1了解人工智能
1.1 AI的起源和定义
人工智能（AI）并不新鲜。这个术语是由斯坦福大学计算机科学教授约翰麦卡锡于1956年创造的，他于当年夏天在达特茅斯学院组织了一次关于这一主题的学术会议。从那时起，人工智能领域经历了一系列繁荣 - 萧条周期，其特点是技术突破，激起了对该主题的兴奋，随后出现了幻灭，称为'AI Winters'，因为发现了技术限制。正如你在图1中看到的那样，今天我们再次进入'AI Spring'。
人工智能可以定义为机器展示的近似，模仿，复制，自动化并最终改进人类思维的系统。在过去的半个世纪中，人工智能的一些关键组成部分被确定为必不可少的：感知，理解，学习，解决问题和推理的能力。
1.2 机器如何学习：人工智能的组成部分
传感：AI的燃料
为了能够理解或“感知”现实世界，AI必须接受信息。由于真实世界的信息有多种形式，人工智能必须能够消化文本，捕获图像和视频，接收声音，并最终收集有关环境条件的信息，如温度，风，湿度等。
现在，我们的许多口头交互都可以通过麦克风捕获并通过AI系统理解。人工智能系统可以考虑捕获口语单词的上下文，并且通过访问包含相似和相关短语的足够大的数据集，可以将此曾经不可用的数据转换为有价值的洞察力。
语音到文本技术的进步极大地促进了语音驱动的AI。今天，AI驱动的语音助理的理解能力超过了人类。衡量语音到文本性能的关键指标是字错误率;一个人或系统翻译和解释给定语音样本中包含的单词的准确程度。在两个人之间的典型互动中，每个人误解的单词的平均百分比是6％。今天，最好的AI驱动语音助理能够实现5％的单词错误率。
图像是非结构化数据的另一个丰富洞察源。据估计，即使四年前，每天仍有18亿张图像上传到互联网，而这一数字还在继续增长。幸运的是，已经开发了许多AI功能来处理来自图像的信息。像谷歌这样的公司已经在消费者环境中使用这种类型的AI多年，并且越来越多的公司正在日常运营中部署静态和视频系统。
处理和学习组件：框架和培训技术
一旦AI系统从感知中收集了数据，它就会通过应用学习框架来处理这些信息，从而从数据中获得洞察力。除了人类智能和人工智能之间存在的相似之处，人类和人工智能系统如何学习之间也存在着强烈的相似之处。青少年倾向于在高度结构化的环境中向父母和老师学习，并且有很多强化，而年龄较大，经验丰富的成人学习者很适合寻求自己的投入并从周围的世界中学习。同样，AI系统使用监督，无监督和强化学习来接收和处理有关世界的信息。
当支持AI系统能够在没有人类数据或计算机科学家的额外指导情况下识别数据本身中的聚类或维度时，就会发生无监督学习。基于系统所接触的数据，该技术可以导致新颖和意外的结果。作为2014年的一个例子，无监督学习就是YouTube只需通过“观察”其中的1000万，就知道如何识别上传视频中的猫脸。
当AI系统的任务不仅是处理可用的输入，而且还学习“游戏规则”时，强化学习就会发生。这不是基于人类直接交互，而是基于给予AI系统的环境的积累数据。强化学习的类似例子是婴儿如何首先学会走路：他们首先观察他人，直到他们找到自己的能力。然后他们尝试自己多次走路，他们每次都能提高自己的能力，直到他们能够独立行走。 AlphaGo通过这种方式使用强化学习技术，通过摄取大量已完成和正在进行的Go游戏，以便同时弄清楚游戏如何运作以及如何玩和击败任何竞争对手。
1.3 AI加速趋势
技术进步可分为三大类：提高计算机处理速度和功率，增加AI系统对大数据的访问，以及使用算法改进来实现更复杂的AI应用。
