成人A片高潮痉挛,精品无码一区二区三区爱欲,盛夏晚晴天在线观看 ,男女啪啪

深度學習的黑暗時代已來臨?人工智能在倉儲情景中的應用

2020年4月27日 來源:產業(yè)智能官  瀏覽 963 次 評論(0)

【導語】熱火朝天的人工智能技術,在許多領域都有令人印象深刻的成效,但依然掩蓋不了缺乏真正人腦意識的事實。因此,研究人員決心找到缺失的東西。


你需要知道的是,深度學習已經在無人駕駛汽車、語音識別和其他眾多方面產生了性的影響。


一張圖片中,有一根大而成熟的亮黃色香蕉,人工智能(AI)還是會將其識別為烤面包機,盡管它應用了強大的深度學習技術??雌饋砭拖袷菍⒁粋€小小的數(shù)字化日光貼紙貼在圖像的某個角落。這個結果顯示:即使訓練數(shù)千張香蕉、毛蟲、蝸牛和類似物體的照片,這個先進的AI系統(tǒng)也容易混淆。



這個深度學習研究人員稱之為“對抗攻擊”的例子,是由加州山景城的谷歌大腦(Google Brian)團隊發(fā)現(xiàn)。它說明了AI在接近人類能力之前還需要走多遠?!拔页跽J為對抗性的例子只是一種煩惱,”多倫多大學的計算機科學家Geoffrey Hinton說道,他是深度學習的先驅之一?!暗椰F(xiàn)在認為它們可能*深奧。它會告訴我們,我們做錯了什么。”


在AI從業(yè)者中廣泛存在的一種情況是,人都可以輕易地列舉一長串深度學習的弊端。例如,除了易受欺騙之外,還存在嚴重的低效率問題。Hinton說“讓一個孩子學會認識一頭母牛,并不需要他們的母親說一萬次?!保@卻是深度學習系統(tǒng)中經常需要的數(shù)字。人類通常僅從一兩個例子中就可以學會新概念。


然后是不透明問題。一旦訓練好了一個深度學習系統(tǒng),就無法確定它是如何做出決定的?!霸谠S多情況下,即使AI得到了正確的答案,但也是不可接受的?!盌avid Cox說,他是麻省理工學院與IBM聯(lián)合實驗室的計算神經科學家。他舉了一個例子,假設一家銀行使用人工智能來評估你的信譽,然后拒絕給你一筆貸款:“在許多州,有法律規(guī)定你必須解釋原因”。


也許重要的是,AI缺乏常識。深度學習系統(tǒng)可能是識別像素間的某種模式,但是他們無法理解模式的含義,更不用說理解它們產生的原因。DeepMind的AI研究員Greg Wayne說道,“我不清楚當前的系統(tǒng)是否能夠知道沙發(fā)和椅子是用于坐著的?!?nbsp;


越來越多弱點的凸顯,正在引起廣大公眾對人工智能技術的關注,特別是無人駕駛汽車,它們使用類似的深度學習技術進行導航,但也造成了廣為人知的災難和死亡事故。“人們已經開始說,‘也許人工智能存在問題’,”紐約大學的認知科學家加里·馬庫斯認為,他是深度學習里直言不諱的懷疑論者之一。直到過去一年左右,他說,“過去有一種感覺是深度學習像擁有魔法?,F(xiàn)在人們意識到它并不會魔法?!?/span>


盡管如此,但無可否認的一點是,深度學習仍然是一個*強大的工具。這使得部署應用程序(例如面部和語音識別)變得*常見,而這些應用程序在十年前幾乎不可能完成?!八晕液茈y想象深度學習會在這點消失,”麻省理工的考克斯說?!案锌赡芪覀儠バ薷乃蛘哓S富它?!?/span>


