你不必是零售巨頭，就可以使用AI來改善供應鏈

至頂網軟體頻道消息：沃爾瑪通過觀察天氣情況來確定哪些食物更暢銷。通過這種預測，在溫暖、乾燥、多雲和多風的情況下儲存更多牛排，在較熱和較少風時儲存更多漢堡，使得銷售額增長了18％。高溫微風天氣下，沙拉賣得更多；晴朗的日子，漿果賣得更多。但是，你不必是零售巨頭，就可以使用AI來改善你的供應鏈。

預測分析和遠程感測器告訴經銷商們什麼時候冰箱里應該補充蘇打水，或者咖啡自動售貨機需要補充原料。Lakeba的Shelfie機器人在英國超市Co-op的過道來回巡遊，使用圖像識別來檢測產品什麼時候售罄或者是否被擱置在了錯誤的地方。

與數百個供應商合作的在線時尚零售商Jet.com，在智能手機上使用圖像識別應用來檢查正在運送中的是哪款藍色連衣裙，以便他們知道商品的庫存情況。

另一方面，Jet.com非常熱衷於了解哪些不在庫存中，工程總監Scott Havens表示：「供應商可能會說他們有10件商品庫存，但他們只有8件，」這導致顧客不能按預期下訂單而有所抱怨。如果某件商品沒有庫存，那麼Havens不希望商品出現在搜索中。「就客戶體驗而言，不與客戶溝通，總比和客戶溝通了卻讓客戶失望更好一些。」

Havens的團隊使用機器學習來追蹤不同供應商報告他們庫存產品的準確度；這些數據可能是錯誤的，因為沒有足夠頻繁地進行更新，或者因為沒有提供準確的報告。他說，這個機器學習系統已經將商品拒收率降低了一半，從而使Jet.com更好地了解其供應鏈的情況。

擋風玻璃更換服務提供商Autoglass也在其手機應用中使用圖像識別功能，這樣客戶就會知道是否可以修復或者需要更換掉擋風玻璃上的晶元。客戶想了解成本情況，但Autoglass知道某個商店是否可以從庫存中進行替換，或者需要訂購擋風玻璃並在到貨時安排配件。該應用每周處理2500幅圖像的準確度超過80％，該公司正在考慮使用這個應用來評估維修或更換後是否需要重新校準高級駕駛員輔助系統。

PureCars公司首席執行官Sam Mylrea表示，汽車經銷商正在轉向使用AI來決定庫存那些車型以及向哪些群體進行推廣。「不變庫存每個月都會花費數百美元的利息。通過使用AI，經銷商可以根據消費者行為和過去的購買模式更好地了解庫存哪些車型。憑藉這些洞察力，他們可以在適當的時間使用個性化的營銷宣傳來精準給客戶。」

AI還可以用於農業和食品加工業。中國釀酒商長城葡萄酒公司使用氣象站和農藥監測器為預測分析提供動力，分析何時處理葡萄以及何時準備收穫。微軟正在為小型農場主開發物聯網精準農業系統，該系統使用機器學習來預測何時需要水作物或撒石灰來提高土壤的pH值。Bühler的LumoVision穀物分選系統使用圖像識別功能除掉的污染穀物是傳統機械的2倍。釀造啤酒廠和奶製品廠也可以通過更快地處理傳入物料，預測什麼時候要準備好一批啤酒或乳酪，來提高產量和縮短生產時間，使用相同的設備更快速處理下一批次。

物流公司RR Donnelley使用天氣、交通預測和運輸工作歷史記錄建立了一個機器學習模型，對成本進行更精準的估算，構建該系統的成本在第一個月就回本了，在第一個季度訂單量增加了4%。此外，豐田汽車很快會給亞馬遜的倉庫機器人製造一些競爭壓力，它正在考慮使用AI來訓練能夠識別模式的「調色板無人機」，了解工廠車間的布局和流程，以群體的形式進行工作，可以自行決定使用哪種類型的機器人來移動每個負載。

使業務引擎更加智能

所有這些項目的共同點，是對最基本的業務領域之一的看法是在不斷變化的。傳統上來說，庫存和供應鏈被視為成本中心，畢馬威國家數據和分析領導負責人Ammon Matsuda表示：「但實際上這是一個讓事情井井有條讓目標實現的引擎。」

