人工智能近年来的迅猛发展,预示着其将为仓库运作方式带来革命性的变革。但在企业决定在运营实践中引入并实施这一新技术之前,必须要确保已拥有相关数据及所需人才。
对相关企业而言,即时关注并对供应链技术的进步具有敏感性几乎已经成为必须。机器人技术、自动化、数据分析和工业物联网等各种新技术,正在逐步展示出其在提升货物运输,处理,存储和配送效率方面的潜力。这些新技术的不断涌现,使得我们很难确认究竟应把注意力集中在哪一方面。
在这其中一项值得仔细研究的新技术是人工智能(AI)。简单而言, 人工智能是计算机系统发展到一定阶段的产物,即代为执行通常需要人类智能参与的任务(如视觉感知、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。机器学习主要是探索如何可以使计算机程序通过对输入数据的学习来提高其输出性能。这些程序可以嵌入在机器中,也可以在服务器或云端操作。亚马逊(Amazon)、谷歌、Facebook、微软(Microsoft)等大型科技公司已经将机器学习融入到他们的产品和服务中,为用户提供:相关度更高的网络搜索内容,更好的图像与语音识别技术以及更智能化的设备。
机器学习与数据分析(收集、转换及数据分析的流程)之间有一些相似之处。两者都需要一个经过清理的、多样化的、大型的数据库才能有效地运作。然而,主要的区别在于,数据分析允许用户从数据中得出结论,进而要求用户采取相应措施来改善其供应链。相比较而言,对于已处于可解决范畴内的问题,机器学习可以基于“训练数据库”自动执行操作(本文后续关于监督学习的部分将对此进行讨论)。基于其允许任务自动执行这一特性,人工智能 — 尤其是机器学习 — 对许多供应链管理人员来说都是一项值得关注的重要技术。对于今天的许多企业来讲,制定并实施供应链相关的人工智能战略,将使其随着技术的逐渐成熟,提升自身的生产力、速度与效率。
人工智能近期的迅猛发展,得益于以下因素的共同作用。[敏感词],各种设备的互通互连而产生的数据量的增长以及促使日常生活数字化的高级传感器的使用的增长。第二,从移动设备到云计算,各种设备的计算能力也在持续增长。因此,机器学习可以运行在新的硬件运算设备上,同时获取大批量、多样化及高质量的数据库,进而自动执行各种任务。
案例一:
[敏感词]是一个众多消费者将逐渐熟悉的场景。如果你有一个iphone而且每天早晨通勤上下班, 近一段时间你可能留意到了以下情况:当你坐进汽车的时候,你的手机将自动提示你开车去公司将需要多少时间,根据实时的路况信息给出佳行车路线的建议。当这一现象[敏感词]次发生时,你可能会有这样的疑惑:“手机怎么会知道我要去上班?感觉很酷,但也有一点点恐怖”。
因为内置了机器学习功能,手机可以根据你过去做过的事情来预测你将要什么。如果你换了新工作或者开车去了另外一个目的地,设备会自动调整它的预测,并根据新的目的地发出新的通知。这一应用场景的特别强大之处在于:设备对用户来说越来越有帮助,而用户或软件开发人员不必采取任何行动。
另一个场景是自动驾驶汽车。目前路面上行驶的的自动驾驶汽车正在被用来收集数据,用来改进下一代自动驾驶汽车的技术。当人工操作人员直接对车辆进行控制时,相关的数据就会与其他车辆的数据汇集起来并进行对比分析,以确定在何种情况下自动驾驶汽车将切换到由人工驾驶模式。这样的数据收集与分析将使得自动驾驶汽车变得更加智能。
虽然人们很容易被今天人工智能相关的令人兴奋的发展所鼓舞,但了解人工智能的局限性也很重要。在《哈佛商业评论》(Harvard Business Review) 2016年的一篇文章中,《人工智能现阶段的能与不能》,斯坦福人工智能实验室前负责人、跨国科技公司百度的人工智能团队前首席科学家Andrew Ng明确表示,“人工智能将变革许多行业,但它并不具有无所不能的魔力。”
Ng强调,虽然人工智能已经有很多成功的实施案例,但大多数都是在监督学习的场景下展开应用。在这一模式下,每一个训练输入数据库与正确的输出决策相关联。机器学习算法通过比对这个训练库的信息来根据新的输入数据做出决策。监督学习的一些常见应用包括照片标记、贷款处理与语音识别。在每一个应用案例中,系统都会接收输入信息 — 比如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反应。