大腦戰(zhàn)爭


今天深度學習的根源在于20世紀80年代的“大腦戰(zhàn)爭”(brain wars),當時有兩種不同的人工智能方法的倡導者爭議性很大。


一派是現(xiàn)在稱為“老式的AI”(good old-fashioned AI)的方法,自20世紀50年代以來一直占據主導地位。也可稱之為符號AI,它使用數(shù)學符號來表示對象和對象之間的關系。再加上由人類建立的豐富的知識庫,這些系統(tǒng)被證明在推理和得出關于諸如醫(yī)學等領域的結論方面*擅長。但是到了20世紀80年代,人們也越來越清楚地認識到,符號性的人工智能方法在處理現(xiàn)實生活中符號、概念和推理等方面時,表現(xiàn)得*糟糕。


為了應對這些缺點,另一派的研究人員開始倡導人工神經網絡,或稱聯(lián)接主義人工智能(connectionist AI),這是當今深度學習系統(tǒng)的前身。


這類想法是在的系統(tǒng)中,通過模擬節(jié)點網絡來處理信號,這些節(jié)點就像是人腦中神經元的類似物。信號沿著連接或鏈路從節(jié)點傳遞到節(jié)點:類似于神經元之間的突觸連接。像在真實大腦中一樣,問題就轉換為學習調整放大或抑制每個連接所攜帶信號的“權重”。


在實踐中,大多數(shù)網絡將節(jié)點排列為一系列層,而這些層大致類似于皮層中不同的處理。因此,專門用于圖像的網絡將具有一層輸入節(jié)點,其響應于各個像素,其方式與桿狀細胞和椎體細胞相應射入視網膜的光的方式一樣。一旦激活,這些節(jié)點通過加權連接將其激活傳播到下一級別的其他節(jié)點,這些節(jié)點組合輸入信號并依次激活(或不激活)。這個一直持續(xù)到信號到達節(jié)點的輸出層,其中激活模式提供一個斷言。例如,輸入圖像是數(shù)字“9”。如果答案是錯誤的,那就說輸入圖像是一個“0”。而“反向傳播”算法就是沿著層反向運行,調整權重以便下次獲得更好的結果。


到20世紀80年代末,在處理嘈雜或模糊的輸入時,這種神經網絡已經證明比符號AI好得多。然而,這兩種方法之間的對峙仍未得到解決。主要是因為當時適合人工智能系統(tǒng)的計算機資源*有限,無法確切知道這些系統(tǒng)能夠做什么。


AI的“神經網絡”模型主要是通過類似于神經元的節(jié)點網絡發(fā)送信號。信號沿著鏈路傳遞到節(jié)點,類似于節(jié)點之間的突觸連接。“學習”通過調整放大或抑制每個鏈路所承載信號的權重來結果。節(jié)點通常按層排列。而今天的計算機已經可以處理數(shù)十層的“深度學習”網絡。


性能


通常意義上講,從2000年開始,隨著數(shù)量級更強大的計算機的出現(xiàn)以及社交媒體網站提供海量的圖像、聲音和其他訓練數(shù)據。首先抓住這個機會的是Hinton, 他是反向傳播算法的共同作者,以及20世紀80年代聯(lián)盟主義運動的領導者。到了2010年中期,他和他的學生開始訓練比以前更大的網絡。它們相當?shù)纳睿瑢訑?shù)從一兩層增加到大約六層。(而今天的商用神經網絡通常使用超過100層。)


2009年,Hinton和他的兩個研究生表明這種“深度學習”能夠比其他已知方法更好地進行識別語音。2012年,Hinton和另外兩名學生發(fā)表了實驗,表明在識別圖像時,深度神經網絡可能比標準視覺系統(tǒng)好得多?!拔覀儙缀鯇㈠e誤率減半,”他說。隨著語音和圖像識別的雙炮齊鳴,深度學習應用的開始了。


早期的首要工作是擴展深度學習系統(tǒng)的訓練方式,Matthew Botvinick表示。他在2015年從普林斯頓的神經科學小組離開,在DeepMind工作了一年。語音和圖像識別系統(tǒng)都使用了所謂的監(jiān)督學習,他說:“這意味著每張圖片都有一個正確的答案,比如‘貓’,如果網絡錯了,你就告訴它什么是正確的答案?!比缓缶W絡會使用反向傳播算法來改進其下一個猜測。