l 计算能力和速度：AI是一种计算机处理密集型技术 - 计算能力和效率的突破使AI应用程序的扩展和复杂性成为可能。直到最近，计算设备的CPU或中央处理单元，通常提供处理的核心功能。近年来，GPU或图形处理单元已开始部分接管计算机处理工作量，为AI的兴起做出了重大贡献。
l 大数据：丰富且易于访问的数据的存在并不是一种新现象，但其不断增加的数量，速度和多样性是AI的关键部分。即使AI在没有这些进步的情况下可以以较小的规模存在，AI也需要数据来展示其全部功能。
l 算法改进：每天创建的数据越来越丰富，这使得研究人员，数据科学家和软件工程师能够摄取大量复杂数据的复杂新算法。因此，今天AI能够处理大型且快速变化的数据集，这些大数据集对AI在复杂时的学习能力做出了最大的贡献，因此数据域中的多样性越多越好。这是AI系统优于其他数据处理方法的优势：虽然标准系统因大型复杂数据集而陷入困境，但近年来的算法已显着改进，能够处理大量异构数据，从而能够检测模式，和发现对人类基于规则系统不明显的相关性。虽然这三项技术进步是人工智能的主要推动力，但考虑到人工智能的未来不仅揭示了单一趋势，而且揭示了许多潜在技术趋势的融合。
l 人才与技能： 年轻一代学习人工智能的兴趣，学术界持续的研究成果，以及企业对人才的强烈需求推动了人工智能的进步。自1996年以来，人工智能的年度出版物数量每年增加9倍，达到每年接近20,000个。
由Fei-Fei Li开发的Stanford的ImageNet等学术贡献创建了一个开源的图像存储库，供私人和商业开发人员用于训练基于图像识别的机器学习模型，如今在分类对象时已达到97.3％以上的准确率，超越人类的感知能力。今天人工智能的学术进步有两个互补的变化：自2000年以来，领先大学的机器学习课程的入学人数增加了四倍，越来越多的人工智能学术领导者正在转向私营部门。作为一个例子，图2中的Fei-Fei Li，担任Google Cloud团队的首席科学家，以及她在斯坦福大学的教授。
l 提高技术接受度和期望：尽管在研究实验室和学术机构中创造了许多有趣的创新，但商业利益往往会加速世界的变化。 2017年，全球智能手机的采用率达到25亿用户，全球互联网普及率达到35.8亿用户，占全球人口的一半以上. 与此同时，技术巨头亚马逊，苹果，Facebook，谷歌，IBM和微软等美国以及中国的技术公司阿里巴巴，百度和腾讯都在采用了人工智能优先策略，构建的产品和应用程序. 图15是谷歌的首个AI产品战略公告。
AI正在帮助决定向您展示哪些帖子，页面和广告 - 鉴于40亿互联网用户群的规模，这超出了任何人类或人群的能力。
l 人工智能的投资和资金：最近对人工智能创业公司的风险资本投资和人工智能研发和收购的企业资金急剧增加。仅在2017年，100家人工智能创业公司在367笔交易中筹集了117亿美元的资金，自2000年以来投资增长了六倍，如图16所示。在科技公司中，百度和谷歌特别花费了200亿至300亿美元。人工智能在2016年，其中90％用于研发和部署，10％用于收购。最后，2017年IBM发布了9,043项美国专利，其中超过3,300项与AI或云技术相关。
引领AI的行业领域是那些以技术为核心企业。最高的AI用户包括科技，电信，银行业务，以及较小程度的汽车公司。最慢的采用者是不确定AI的好处的公司。随着越来越多的非技术行业公司开始成功实施人工智能，这将使商业领袖和战略家相信人工智能解决方案是可行的，为组织的许多部分带来了巨大的利益，是一项有价值的投资。
1. 4 为何选择物流？为什么现在？
有很多理由相信现在是物流行业接受人工智能的最佳时机。这种成熟的技术从未像现在这样容易获得且价格合理。