如果拥有一个足够大的输入数据库,并用对应的人工响应 (或输出) 做以注释 ,那么就可以构建一个人工智能应用程序,允许计算机系统接收新的输入数据并自行做出决定。这可以使过去不容易自动化的流程变的可以自动运作,终提升仓库啊的运营效率。而实现这一目的的关键就是辅助做出决策的数据库的大小、质量与多样性的程度。训练输入数据库越大、越多样化,机器学习算法做出的决策就越优化。
当考虑在供应链中应用人工智能的各种方案时,直接应用相应技术然后确定应用方案或许很有吸引力。但是,如果你首先分析一下公司业务面对的挑战与机遇,然后再选择相匹配的人工智能技术来解决相关问题,这样的流程会有助于你选择更有效率、更适合的应用方案。
就仓库及其运作而言,人工智能的应用应该以企业所关注并不断优化的关键性能指标(KPI)为指导(订单准确性、安全性、生产率、履行时间、设施损坏或库存准确性等)。仓库通常已经拥有大量与KPI指标相关的数据,这些都可以被人工智能应用程序用于自动完成任务或做出决策。然而,这些数据由于数据类型的原因并不能直接用于人工智能技术,并且通常分布在不同的仓库管理系统中。因此,在正式应用之前,许多人工智能应用程序需要对不同仓库管理信息系统中的数据进行整合。
[敏感词]的3个案例(生产力、设备利用率、效率)说明了人工智能在仓储运营场景中的应用潜力。虽然这些案例可能并不适用于所有仓库,但它们确实展示了企业如何将自己已有的数据整合成可以应用机器学习技术的形式。
案例一、生产力
在拣选订单的环节,所有的仓库都存在不同员工的生产力不同这一现象(有效率高的订单拣选员也有变现一般的员工)。但是相对于使用系统引导进行拣选的仓库而言,员工在生产力方面的差异在不使用系统引导的仓库中表现更为明显。
对于那些不使用系统引导进行拣选的仓库,机器学习提供了一个可以更好推广高效员工经验的机会,并将系统引导模式引入到所有员工的工作中。如果联系到上文提到的监督学习,高效员工的拣选列表将作为人工智能应用的输入数据;这些员工在拣选列表中货物的顺序决策即为输出数据(基于条码扫描或其他可获取信息)。除了短拣选距离这一指标之外,避免拥挤通常是提升生产力的另外一个重要指标。因为佳拣选员工通常会同时考虑这两个因素,因此上面的输入输出数据库应该已包含这些信息。
基于这些精准标注的数据,机器学习算法在接收新的订单数据后案佳原则进行归类。通过这种方式,算法可以复制有效员工的拣选操作,并提高所有员工的生产力。
案例二、设备利用率
某一仓库一天内需要搬运的容器或托盘数量与所需的搬运设备数量之间有一定的关系。在大多数情况下,两者之间是一种线性关系。但是,某些因素(例如操作人员的技能水平或货物的混合存放等)也可能会影响到所需搬运设备的佘亮。
在这种情况下,输入数据就需要包括所有可能影响设备需求的数据(从仓库管理系统中调用的拣选订单清单以及从员工管理系统中获取的操作人员生产力水平等信息)。输出信息包括从升降搬运车管理系统中获得的搬运设备使用率信息。
基于这一精准标注的数据库,机器学习算法将可以接收未来数星期或数月的订单预测信息和现有员工的技能水平信息,进而预估出所需搬运设备的数量。升降搬运车车队经理将在同设备供应商的协商中采纳这些信息作为决策参考,以确保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适数量的搬运设备进行拣选操作。
案例三、效率
一个好的货位策略应该是将高需求的SKU尽量集中放在佳位置但同时又要适当的分散摆放,以降低拥堵程度来提高拣选效率。但由于需求的不断变化以及SKU的数量(某些仓库中可能有数千个SKU),仓库很难仅仅依靠员工来判断SKU的需求量来实现佳存放。因此一些仓库运营商会使用货位分配软件来帮助确定SKU摆放位置。这些软件会提供操作界面允许客户修改运作规则。当接收到销售历史数据或未来销售预测信息后,软件就会推荐相应的货位策略。但是,负责软件的人员经常会依据自己的经验来修改策略,而这些经验却往往不能反应出拣选操作的真实情况。