Botvinick說,如果你碰巧有幾十個精心標記的訓練樣例,有監(jiān)督的學習效果很好。而通常情況并非如此。它根本不適用于諸如玩視頻游戲等沒有正確或錯誤答案的任務,只有成功或失敗的策略。

Botvinick解釋說,事實上,在現(xiàn)實的生活中,你需要用到的是強化學習。例如,玩視頻游戲的強化學習系統(tǒng)學會如何去尋求獎勵(找到一些寶藏)并避免懲罰(賠錢)。


在深度神經網絡上首次成功實現(xiàn)強化學習是在2015年,當時DeepMind的一個小組訓練了一個網絡來玩經典的Atari 2600街機游戲?!吧窠浘W絡將在游戲中接收屏幕圖像,” Botvinick說,“在輸出端有指定動作的圖層,比如如何移動*縱桿?!痹撋窠浘W絡的玩游戲的水平大致等于或者甚超過了人類Atari玩家。到了2016年,DeepMind研究人員使用相同方法的更精細版本AlphaGo,它可以掌握復雜的棋盤游戲,并擊敗了當時的冠軍。


超越深度學習


不幸的是,這些里程碑式的成績都沒有解決深度學習根本的問題。例如,Atari系統(tǒng)必須玩數(shù)千輪才能掌握大多數(shù)人類玩家可以在幾分鐘內學到的游戲。除此之外,網絡也無法理解或推理屏幕上的物體,如船槳。所以Hinton的問題仍然存在:(深度學習)究竟缺失了什么?


也許根本沒缺什么。也許所需要的只是更多的連接,更多的網絡層和更復雜的訓練方法。畢竟,正如Botvinick指出的那樣,在數(shù)學上已經證明神經網絡等同于一臺通用計算機,這意味著如果你能找到正確的連接權重,那么它們就沒有不能執(zhí)行的計算,少在原理上是這樣。


但在實踐中,這樣的警告可能是該領域研究人員有越來越強烈感受的一個重要原因,這樣的感受就是需要一些新想法來克服深度學習的缺點。


一種解決方案是簡單地擴展訓練數(shù)據的范圍。例如,在2018年5月發(fā)表的一篇文章中,Botvinick所在的DeepMind小組研究了在多個任務中訓練網絡時會發(fā)生什么。他們發(fā)現(xiàn)只要網絡從后向前有足夠的“周期性”連接,網絡就能記住它從一個瞬間到下一個瞬間正在做什么。它能夠自動得從已學的課程里,更快學會新任務。這少是人類式“元學習”或learn-to-learn的雛形,這個能力讓我們能快速的掌握某種事物。


更激進的一種可能方式是放棄訓練一個大型網絡來解決問題的方法,而是讓多個網絡協(xié)同工作。在2018年6月,DeepMind團隊發(fā)布了一個他們稱之為生成查詢網絡(Generative Query Network)的架構,該架構利用兩個不同的網絡來學習復雜的虛擬環(huán)境,而不需要人工的輸入。其中一個被稱為“表示網絡”(representation network),基本上使用標準的圖像識別學習方法來識別在任意給定時刻AI可見的內容。


同時,生成網絡(generation network)學習通過獲取個網絡的輸出來生成整個環(huán)境的3D模型。實際上,這個任務就是對AI看不見的對象和特征進行預測。舉個例子,如果桌子只有三條腿可見,則模型就能涵蓋具有相同尺寸、形狀和顏色的第四條腿。


反過來,這樣的預測結果會讓系統(tǒng)學習的速度比標準的深度學習方法快得多,Botvinick說?!霸噲D預測事物的agent會在每個時間步驟自動獲得反饋,因為它可以看到它的預測結果如何。”因此它可以不斷更新其模型以使其更好。此外,這種學習是自監(jiān)督的:研究人員不必去標注東西使其工作,只需要提供獎勵和懲罰機制。


