中文字幕第二一区_久久久久在线视频_精品国产自在现线看久久_亚洲精品一区二区三区电影网

人工智能近年來的迅猛發展，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據及所需人才。

對相關企業而言，即時關注并對供應鏈技術的進步具有敏感性幾乎已經成為必須。機器人技術、自動化、數據分析和工業物聯網等各種新技術，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，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發展到一定階段的產物，即代為執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）。人工智能出現于1956年，但絕大多數情況下，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據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將機器學習融入到他們的產品和服務中，為用戶提供：相關度更高的網絡搜索內容，更好的圖像與語音識別技術以及更智能化的設備。

機器學習與數據分析（收集、轉換及數據分析的流程）之間有一些相似之處。兩者都需要一個經過清理的、多樣化的、大型的數據庫才能有效地運作。然而，主要的區別在于，數據分析允許用戶從數據中得出結論，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的問題，機器學習可以基于“訓練數據庫”自動執行操作（本文后續關于監督學習的部分將對此進行討論）。基于其允許任務自動執行這一特性，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來講，制定并實施供應鏈相關的人工智能戰略，將使其隨著技術的逐漸成熟，提升自身的生產力、速度與效率。

一、人工智能的發展現狀

人工智能近期的迅猛發展，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生的數據量的增長以及促使日常生活數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、多樣化及高質量的數據庫，進而自動執行各種任務。

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，根據實時的路況信息給出最佳行車路線的建議。當這一現象第一次發生時，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”。

因為內置了機器學習功能，手機可以根據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，設備會自動調整它的預測，并根據新的目的地發出新的通知。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據，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，相關的數據就會與其他車輛的數據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。這樣的數據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展所鼓舞，但了解人工智能的局限性也很重要。在《哈佛商業評論》(Harvard Business Review) 2016年的一篇文章中，《人工智能現階段的能與不能》，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，但它并不具有無所不能的魔力。”

Ng強調，雖然人工智能已經有很多成功的實施案例，但大多數都是在監督學習的場景下展開應用。在這一模式下，每一個訓練輸入數據庫與正確的輸出決策相關聯。機器學習算法通過比對這個訓練庫的信息來根據新的輸入數據做出決策。監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 — 并基于它從訓練數據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據庫，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，允許計算機系統接收新的輸入數據并自行做出決定。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。而實現這一目的的關鍵就是輔助做出決策的數據庫的大小、質量與多樣性的程度。訓練輸入數據庫越大、越多樣化，機器學習算法做出的決策就越優化。