在物流领域，行业基于网络的性质为实施和扩展AI提供了一个自然的框架，从而放大了高度组织化的全球供应链的人力成分。此外，决定不采用人工智能的公司长期存在过时的风险，因为竞争对手在今天的业务中有效地使用人工智能。
供应链的几乎所有方面都能应用AI，物流公司具有独特的优势。该行业中未充分利用AI的机会是供应链每天产生的大量数据。这些数据既是结构化的，也是非结构化的，AI有潜力将这些数据自动化处理（来自中国的Startup 趋研科技推出的RPA录单机器人DocuAI, 可自动获取识别录入并发送文件，为物流仓储货代海运等企业提供文件流程自动化解决方案）。此外，世界各地的许多物流公司都在接受数字化转型，从传统的企业资源规划系统过渡到高级分析，增加自动化，硬件和软件机器人以及移动计算，如图21所示，下一个数字化供应链就是应用AI。
2. 人工智能在物流中使用案例
如前几章所述，人工智能（AI）在我们的个人生活中越来越多，并且正在迅速被企业应用以提高效率和创造新价值，人工智能有很多机会应用于物流。
2.1后台AI
在日益复杂和竞争激烈的商业世界中，运营全球供应链的公司面临着前所未有的压力，即以更低的成本提供更高的服务水平。与此同时，会计，金融，人力资源，法律和信息技术等全球性公司的内部职能也受到大量以细节为导向的重复性任务的困扰。在这里，AI为认知自动化提供了一个节省时间，降低成本，提高生产力和准确性的重要机会。
认知自动化是指使用AI和机器人过程自动化（RPA）相结合的智能业务流程自动化。这是使用可以集成到现有业务应用程序和IT系统中的软件机器人来替代文书工作. 如图33所示，RPA不等同于AI; AI能够从非结构化数据中学习和提取洞察力，RPA能够在给定结构良好的输入下执行基于规则的工作，但无法在初始编程之外学习。
l 财务异常检测：物流服务提供商通常依赖大量第三方，包括公共运营商，分包工作人员，包机航空公司和其他第三方供应商来运营其业务的核心功能。这增加了物流会计团队每年处理数千个供应商，合作伙伴或提供商的数百万张发票的负担。在这里，像自然语言处理（NLP）这样的AI技术可以从公司收到的非结构化发票表格中提取关键信息，例如账单金额，账户信息，日期，地址和参与方。
l 认知合同：全球物流和供应链运营商通常管理全球大型车辆和设施网络。 Leverton在其同名平台上使用AI，以简化企业房地产合同的处理和管理。系统使用自然语言处理来对任何合同条款，与策略相关的部分和签名部分进行分类。审查这些发现，用复杂的法律语言编写的合同通常有几百页, 利用RPA，只需要一小部分人类专家的时间。
保持客户信息的最新状态对大型企业来说是一项挑战;存储在数字联系人应用程序中的所有电话号码和电子邮件地址中，高达25％不再使用。在物流行业中，保持地址信息的完整性和当前性对于成功交付货物至关重要。通常，大型数据分析师团队负责CRM清理活动，消除重复条目，标准化数据格式以及删除过时的联系人。美国创业公司CircleBack开发了一个人工智能引擎来帮助管理联系信息，持续处理数十亿个数据点，以确定联系信息是否准确和最新。此外，如第2章所述，在输入管理方面受过培训的AI工具可以使用自然语言处理对客户地址信息进行一些预处理，以确保完整性，正确性和与全球和区域地址格式的一致性。
认知习俗是指使用人工智能增强和自动化的海关经纪过程。海关经纪服务存在过度简化的风险，通常涉及以下四个主要步骤：
1. 从客户货件收到装运数据和文件（提单，商业发票）。在声明之前，必须统一异构文档格式和不同程度的完整性。