一種更為激進的方法是,放棄讓網絡從頭開始學習每個問題。“白板說”的說法確實可以讓網絡發(fā)現(xiàn)此前可能是研究人員從未想過的對象和行為方式,甚是完全出乎意料的游戲策略。但是人類的學習從來都不是“白板”:對于幾乎任務,人類少可以依靠通過經驗學習或進化硬塞到他們大腦中的先驗知識。


例如,嬰兒似乎天生就有許多固有的“歸納偏見”,這些偏見促使他們以驚人的速度吸收某些核心概念。到了2個月大的時候,他們已經開始掌握直覺物理的原理,其中包括物體存在的概念,他們傾向于沿著連續(xù)的路徑移動;同樣,嬰兒也開始學習直覺心理學的基礎知識,其中包括識別面孔的能力和認識到包含自己移動和行動的個體的能力。


具有這種天生的“歸納偏見”可能有助于深度神經網絡擁有同樣快速的學習能力,這就是為什么該領域的許多研究人員現(xiàn)在將其作為首要研究內容。事實上,在過去的1年或2年內,該領域的研究人員已經看到了一種被稱為圖網絡的方法。“這些深度學習系統(tǒng),它們將事物作為對象和關系表現(xiàn)出天生的偏見,”Botvinick說。


例如,某些對象(如爪子、尾巴和胡須)可能都隸屬于較大的對象(貓),其關系是part of。同樣,球A和B組可能具有相互關系the next to,地球與太陽有軌道圍繞(is-in-orbit-around)關系,依此類推,通過大量其他例子,其中一個都可能表示為抽象圖,其中節(jié)點對應于對象和關系的鏈接。


因此,圖網絡(graph network)是一種神經網絡,它將圖作為輸入,而不是原始像素或聲波。然后學會推理和預測對象及其關系如何隨時間演變。(在某些應用程序中,可能會使用單獨的標準圖像識別網絡來分析場景并首先挑選出對象。)


圖網絡的方法已經闡釋了快速學習和人類對各種應用程序的掌握能力,包括復雜的視頻游戲。如果它繼續(xù)像研究人員所希望的那樣發(fā)展,它可以通過提高訓練速度和效率來緩解深度學習的10000-cow問題。并且它可以使網絡更不容易受到對抗性攻擊,因為代表一個物體的是系統(tǒng),而不僅僅是像素,它不會被一點噪音或一個無關的貼紙輕易地干擾。


Botvinick承認,在這樣的領域都不會輕易或快速地取得根本性進展。但即便如此,他認為這些不是無邊界的?!斑@些挑戰(zhàn)*真實,”他說,“但并非死路一條?!?/span>


參考鏈接:

https://www.pnas.org/content/116/4/1074


人工智能在倉儲情景中的應用

   



人工智能近年來的迅猛發(fā)展,預示著其將為倉庫運作方式帶來性的變革。但在企業(yè)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(shù)據及所需人才。

對相關企業(yè)而言,即時關注并對供應鏈技術的進步具有性幾乎已經成為必須。機器人技術、自動化、數(shù)據分析和工業(yè)物聯(lián)網等各種新技術,正在逐步展示出其在貨物運輸,處理,存儲和配送效率方面的潛力。這些新技術的不斷涌現(xiàn),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(tǒng)發(fā)展到一定階段的產物,即代為執(zhí)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(xiàn)于1956年,但絕大多數(shù)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,發(fā)。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(shù)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*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(shù)據分析(收集、轉換及數(shù)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(shù)據庫才能有效地運作。然而,主要的區(qū)別在于,數(shù)據分析允許用戶從數(shù)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(shù)據庫”自動執(zhí)行*作(本文后續(xù)關于監(jiān)督學習的部分將對此進行討論)?;谄湓试S任務自動執(zhí)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(yè)來講,制定并實施供應鏈相關的人工智能戰(zhàn)略,將使其隨著技術的逐漸成熟,自身的生產力、速度與效率。

