AI如何重塑供应链管理? 这是你必须知道的20件事情

公众号/机器之能

来源 |   Forbes

编译 |  张玺

本周，中国 AI 独角兽公司旷视宣布业务上的战略升级，押注 AIoT 应用于供应链改造。旷视 CEO 印奇表示，这一方面是因为产业发展的宏观趋势，另一方面是因为中国的实业行业有很长的链条。印奇将其称为「沉重的十字」：

「横向维度上，实业公司的内部产业流程，从设计研发、生产制造、物流仓储、渠道配送，包括一直到客户服务，这是一个复杂而且很长的一个内部链条。纵向维度上，当前实业行业面临更进一步整合时，都会面临的从资产、运营到科技的问题，甚至还要懂艰深的云计算、AI、科技。」

这一横一纵的沉重链条构成了实业型企业的致命「十字」。

那么，AIoT 将如何助力智能制造?

十多年前，已经将机器学习应用于改善需求预测的英国上市公司 AVEVA 是一个不错的案例。AVEVA Group plc (LSE: AVV)，英国计算机软件商为造船和海洋工程、石油和天然气、造纸、电力、化工和制药等工业领域提供全生命周期解决方案及服务。该集团在伦敦证券交易所 (London Stock Exchange) (LSE: AVV) 上市。集团总部位于英国剑桥。

本文作者是 ARC Advisory Group 的供应链服务副总裁，ARC Advisory Group 是一家领先的行业分析师和技术咨询公司。参与供应链管理技术，最佳实践和新兴趋势的定量和定性研究。

以下为 Steve Banker 结合 AVEVA 案例给到 AI 供应链管理的 20 条建议。

1、所有可以感知周边环境、以最大化目标完成可能性为原则执行任务的设备，都在以某种方式与人工智能相结合。人工智能概念宽泛，涉及许多技术。运筹学家认为，人工智能的趋势是蕴含在各项技术中的算法，但算法仍不如人工智能发展成熟。诸如数学及统计学等成熟发展的学科却不愿贴上人工智能的标签，尽管它们符合人工智能的定义。

2、在供应链领域，机器学习备受瞩目。我个人很喜欢 Symphony RetailAI 首席产品官 Adeel Najmi 对于机器学习的定义。「每当机器产生输出、观测输出准确率及更新自身模型（优化输出）时，机器便会学习。如此工作的所有机器都在使用机器学习。是否运用了数据科学方法、神经网络或其他形式的监督或非监督学习，一点都不重要。不要被具体技术所局限。机器能否自我学习及自我改善，才是最重要的。」

3、当大家以这个角度看待机器学习时，人工智能之于供应链管理就不是什么新鲜事了。21 世纪初，机器学习就已应用于需求预测。需求计划应用依赖于一系列算法，将历史货运数据转变为预测数据。有的算法适用于产品销售预测，而有的算法适用于产品报废预测。机器关注于预测结果，将其与实际货运量比较。因维持某一产品或产品组库存水平而需要切换算法时，机器也会主动建议。

4、随着时间的推移，需求计划应用的输入数据愈来愈多，而许多公司的机器学习应用也远不止需求预测。譬如，相比于预测全美东半部地区的月需求量，一些公司可以预测产品/门店的日、周、月及更长时间范围的库存水平。针对某产品的门店日库存水平预测，基于销售点数据流的算法预测能力强。针对相同产品的月库存水平预测，基于仓库货运历史数据与仓库订单模式的算法预测能力强。基于机器学习的预测引擎始终针对不同层级的预测问题寻找最佳的算法与数据流结合方式。

5、但是，基于可用数据量的大小、周期跨度及发货位置范围，一些公司已经采用基于学习的全自动化解决方案，预测过程不需要人工参与。E2open 提供了一套「黑箱」解决方案，预测流程全自动化。基于「黑箱」解决方案，计划员无法了解机器的工作逻辑，掌握预测引擎的工作机制。计划员必须完全信任解决方案的预测结果。一些大型、成熟的企业（如宝洁）已采用了这套解决方案且完全信任。E2open 称，有证据表明：当预测人员忽略引擎的输出结果且调整预测值时，相较于信任引擎且不响应，干预的结果会更糟糕。

6、「黑箱」解决方案争议颇大。Kinaxis 行业解决方案营销副总监 Harish Iyer 强烈排斥此类解决方案。「有些人应该为此负责！」如果某些环节出现问题而用户又才从「黑箱」中接收了一单计划，计划员该如何定责？此外，供应链节点层级越多，黑箱解决方案的可接受性就越差。如果一家上市公司漏填了本季度的数据，「谁能想象 CEO 该如何想投资人交代？」

7、无法解决方案是否是「黑箱」，人工智能与机器学习都能融合进去──与更多传统商业智能及业务流程管理技术结合。这使得人工智能的洞察力能嵌入业务流程，让用户只看见其对其有用的数据，让计划员深挖数据以观察辅助信息。

