供应链与AI：从优化到预测的全新未来

ChatGPT一经推出，便在全球各地掀起了如魔法般的神奇风潮。各类供应链厂商纷纷参与讨论，希望了解如何运用这股AI之力。此外，几乎每家供应链解决方案供应商也都迫切希望为自己的AI持续投资找到有力的理论依据。

任何能够感知其环境，并采取行动以最大程度提高目标达成率的设备，都开始在这波AI浪潮当中扮演某种形式的角色。也就是说，AI方案并不是供应链领域的新技术，其中很多要素在某些场景下已经被使用了几十年。只是最近以来，更多新兴案例开始快速涌现。

优化旨在对供应规划、工厂调度、供应链设计以及运输计划进行精细打磨。从广义上讲，优化可以指制定计划以帮助企业通过最低成本实现其服务水平及其他目标。而从数学角度来看，优化则是一种混合性质的整数或线性规划方法，用于在现实世界的约束条件下为仓储、工厂、运输流以及其他供应链资源找到最佳组合。

机器学习是指由机器获取输出结果、观察其准确性并更新自身模型，循环往复以不断改善输出结果的方法。需求规划引擎具有天然的反馈循环，允许预测引擎在流程当中持续进行学习。得到的预测结果则可以与实际发货或销售结果进行比较，供AI模型自我完善。

自21世纪初机器学习技术被用于需求预测以来，机器学习已经极大提高了预测的广度和深度。如今，机器学习预测不仅仅是按月或者按季度进行，按周甚至按天的预测也已经成为可能。我们也开始从区域级别的产品预测转向单家门店级别的库存单位预测。最近一段时间，基于机器学习的需求规划应用程序还能够整合竞争对手的定价数据、门店流量以及天气数据，从而更进一步增强预测能力。

我们也不再满足于预测需求，还希望预测卡车乃至各类工厂机械何时可能发生故障（预测性维护）、提前规划最佳库存量与存放位置（库存优化）并对仓储环节的劳动力做出预测。这些预测类型能够有效把控完成预期工作所需要的员工数量，并将结果精确到天、班次、工作乃至区域级别。此外，机器学习还可用于为仓储工人生成工作标准。

机器学习技术（包括聚类、数据相似性及语义标记）能够自动化实现主数据管理。毕竟如果没有准确的数据作为依托，企业就会面临“垃圾进、垃圾出”的尴尬局面。

在供应规划方面，如果关键参数（例如供应商的交货时间）不够准确，那么规划结果自然无法可靠。在这方面，机器学习亦可用于让关键参数和政策保持在最新状态，并可用于预测门店当中特定货品的库存单位是否供应不足。

供应链风险解决方案则使用机器学习和其他形式的AI对企业多层供应链中所涉及的具体供应商做出预测。这一点变得越来越必要，因为如果海关认为货物当中包含可能存在强制劳动因素的风险产品，哪些这些部件与实际收货方之间隔着数道供应关系，而且只占产品总成本中的极小部分，海关方面也会在港口扣留货物。为了避免这种情况，托运人的端到端供应链预测方案将运用AI进行开放网络搜索、分析进出口记录、处理ThomasNet等采购平台的数据，同时参考联邦物流记录及其他数据。这些预测加快了企业验证其供应链的构建及扩展速度，保证使用与海关相同的技术来确定哪些货物可能被拒绝入境。

自然语言处理用于对不同商品进行分类，由此建立起面向进出口及实时供应链的风险解决方案。

协调制度（Harmonized System）是一种对商品进行分类的编码方法，也是海关识别各类商品的基础，目前被世界各地的海关当局广泛应用。使用正确的产品分类能够保证企业支付正确关税，帮助企业切实避免政府罚款并把握产品的真实到岸成本。但问题在于，产品的商业描述与国家海关关税表中的表达方式之间存在巨大差异，因此可能导致关税支付错误率高达30%。为此，自然语言处理方案与专家系统的结合，已经被用于自动化并显著改善这一分类过程。

实时风险解决方案还使用自然语言处理来阅读在线出版物及其他数据源，理解所读内容，将数据情境转化为信息，再以近实时方式报告由天气、地缘政治事件及其他危害因素造成的供应链中断。整条价值链中的每一步都有与之相关的搜索词。供应商、承运商、物流服务提供商所使用的各种名称都可作为搜索词，且各搜索词又与表示问题的术语相匹配——具体包括“破产”、“工厂火灾”、“港口爆炸”、“罢工”等各种术语表达。因此，当文本中的“海防市”一词与短语“港口火灾”相结合时，即会触发警报。

强化学习属于机器学习的一种形式，能够让AI模型根据正面、中性和负面反馈改进其决策过程。例如，假设我们希望训练视觉系统以识别出狗的图像，则首先需要让人类查看数以万计的动物图像。人类标注员负责将图片标注为狗、非狗或者不确定，而后向计算机展示这些图像。系统则先做出“这是狗”或“这不是狗”的判断，再与人类标注结果比较以验证结论是否正确。

无人机也可使用这种形式的AI来提高仓储库存的管理准确性。强化学习能够支持无人机正确识别仓库货架、货盘与货柜，并靠近货品扫描其条形码。同样的，强化学习也被引入仓储环境下的安保摄像头，以确保工人们在工作期间严格遵守标准操作程序。

同步定位与地图构建（SLAM）允许装置构建并更新未知环境下的地图，同时跟踪装置在其中的位置。这项技术允许搬运机器人在仓储环境下实现自主移动。

搭载SLAM技术的无人机与自主搬运机器人已经处于全面交付的早期试验阶段，更进一步打造的自动驾驶卡车则有望彻底改变物流行业的游戏规则。

虽然自动驾驶卡车当前还没有全面落地，但也许再过几年时间，我们就能自动将货物从配送中心运输至零售店面。在这个后AI时代，整个供应链体系都将迎来以往难以想象的崭新面貌。