一、人工智能的發(fā)展現(xiàn)狀

人工智能近期的迅猛發(fā)展,得益于以下因素的共同作用。,各種設備的互通互連而產生的數(shù)據量的增長以及促使日常生活數(shù)字化的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(xù)增長。因此,機器學習可以運行在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(shù)據庫,進而自動執(zhí)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, 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行車路線的建議。當這一現(xiàn)象次發(fā)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(fā)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(fā)人員不必采取行動。

另一個場景是自動駕駛汽車。目前路面上行駛的的自動駕駛汽車正在被用來收集數(shù)據,用來改進下一代自動駕駛汽車的技術。當人工*作人員直接對車輛進行控制時,相關的數(shù)據就會與其他車輛的數(shù)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(shù)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(fā)展所鼓舞,但了解人工智能的局限性也很重要。在《哈佛商業(yè)評論》(Harvard Business Review) 2016年的一篇文章中,《人工智能現(xiàn)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(yè),但它并不具有無所不能的魔力?!?/span>

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(shù)都是在監(jiān)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(shù)據庫與正確的輸出決策相關聯(lián)。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(shù)據做出決策。監(jiān)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(tǒng)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(shù)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(shù)據庫,并用對應的人工響應 (或輸出) 做以注釋 (例如:這幅圖片是一張臉),那么就可以構建一個人工智能應用程序,允許計算機系統(tǒng)接收新的輸入數(shù)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,終倉庫啊的運營效率。而實現(xiàn)這一目的的關鍵就是輔助做出決策的數(shù)據庫的大小、質量與多樣性的程度。訓練輸入數(shù)據庫越大、越多樣化,機器學習算法做出的決策就越優(yōu)化。

二、選擇可參照案例

當考慮在供應鏈中應用人工智能的各種方案時,直接應用相應技術然后確定應用方案或許很有吸引力。但是,如果你首先分析一下公司業(yè)務面對的挑戰(zhàn)與機遇,然后再選擇相匹配的人工智能技術來解決相關問題,這樣的流程會有助于你選擇更有效率、更適合的應用方案。

就倉庫及其運作而言,人工智能的應用應該以企業(yè)所關注并不斷優(yōu)化的關鍵性能指標(KPI)為指導(訂單準確性、性、生產率、履行時間、設施損壞或庫存準確性等)。倉庫通常已經擁有大量與KPI指標相關的數(shù)據,這些都可以被人工智能應用程序用于自動完成任務或做出決策。然而,這些數(shù)據由于數(shù)據類型的原因并不能直接用于人工智能技術,并且通常分布在不同的倉庫管理系統(tǒng)中。因此,在正式應用之前,許多人工智能應用程序需要對不同倉庫管理信息系統(tǒng)中的數(shù)據進行整合。

下面的3個案例(生產力、設備利用率、效率)說明了人工智能在倉儲運營場景中的應用潛力。雖然這些案例可能并不適用于所有倉庫,但它們確實展示了企業(yè)如何將自己已有的數(shù)據整合成可以應用機器學習技術的形式。

案例一、生產力

在揀選訂單的環(huán)節(jié),所有的倉庫都存在不同員工的生產力不同這一現(xiàn)象(有效率的訂單揀選員也有變現(xiàn)一般的員工)。但是相對于使用系統(tǒng)引導進行揀選的倉庫而言,員工在生產力方面的差異在不使用系統(tǒng)引導的倉庫中表現(xiàn)更為*。

對于那些不使用系統(tǒng)引導進行揀選的倉庫,機器學習提供了一個可以更好推廣效員工經驗的機會,并將系統(tǒng)引導模式引入到所有員工的工作中。如果聯(lián)系到上文提到的監(jiān)督學習,效員工的揀選列表將作為人工智能應用的輸入數(shù)據;這些員工在揀選列表中貨物的順序決策即為輸出數(shù)據(基于條碼掃描或其他可獲取信息)。除了短揀選距離這一指標之外,避免擁擠通常是生產力的另外一個重要指標。因為揀選員工通常會同時考慮這兩個因素,因此上面的輸入輸出數(shù)據庫應該已包含這些信息。