2. 一旦所有必要的数据和文件彻底完成并成功统一，货物就会被申报，并且必须翻译成有效的海关编码，以便海关接受。
3. 海关官员验证给定的信息，提供税务报表和发布货物。
4. 根据商业协议向客户开具经纪费用。
今天海关申报的主要问题是它们依赖于高度复杂的手工流程，这些流程需要熟悉法规，行业和客户。这也是一个辛苦密集的过程;信息必须通过客户和承运人文件，监管机构和政府特定表格进行交叉引用和验证。所有这一切都需要密切关注细节，但是，人类工人很难在整个工作日保持一致的集中程度。这可能导致代价高昂的错误;公司可能会对海关持有的货物征收不合规费和滞期费。
海关经纪人的解决方案是人工智能; 像IBM Watson这样的企业AI平台可以接受法律材料，法规文件，海关经纪SME知识以及客户和行业手册的培训，以学习如何自动化海关申报。利用自然语言处理和深度学习的自学能力，海关经纪人工智能可以以无数格式提取海关文件，利用其收集的知识体系提取相关信息，并提供自动声明。 当基于AI的系统遇到例外情况时，人类海关经纪专家可以审查该声明。 他们的输入以及每个自动声明提供了新数据，基于AI的系统可以继续提高其性能。
来自中国的初创企业趋研科技TrenTech,推出了数款DocuAI的RPA解决方案，DocuAI, 为物流/货代/仓储/运输以及其他任何需要处理很多文件的企业设计，可识别word, Excel, PDF, 扫描文件，微信记录，自动获取，输入，保留，发出/连接ERP，WMS，TMS，OMS， FMS， CRM等等，开发完成后，DocuAI完成一个单子仅需20秒钟， 而人力完成至少5分钟
2.2预测性物流：
未来运营在以不确定性和波动性为特征的世界中，人工智能可以帮助物流行业从根本上将其运营模式从被动行动和预测转变为具有预测智能的主动运营。本节将确定全球网络级预测机会以及特定流程的预测机会。
使用AI的预测网络管理可以显着提高物流运营的绩效。对于空运而言，准时和满载是至关重要的，因为它在吨位方面仅占全球贸易的1％，但在价值方面仅占35％. 大多数空运专线和网络都是根据历史数据和专业知识来规划的。拥有数十年行业经验的专业人士DHL开发了一种基于机器学习的工具来预测空运过境时间延迟，以实现主动缓解。通过分析内部数据的58个不同参数，机器学习模型能够预测运输时间是否提前或滞后到一周。此外，该解决方案能够识别影响运输延迟的主要因素，包括诸如出发日期之类的时间因素或诸如航空公司准时性能之类的运营因素。这可以帮助航空货运代理商提前计划，消除他们的货物应该何时或与哪个航空公司签约的主观猜测，如图37所示。
预测风险管理对于确保供应链的连续性至关重要。DHL Resilience360平台是一个基于云的供应链风险管理解决方案，专为满足全球物流运营商的需求而量身定制。对于许多行业的供应链领导者，包括汽车，技术，工程和制造行业，管理来自全球数千家供应商的组件流程是日常业务。供应商的问题，从材料短缺到不良的劳工甚至法律调查，都可能导致供应链的严重中断。
Resilience360 Supply Watch模块展示了AI降低供应商风险的强大功能。 Supply Watch使用先进的机器学习和自然语言处理技术，监控来自超过300,000个在线和社交媒体源的800万个帖子的内容和背景. 这使系统能够理解来自非结构化文本的在线对话的情绪，以识别风险指标提前时间。这反过来又允许图40中的供应链管理者更早地采取纠正措施，并避免中断。