通過使用AI來提高供應鏈的靈活性，這在讓成本中心轉變為賦能的角色基礎上更近了一步，特別是在當今充滿挑戰的市場中。Matsuda認為：「至關重要的是對波動性有更加靈敏的反應，處理比過去更多的產品變化，應對比以前更多的渠道。」

他預測，目前AI人工智慧工具已經及大地推動了庫存管理，未來只會力度更大。「想想機器人能夠為有形庫存管理能做的的工作。」不僅僅是在倉庫中，「你會看到機器人將進入一個複雜的環境，比如穿過商店，抓取產品，檢測需要補貨的地方，或者產品沒有放在貨架上，所以你必須讓機器學習知道，哪個標籤是放在哪個位置的。」

AI有助於縮短庫存周期，適用於像新鮮農產品等保質期較短的產品。Matsuda說，那些知名公司正在「研究如何部署機器學習功能，來預測一棵捲心菜是還有多長時間保質期，以便他們在捲心菜變質之前了解這批蔬菜應該在供應鏈的什麼位置。」

他也在更為謹慎地使用AI來預測需求變化，因為消費者模式可能發生不可預測的變化，機器學習不一定能夠應對這些變化。「你需要有一個相當不錯的需求歷史來感知模式，並給出合理而有效的預測，以便你可以調整供應鏈。機器學習在複製人類一貫行為方面非常出色，但在對全新情況和觀察做出反應時非常糟糕，所以如果我們能夠推斷出人類可以做什麼，機器學習是表現不錯的，但是我們正式因為擴展和速度帶來的各種挑戰，才使用機器學習模型的。」

Matsuda建議，機器學習在供應鏈預測方面的真正優勢比揭示人類行為的秘密更加平淡無奇。「好處實際上就是讓企業做出更合理的決定。」

那些希望在供應鏈中利用人工智慧的企業應該從優化現有系統開始著手，然後隨著時間的推移引入計算機視覺等新技術，微軟雲AI平台項目管理合作總監Lance Olson這樣表示。利用已經做過的歷史分析並添加更多預測：「下個月我們的供應需求情況是怎樣的？不僅僅是基於歷史數據，還有基於預測的。」或者使用像Azure Gallery中的工具，Azure Gallery使用機器學習對石油和天然氣供應鏈進行優化，或對零售系統、商店和倉庫優化產品質量及交貨時間。

這讓你可以快速改善，從而對流程充滿信心。「在最佳運行狀況下，你可以節省5.47％的成本。」然後，你可以繼續進行更大膽、更具革命性的項目，這些項目需要更深入的數據科學知識，可能需要感測器和其他硬體投資，例如帶有定製計算機視覺模型的攝像頭來做實時識別、麥克風、或者通過熱成像、激光雷達或雷達觀察不可見光譜。

「如果我們完全使用不同的機制來檢查從供應商處獲得的商品，我們可能會消除流程中的一步、兩步或十步。我有一些客戶創建了多個數據模型，當裝載了設備的插卡進入倉庫的時候可以查看這些卡車，而且模型也會在庫存進入時對其進行計數。這種動態計數和每次設備運輸經過時重新進行計數的方法，讓該系統能夠縮短他們試圖優化的大量下游問題。」

對於工業機械來說，音頻處理可以幫助在製造過程中或者部件送到時對庫存情況進行評估。「如果你有任何會發出聲響的東西，比如電機，那麼你可以在生產線邊緣安裝麥克風，這樣你可以聽到電機的聲音，並了解該部件的質量情況。如果你是汽車或飛機製造商，有引擎進來的時候，只要你運行發動機就可以聽到發動機的聲音，並對零部件進行質量控制，這可能會讓你改變人工檢查的方式。同樣的技術可以幫助食品經銷商和零售商監控制冷設備，提前預測故障。」

Olson也認為AI將成為庫存管理的一個重要組成部分，因為企業可以建立自己的專業知識體系並創建自定義監控和預測系統。「這變成了一個大規模的智能系統，在這個系統中你有大量要查看的要素，數據管道流經整個系統。對於任何依賴庫存和供應鏈的公司而言，隨著時間的推移，可持續差異化會成為核心的一部分。他們如何優化系統，如何降低成本，如何在適當的時間以適當的質量和價格將適當的產品送到正確的客戶手中。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！