基于這些精準標注的數(shù)據,機器學習算法在接收新的訂單數(shù)據后案原則進行歸類。通過這種方式,算法可以復制有效員工的揀選*作,并提高所有員工的生產力。

案例二、設備利用率

某一倉庫一天內需要搬運的容器或托盤數(shù)量與所需的搬運設備數(shù)量之間有一定的關系。在大多數(shù)情況下,兩者之間是一種線性關系。但是,某些因素(例如*作人員的技能水平或貨物的混合存放等)也可能會影響到所需搬運設備的佘亮。

在這種情況下,輸入數(shù)據就需要包括所有可能影響設備需求的數(shù)據(從倉庫管理系統(tǒng)中調用的揀選訂單清單以及從員工管理系統(tǒng)中獲取的*作人員生產力水平等信息)。輸出信息包括從升降搬運車管理系統(tǒng)中獲得的搬運設備使用率信息。

基于這一精準標注的數(shù)據庫,機器學習算法將可以接收未來數(shù)星期或數(shù)月的訂單預測信息和現(xiàn)有員工的技能水平信息,進而預估出所需搬運設備的數(shù)量。升降搬運車車隊經理將在同設備供應商的協(xié)商中采納這些信息作為決策參考,以確保通過短期租賃或新設備購買的方式來確保在某一期限內獲取合適數(shù)量的搬運設備進行揀選*作。

案例三、效率

一個好的貨位策略應該是將高需求的SKU盡量集中放在位置但同時又要適當?shù)姆稚[放,以擁堵程度來提高揀選效率。但由于需求的不斷變化以及SKU的數(shù)量(某些倉庫中可能有數(shù)千個SKU),倉庫很難僅僅依靠員工來判斷SKU的需求量來實現(xiàn)存放。因此一些倉庫運營商會使用貨位分配軟件來幫助確定SKU擺放位置。這些軟件會提供*作界面允許客戶修改運作規(guī)則。當接收到銷售歷史數(shù)據或未來銷售預測信息后,軟件就會相應的貨位策略。但是,負責軟件的人員經常會依據自己的經驗來修改策略,而這些經驗卻往往不能反應出揀選*作的真實情況。

在這種情況下,輸入數(shù)據就是軟件所的貨位策略。輸出數(shù)據是終決定執(zhí)行的策略。機器學習算法可以和貨位分配軟件結合,通過對實施終貨位擺放策略的員工的傾向性進行不斷的學習,終實現(xiàn)自動調整。

三、制定策略

明確倉儲相關領域可以從人工智能技術獲益之后,制定相關的應用策略將*重要。在其發(fā)表于《哈佛商業(yè)評論》的文章中,Andrew Ng對高管們應該如何定位公司的人工智能策略提出了一些有益的看法。他寫道,制定一個成功戰(zhàn)略的關鍵是“理解在哪里創(chuàng)造價值,什么是很難復制的”。

Ng指出,人工智能研究人員經常發(fā)布和分享他們的想法,并公布他們的代碼,因此我們可以很便捷地接觸到新理念及進展。相反,“稀缺資源”是數(shù)據和人才,而這兩點對企業(yè)制定人工智能策略獲取競爭優(yōu)勢極為關鍵。在數(shù)據源已經被連接到了對應的輸出信息的情況下,復制一款軟件比獲得原始數(shù)據要簡單的多。因此,具有鑒別與獲取有價值的數(shù)據并有能力根據實際情況修改軟件參數(shù)以化利用這些數(shù)據的人員,將是制定人工智能策略過程中關鍵而具有差異性的組成部分。也就是說,如果一個企業(yè)向推進人工智能在倉儲場景下的應用,那么它就必須將放在提高數(shù)據和人才的質量這兩方面。