智能路线优化对于物流运营商有效运输，提取和交付货物至关重要。物流提供商和最后一英里交付专家通常对城市及其物理特征有深刻的显性和隐性知识。然而，新的客户需求，例如时隙交付，ad-hoc拾取和即时交付，正在通过智能路由优化创造新的挑战。德国邮政DHL集团在21世纪初开创了SmartTruck路由计划，为其车队运营商和司机开发专有的实时路由算法。最近，诸如数字卫星地图，交通模式和社交媒体登记位置等城市的基础设施正在创建大量信息，这些信息增强SmartTruck等系统，改善交付运行中卡车司机的整体路线。
2.3 观察，说话和思考物流资产
人工智能也可以极大地有益于现代物流的物理需求。使用人工智能的机器人，计算机视觉系统，会话界面和自动驾驶车辆是物流操作中人工智能的物理体现。
智能机器人分拣是对信件，包裹甚至托盘货件进行有效的高速分拣 - 这是现代包裹和快递运营商最重要的活动之一。如图42所示，每天都有数百万件货物按照先进的输送机，扫描基础设施，人工搬运设备和人员进行分类。
自动导引车（AGV）已经开始在物流运营中发挥更大的作用。在任何给定的物流操作中，通常会看到多个人操作物料搬运设备，例如叉车，托盘搬运车，轮式搬运车，甚至拖拽汽车以在位置或船舶之间移动货物。为了减少这种情况，今天的公司开始使用非工业，协作机器人，包括AGV。 AI是这个故事的关键。
计算机视觉库存管理和执行正在成为零售业的现实。法国创业公司Qopius正在开发基于计算机视觉的AI，以衡量货架性能，跟踪产品并改善零售店的执行。通过深度学习和细粒度图像识别，Qopius能够提取物品的特征，如品牌，标签，徽标，价格标签以及货架状况 - 例如，缺货，货架份额和货架可用性，如图46所示。在仓库库存管理中，计算机视觉AI的类似使用提供了在单件和SKU级别进行实时库存管理的潜力。
美国创业公司AVRL通过专有的自然语言AI为传统工业IT平台提供会话功能。在人工智能和语音识别技术并行发展之前，供应链中的语音工具是静态的;它们仅限于关键字和声音菜单，并使用固定命令进行操作。此外，这些系统在交互方面受到限制，仅支持少数几种语言，口音和方言。因此，人类不得不依赖相对脚本化的响应来操作这些僵硬的语音系统。
利用AVRL提供的语音技术，系统可以解释短语的语义和意图，然后将产品名称与ERP，WMS或TMS系统中包含的产品信息联系起来。这使得物流运营商可以像对待其他人一样，与他们的IT系统进行对话交互，即使在使用口语或非正式措辞时也是如此。通过对话语音交互自动输入，存储和检索信息的能力消除了许多需要手动输入或查找信息的仓库任务的时间和复杂性。
自动车队最终将在供应链的各个方面进行端到端的使用。卡车排队是指半卡车组的智能车队。通过机器对机器通信和协同辅助巡航控制技术，两到五辆半卡车可以相互跟随并自动同步加速，转向，制动和跟随距离。该排由操作牵引卡车的人类驾驶员控制，如果需要，每个后续卡车都有一个备用驾驶员。
2.4 人工智能客户体验
物流提供商和客户之间的动态正在发生变化。对于大多数消费者而言，与物流公司的接触点在与在线零售商结账时开始，并以成功交付或有时返回产品结束。对于企业而言，与物流提供商的接触点的特点是长期服务合同，服务水平协议以及复杂的全球供应链的运营。AI可以帮助物流提供商个性化所有这些客户接触点，从而提高客户忠诚度和保留率。
语音代理可以显着改善和个性化物流提供商的客户体验。 2017年，DHL Parcel成为首批提供基于语音服务的最后一英里交付公司之一，使用亚马逊的Alexa提供包裹和提供货运信息，如图51所示。在家中使用Amazon Echo扬声器的客户可以简单询问“Alexa，我的包裹在哪里？”或“问DHL，我的包裹在哪里。”然后，客户可以说出他们的字母数字跟踪号码并接收货件更新。如果发货时出现问题，客户可以向DHL寻求帮助并获得客户帮助。