在这种情况下,输入数据就是软件所推荐的货位策略。输出数据是终决定执行的策略。机器学习算法可以和货位分配软件结合,通过对实施终货位摆放策略的员工的倾向性进行不断的学习,终实现自动调整。
明确仓储相关领域可以从人工智能技术获益之后,制定相关的应用策略将非常重要。在其发表于《哈佛商业评论》的文章中,Andrew Ng对高管们应该如何定位公司的人工智能策略提出了一些有益的看法。他写道,制定一个成功战略的关键是“理解在哪里创造价值,什么是很难复制的”。
Ng指出,人工智能研究人员经常发布和分享他们的想法,并公布他们的代码,因此我们可以很便捷地接触到新理念及进展。相反,“稀缺资源”是数据和人才,而这两点对企业制定人工智能策略获取竞争优势极为关键。在数据源已经被[敏感词]连接到了对应的输出信息的情况下,复制一款软件比获得原始数据要简单的多。因此,具有鉴别与获取有价值的数据并有能力根据实际情况修改软件参数以大化利用这些数据的人员,将是制定人工智能策略过程中关键而具有差异性的组成部分。也就是说,如果一个企业向推进人工智能在仓储场景下的应用,那么它就必须将重点放在提高数据和人才的质量这两方面。
关于数据,要明确的一个关键问题是:哪些数据是你的公司所独有而且可以用来提高与业务相关的KPI?这一点明确之后,就需要提高仓储管理系统中的数据的质量。这一步通常被称为数据管控,来确保供应链运作相关的数据具有一个可以“真实反映客观事实的来源”。
举例来讲。叉车司机的信息可以存储在不同的信息系统中,包括人力资源系统、员工管理系统、仓库管理系统、叉车车队管理系统等。如果司机信息被分别录入以上系统,那么同一员工的姓名及身份号码就可能出现不匹配的情况。比如,一个人可以在WMS中被标识为Jo Smith, #01425; 在LMS系统中为Joanne Smith, #1425; 而在车队管理系统中则只登记为Joanne Smith,同时没有认可身份号码。
对于跨系统整合数据的机器学习应用案例来说,数据必须是干净的。具有良好数据管控能力的企业可以将其中某一系统定义为存有主要数据的系统,并在需要时通过应用程序编程接口(API)将这一数据导入其他任意系统中。
如果需要整合来源于多个系统的数据,那接下来要面对的挑战就是数据集成。也就是说,要确保所有来源于不同仓储运作相关的系统中的数据可以被整合成一种可以用来机器学习的形式。这就需要与供应商紧密合作,以了解对方的运营能力以及整合来自车队管理、员工管理、仓库管理、企业资源管理等不同系统的数据的潜力。这就为支持数据分析以及客户定制化的人工智能应用奠定了数字化基础。在技术上具有挑战性,但许多系统中嵌入的API接口简化了这一任务。
一个更大的挑战可能来自于人才领域。在你的公司中有多少人专职进行管控、集成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高管级别的职位,致力于在董事会层面来积极推动以公司数据资产为来源来建立企业竞争优势。
这种高级别的助推策略,可以从确定公司如何在这一领域构建能力开始。对大多数公司来讲,也可以通过内部员工和外部顾问的组合来实现。甚至有一些众筹的机器学习平台(例如Kaggle和Experfy)可以协助你将你在数据方面要面对的挑战与世界各地的专家之间建立起联系。因为今天你所获得的数据可能会对未来的机器学习应用产生深远影响,因此建立数据能力是一个优先需要考虑的事项。许多大型企业已经在内部成立了专门部门来引导人工智能及数据分析方面的工作,这一需求也使得这一领域的专业人才变的炙手可热。
虽然供应链经理需要评估各种技术以及指导以科技为基础的革新,但人工智能不应因此被忽略。但它也不应该被视作可以瞬间完成供应链变革的万灵药。相反地,人工智能应该被定义为一个可以提升与企业成功密切相关的KPI指标的工具。使用这一工具并不需要成为人工智能领域的专家,但必须确保你的企业满足了前文所提到的三个基本要求:确定与提升企业绩效相关的高价值应用案例;创立可以整合这些高价值数据的数字基础设施;开始建立一个由内部与外部专家组成的专业团队。
文章来源于:Luke Waltz