智慧物流側重預測能力，人工智慧技術大有可為

智慧物流發展多年，最初主要是以物聯網技術進行改革，包括機器人、大數據分析與自動化技術等，但隨著人工智慧進步，智慧物流也開始導入相關技術，從倉儲和配送到家等全方位升級，物流已不再是成本單位，更是增進創新服務的重要關鍵。

智慧物流開始著重「預測」能力

隨著電商經濟和智慧製造興起，供應鏈整合需求也開始水漲船高，物流在企業價值鏈中的重要性逐漸提升，也進一步帶動智慧物流轉型，更著重於供應鏈中各層參與者的信息交換和融合。

其中，物聯網技術和各類感測技術的導入，是搜集數據和信息傳輸的重要關鍵，例如物流業已開始大量使用RFID技術將倉儲、運輸與資產管理等各環節的流程升級。

智慧物流的定義是以ICT技術作為發展基礎，將信息化、自動化與網路應用導入原有流程，進行有效管理、降低成本與快速送達，以物聯網架構讓物流業擁有更智慧的管理模式，在物流各環節中實現系統級感知。

智慧物流的實現讓系統乘載量更大和整體流程更具效率，例如每年雙十一的銷售量便是仰賴大量的物流配送支撐，但事實上物流系統並非無上限，當接收超過系統乘載的物流單時，依舊會造成系統崩潰，不論是運送時間、運輸質量與使用體驗等都可能大打折扣。

過往智慧物流需求在於流程透明化、彈性調控、降低庫存與減輕人力需求，隨著物流需求持續上升且越趨複雜，智慧物流開始強調「預測」的重要性，也就是預測產品、空間、車隊與人力等需求。

而要實現預測必須仰賴大量資料整合，並輔以預測模型進行未來需求推演，才能事先進行資源調配和部署，人工智慧也在此派上用場。

此外，機器視覺、視覺辨識、聊天機器人、無人倉與無人車等人工智慧應用，可協助物流廠商在不同階段進行再優化，利用人工智慧提升正確率和降低成本，從而達到自動化的物流流程。

人工智慧應用於「預測」

目前人工智慧應用於預測，已涵蓋物流產業大部分環節，之所以將預測模型導入各項作業流程，主要原因是物流需求越來越高，且要求速度也越來越快，加上廠商希望能將庫存控制於最低水位，但大量的變動參數考量和突髮狀況在過去往往導致人為的判斷失誤，或資源配置錯誤導致流程延誤甚至造成損失。

利用人工智慧進行預測和自動化執行，即有助改善過去依靠「經驗」解決問題的不確定性。

但值得注意的是，現階段AI模型尚不成熟，較小型的物流廠商若缺乏數據累積，將無法進行AI模型訓練，也導致模型正確性甚至可能比人為判斷還低，因此目前AI的應用更偏向於預測需求趨勢發展的準確性，當大方向得以抓准後，再逐漸延伸至細節項目。

由於較小型的物流廠商現階段較缺乏數據和優質的AI模型，因此目前主要還是大型物流或供應鏈廠商才能做到高度精確的預測物流模型，例如UPS、FedEx與Walmart等，但中小型物流廠商可利用AI先改善部分流程，包括出貨檢查、字體辨識、盤點作業、客戶問題回覆與包裝尺寸選擇，甚至貨品出貨配送，都有AI可發揮的空間。

在倉儲管理中，亦可利用預測平台進行各類模型的建模，例如利用機器學習進行各種參數間的交叉比對和影響，例如供應鏈網路模型廠商LLamasoft旗下Demand Guru平台，提供製造大廠Schneider進行全球供應鏈最佳路線配送的模型預測，預估導入該模型可為Schneider每年節省932萬美元。

由上述例子可知，AI要能成功，大數據的累積不可或缺，例如Schneider案例中，LLamasoft便分析Schneider提供的20萬個運輸政策數據點、13萬個流量和路由限制，以及150多個初始方案。

又例如物流車隊想要優化貨物配送時間，可搜集每一天的總配送數量、商品重量、配送行駛總距離、車輛油耗、天氣狀況，以及消費者實際簽收時間等數據，並丟入AI模型中進行自主學習，再搭配原本規劃的預計配送時間，藉由不斷反覆測試驗證模型是否優化。

總結來看，過往物流往往歸類為傳統產業，並被視為成本項目，但隨著使用者體驗、核心競爭多元化與服務創新等興起，物流已開始轉型成為廠商創新的重要關鍵，廠商也陸續進行物流的轉型和布局，若再加上人工智慧和物聯網的加持，物流未來更可能形成新型態服務模式，並以顛覆性方式改善現階段物流廠商的痛點。

人工智慧出現不只是單純為了解決當前物流產業遇到的問題，更有機會直接顛覆過去既有的營運和商業模式，雖然現階段人工智慧大多應用於預測和設備能力的提升。

但隨著技術快速進步，未來也有可能直接改變物流產業的營運模式，就象是聊天機器人出現，改變客服部門運作，更能將收集到的信息直接與物流和銷售部門進行結合，直接進行下單和出貨調整。

Source：拓墣產業研究院

圖片聲明：封面圖片來自正版圖片庫：拍信網。

友情提示：由於微信公眾號改版，大家可能無法及時獲取我們的推送。

要聞回顧

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！