8、最近，需求计划应用正致力于采用机器学习，更好地融合竞争对手的定价数据，门店每周/日的客流量、天气数据及许多其他潜在因素，改善需求预测结果。

9、需求计划是机器学习的一项重要应用。因为这些系统具备了天然的信息反馈循环。在需求管理应用中，系统会连续监测预测准确率。系统的准确率数据又可供反馈循环学习使用，将机器学习应用于供应计划更加困难。

10、但是，供应链管理的许多领域都已使用机器学习，在供应链应用中似乎也展开了一场机器学习的装备竞赛。

11、运输管理系统的供应商也使用天气数据改善运输计划。运输管理系统中机器学习的应用前景更为广泛。

12、目前，供应计划中锚定关键参数的应用已经完成，如交货提前期及使用机器学习更新参数。针对精炼厂关键设备故障引起的生产计划重调度，AspenTech 致力于采用用预测性分析解决问题。

13、应用机器学习感知并适应多变的仓库条件及优先顺序。过去，拣货密度可能是首要问题，但是由于搬运机器人时代的来临，满足订单服务承担承诺的优先级更高。机器学习可用于预测计划完工时间。然后，根据可用产能最优化原则，优化算法基于预测结果去均衡相互冲突的约束条件。

14、大数据让机器学习的学习效果最佳。数据越多，系统学习越快。许多用例中，供应链应用需要大数据平台收集、清洗及协调数据。LLamasoft 创立了一个收集时间序列数据的平台，甄别外部数据源是否能改善需求预测结果。

OSIsoft 的工厂信息系统（Plant Information System）可用于收集实时数据，并将数据转化为多种用途的可执行信息，包括机器学习应用。2018 年 8 月，JDA 完成 Blue Yonder 收购。Blue Yonder 是一家机器学习/人工智能平台。该笔收购加速了 JDA 自治供应链（Autonomous Supply Chain）的步伐──运用 Blue Yonder 平台将供应链合作关系系统（Supply Chain Partnership Systems）与外部数据（尤其是社会、新闻、时间及天气数据）连接，实现更加自动、优化的商业决策。同样，还有许多为机器学习分析而收集数据的通用平台。

15、一些客户将机器学习视为魔杖。他们询问供应商──供应链应用如何使用机器学习解决其遇见的供应链问题。但是，机器学习仅仅只是供应链技术工具之一，且并不总是有效。当闭环反馈具有明确定义的成功指标时，当供应链具备大数据时，当供应链具备加速学习的快速反馈循环时，机器学习效用最佳──简言之，机器学习对于精准聚焦于边界清晰的问题效果最佳。

16、一些大公司拥有足够资源去聘请数据科学家，开发定制化解决方案，优化业务流程（戴尔在全球呼叫中心使用人工智能，DHL 供应链斥资 3 亿美元发展新兴技术，电子商务公司使用人工智能改善价值链）。但对于多数企业来说，这既不是可行选择，也不可能获取可观的投资收益率。

17、关于机器学习与人工智能投资收益率的一个问题是，用户如何使用人工智能搜索海量数量（包括物联网数据）以寻找可能改善模型预测公式的新变量。但在许多实例中，发现的新变量对于预测准确率的贡献相对较少。这也是机器学习问题需要缩小边界的主要原因。

18、人工智能还可应用于供应链软件解决方案。3CE 正使用自然语言处理及信息检索处理辅助进出口货物分类工作──该工作的复杂程度难以想象。

19、此外，人工智能还可用于物流专业相关的硬件解决方案。自主移动机器人（AMR）发展迅猛。近年来，超过 5 亿美元的风险资本进入了 AMR 市场。AMR 可用于帮助实现电子商务自动化。AMR 无需预先规划路径，能基于周边障碍导航。由于不依赖大量的基础设施──如内置于仓库物流门的 RFID 便签，所以 AMR 实施快速。AMR 依赖于人工智能技术──即时定位与地图构建。

自动导引运输车（AGV）可能配备抓手以抓取纸辊卷。如果压力过大，纸辊卷会破损；如果压力过小，线轴无法安全运输。同样的，IAM Robotics 拥有配备机械臂的机器人，使用吸盘抓取小件及轻量货物，并放置于手提包中。真空吸盘的数量需要适配于物体大小及重量。

20、无人货运同样依赖于 SLAM 技术，但问题边界较广。最理想的猜测是，基于 SLAM 的无人搬运卡车距离技术实现至少还有 3 年时间。但是，其中仍存在许多监管阻碍。甚至在 3 年内，无人货运的解决方案离完全自动都遥不可及。实际上，连 Embark Trucks 的首席运营官 Mike Reid 都认为「今天的司机未来仍能够正常退休」。令人惊讶的事，Embark 恰恰是一家领先的自动卡车开发公司。

原文链接：

https://www.forbes.com/sites/stevebanker/2019/01/01/20-things-to-know-about-artificial-intelligence-for-supply-chain-management/#3c462a9a5371