關于數(shù)據,要明確的一個關鍵問題是:哪些數(shù)據是你的公司所獨有而且可以用來提高與業(yè)務相關的KPI?這一點明確之后,就需要提高倉儲管理系統(tǒng)中的數(shù)據的質量。這一步通常被稱為數(shù)據管控,來確保供應鏈運作相關的數(shù)據具有一個可以“真實反映客觀事實的來源”。

舉例來講。叉車司機的信息可以存儲在不同的信息系統(tǒng)中,包括人力資源系統(tǒng)、員工管理系統(tǒng)、倉庫管理系統(tǒng)、叉車車隊管理系統(tǒng)等。如果司機信息被分別錄入以上系統(tǒng),那么同一員工的姓名及身份號碼就可能出現(xiàn)不匹配的情況。

對于跨系統(tǒng)整合數(shù)據的機器學習應用案例來說,數(shù)據必須是干凈的。具有良好數(shù)據管控能力的企業(yè)可以將其中某一系統(tǒng)定義為存有主要數(shù)據的系統(tǒng),并在需要時通過應用程序編程接口(API)將這一數(shù)據導入其他任意系統(tǒng)中。

如果需要整合來源于多個系統(tǒng)的數(shù)據,那接下來要面對的挑戰(zhàn)就是數(shù)據集成。也就是說,要確保所有來源于不同倉儲運作相關的系統(tǒng)中的數(shù)據可以被整合成一種可以用來機器學習的形式。這就需要與供應商緊密合作,以了解對方的運營能力以及整合來自車隊管理、員工管理、倉庫管理、企業(yè)資源管理等不同系統(tǒng)的數(shù)據的潛力。這就為支持數(shù)據分析以及客戶定制化的人工智能應用奠定了數(shù)字化基礎。在技術上具有挑戰(zhàn)性,但許多系統(tǒng)中嵌入的API接口簡化了這一任務。

一個更大的挑戰(zhàn)可能來自于人才領域。在你的公司中有多少人專職進行管控、集成于抓取正在創(chuàng)建的數(shù)據信息?如果答案是“還不夠”,那么你就要考慮設置一個高管級別的職位,致力于在董事會層面來積極推動以公司數(shù)據資產為來源來建立企業(yè)競爭優(yōu)勢。

這種別的助推策略,可以從確定公司如何在這一領域構建能力開始。對大多數(shù)公司來講,也可以通過內部員工和外部顧問的組合來實現(xiàn)。甚有一些眾籌的機器學習平臺(例如Kaggle和Experfy)可以協(xié)助你將你在數(shù)據方面要面對的挑戰(zhàn)與各地的專家之間建立起聯(lián)系。因為今天你所獲得的數(shù)據可能會對未來的機器學習應用產生深遠影響,因此建立數(shù)據能力是一個優(yōu)先需要考慮的事項。許多大型企業(yè)已經在內部成立了專門部門來引導人工智能及數(shù)據分析方面的工作,這一需求也使得這一領域的人才變的炙手可熱。

四、感想總結

雖然供應鏈經理需要評估各種技術以及指導以科技為基礎的革新,但人工智能不應因此被忽略。但它也不應該被視作可以瞬間完成供應鏈變革的萬靈藥。相反地,人工智能應該被定義為一個可以與企業(yè)成功密切相關的KPI指標的工具。使用這一工具并不需要成為人工智能領域的專家,但必須確保你的企業(yè)滿足了前文所提到的三個基本要求:確定與企業(yè)績效相關的高價值應用案例;創(chuàng)立可以整合這些高價值數(shù)據的數(shù)字基礎設施;開始建立一個由內部與外部專家組成的團隊。

我來說兩句
人參與 丨 評論0條)
圖標
注冊 登錄    
評論列表
每頁 10 條,共 0 條
×

微信掃一掃關注我們

歡迎投稿

×

郵箱:15236061639@163.com

QQ:60298351

微信:a18137798589

(版權所有 科工網&北京天云聚合科技有限公司 © Copyright 2015 - 2022 . All Rights Reserved.) 京ICP備14030211號-5   |   營業(yè)執(zhí)照