部署了系統層級為導向倉庫，未部署相應系統的倉庫中個體差異會更大。機器學習就為尚未部署系統的倉庫帶來了機遇，讓倉庫可以利用其完成工作量最大的揀選車的經驗，推廣至所有揀選車，以提升整體生產力。在訂單揀選作業中，除保證最短整體行駛距離之外，避免通道擁阻往往是提升產出率的重要因素之一。由于表現最佳的揀選車可能在揀選順序方面綜合考慮了這兩項因素，故其數據集中應該包含了這些信息。通過這些數據，機器學習算法可在接收新訂單時，給出最佳的揀選順序。并且，該算法可以復制產出率最高的揀選車所做出的選擇，幫助所有揀選車提高產出率。

設備使用率
　　每個倉庫中所能搬運貨物的數量，與其配備的物料搬運設備數量息息相關，同時，操作員水平與庫存單位（SKU）也會影響產出率。通過相關數據集，機器學習算法可以接收未來幾周或幾個月的訂單量預測，并結合操作員當前技能水平數據，分析出所需物料搬運設備的估量，因此，設備管理者可以與設備供應商展開最佳合作方案，通過短期租賃或采購的方式，確保當前設備數量可以滿足工作需求。

工作效率
　　優秀的儲位分配策略力求優化高周轉SKU的存放位置，同時讓其在揀選面上均勻分布，以減小揀選過程中可能造成的通道阻塞，提高效率。但有些倉庫內的SKU可能高達數千件，且需求不斷變化，依靠人工根據SKU周轉率將其保持在最優位置是一件耗時耗力、困難重重的工作。在這種情況下，可將機器學習算法整合至儲位分配系統中，結合每臺揀選車的工作路徑，輸出最優分配策略，并根據變化自動做出調整。

　　在倉庫中全面應用人工智能，尤其是機器學習技術，還有很長的路要走。另一方面，盡管供應鏈管理人員擁有豐富的專業技能，對各類技術變革也能應對自如，但人工智能也不應被忽視。綜上所述，人工智能不應被視為能夠讓供應鏈神奇轉型的靈丹妙藥，相反，應將其視作一個工具，以推動公司的業務向前發展。