预期物流将人工智能的物流客户体验提升到一个新的水平，在客户订购或实现需要之前将货物交付给客户。预期物流旨在利用人工智能的能力从大量数据中分析和绘制预测，例如浏览行为，购买历史和人口统计规范，以及看似无关的数据源，如天气数据，社交媒体聊天和新闻报道。预测客户将购买什么。通过将这些数据源公开给人工智能分析，公司可以通过将库存移近客户位置并分配资源和容量来满足以前无法预料的需求，从而有效地预测需求并缩短交货时间。
2.5 供应链中AI如何入门
本章概述的用例涵盖整个供应链中的各种AI应用程序，这些应用程序可以以运营效率，成本节约和提高客户忠诚度的形式创造新价值。但是，我们认识到，将当前的物流运营模式转变为本报告中举例说明的主动，个性化，自主和预测性的示例并不是一项简单的任务。向认知物流的过渡是一个多年的旅程，需要有效的领导，对商业价值驱动因素，人工智能技能和人才的充分理解，以及支持人工智能驱动业务持续发展的组织文化。
l 项目选择：业务价值驱动因素和数据分析，在新技术，个人，团队和组织中，人们经常会对AI等新发明的事物及其承诺的功能进行过度夸张。相反，有用的问题是：使用AI可以解决哪些业务问题？这个问题是否需要AI解决方案？
在开始AI项目之前，需要谨慎地考虑商业价值驱动因素，例如降低成本，改善客户体验以及通过更好的洞察力提高效率。除非您的组织需要定期，持续地对数据进行复杂分类，否则应考虑采用更简单的非认知数据分析形式。在此重要的是要问：“拟议的AI项目涉及哪些商业指标？是否有可能使用人工智能产生显着的量化影响？“
评估AI项目所需的数据也非常重要，因为没有输入就无法从AI框架创建输出。考虑一个关键问题：是否存在大量可访问数据，与要解决的问题相关？更具体但仍然重要的问题是：这些数据的清洁程度，收集频率以及团队成员可以访问哪些路线？
l AI团队和技能：接下来，有必要确定组织内AI团队，例如分析，数据科学和数字创新功能。这些人是否易于访问并参与您的AI计划？这可能取决于项目的时间跨度投资大小人才可获得性等相关， 如果无法在内部找到或访问足够的AI技能和能力，则可能需要从外部获取这些技能和能力。今天，相关人才的极度缺乏 - 经验丰富的数据科学家和具有机器学习专业知识的软件工程师 - 在非技术行业，但要在内部实现这些能力需要大量投资。鉴于这些限制因素，合作模式可能为许多组织提供更具成本效益的选择。
l 文化：信任，质量和学习：变革管理和与人工智能相关的文化转变可能超过实施它的挑战性技术复杂性。在组织内要解决的第一件事就是信任。重要的是要深刻理解组织对人工智能的态度，尤其是通过自动化对潜在失业的担忧。在这里，支持新技术及其带来的变化的公司中有声音，有能力的领导者的支持可以成为必不可少的资产。
要解决的第二个因素是文化的容忍度。人工智能系统首先是设计概率，其次是随着时间的推移，更多的数据。在数据不足或不正确的情况下训练的AI系统几乎肯定会在一开始就产生令人失望的结果，但随着时间的推移可以提高以实现高度的输出精度和性能。重要的是不要仅仅因为输出性能而忽视AI项目，而是保持敏捷并寻求通过新数据或核心框架的修改来提高系统性能。
作者：曾志宏（Wechat-1638881963）：Freelance, 北科大毕业，新加坡国立大学MBA，服务于GE，Rolls-Royce，JCI，Whirlpool等公司供应链部门，致力于数字化供应链，精益制造，智慧物流等领域新技术新观念新应用的推动和传播。