AI與供應鏈碰撞，會產(chǎn)生怎樣的火花？

人工智能AI（ArtificialIntelligence）

人工智能（英語：ArtificialIntelligence，縮寫為AI）亦稱機器智能，指由人制造出來的機器所表現(xiàn)出來的智能。通常人工智能是指通過普通計算機程序來呈現(xiàn)人類智能的技術。

在2012年之后，得益于信息化積累的數(shù)據(jù)量上漲、運算力的提升和機器學習新算法（深度學習）的出現(xiàn)，人工智能AI開始進入不斷發(fā)展和商業(yè)落地的時期。

2016年到2017年間，谷歌 （Google）旗下 DeepMind 公司開發(fā)的阿爾法圍棋（AlphaGo）連續(xù)取得了第一個擊敗人類職業(yè) 圍棋 選手、第一個戰(zhàn)勝 圍棋世界冠軍 的 人工智能機器人等成績，AI概念一時名聲大振，走入大眾的視野。

在人工智能60年的研究發(fā)展中，一句話概括人工智能、機器學習和深度學習之間的關系，就是“機器學習是是一種實現(xiàn)人工智能的方法，深度學習是一種實現(xiàn)機器學習的技術。”

圖來源：Nvidia

供應鏈與供應鏈管理

供應鏈就是通過計劃(Plan)、獲得(Obtain)、存儲(Store)、 分銷 (Distribute)、服務(Serve)等這樣一些活動而在顧客和供應商之間形成的一種銜接(Interface)，從而使企業(yè)能將顧客所需的正確產(chǎn)品（RightProduct）能夠在正確的時間（Righttime），按照正確的數(shù)量（RightQuantity）、正確的質(zhì)量（RightQuality）和正確的狀態(tài)（RightStatus）送到正確的地點（RightPlace）。

供應鏈管理通過ERP、MRP、CRM等系統(tǒng)的建設，已經(jīng)基本完成了在生產(chǎn)流程不同環(huán)節(jié)、組織、人、設備之間的信息化，使得企業(yè)資源生產(chǎn)與消耗的數(shù)據(jù)逐漸可視，為合理地配置和利用企業(yè)資源,提高企業(yè)經(jīng)營效率奠定了基礎。

當人工智能AI（ArtificialIntelligence）典型的分類、預測與可視化算法，結(jié)合海量的運輸、倉儲、配送數(shù)據(jù)，把供應鏈上不同環(huán)節(jié)、組織、人、設備之間的流程連接起來，可以有效的分析和解決生產(chǎn)需求多變，生產(chǎn)周期參差，計劃性差，柔性差，倉儲周轉(zhuǎn)率低，應收賬款高等等典型供應鏈的問題。

英諾森在專注解決能源領域的供應鏈優(yōu)化問題中，意識到行業(yè)供應鏈體系正處于從“封閉式”向“開放式”，從“單一企業(yè)”向“產(chǎn)業(yè)平臺”轉(zhuǎn)變的過程中。為了解決能源供應鏈中數(shù)據(jù)標準不統(tǒng)一造成的管理難題，英諾森在主數(shù)據(jù)產(chǎn)品InData中，應用了實體識別、知識圖譜和神經(jīng)網(wǎng)絡翻譯三大AI技術。

命名實體識別（Named Entity Recognition，NER）是自然語言處理里的一項基礎任務，就是指從文本中識別出命名性指稱項，為關系抽取等任務做鋪墊。狹義上，是使用非規(guī)則的方式識別出文本中的構成規(guī)律不明顯的命名實體，如人名、地名、組織機構名等。

主數(shù)據(jù)中的企業(yè)物料編碼數(shù)據(jù)，由于在歷史管理系統(tǒng)中特征量實體無序、多義和嵌套等問題，一方面需要結(jié)合行業(yè)知識，解決編碼重復和實體多義問題；另一方面需要結(jié)合主數(shù)據(jù)分類體系，輸出最優(yōu)實體識別結(jié)果。

知識圖譜（KnowledgeGraph）又稱為科學知識圖譜，是顯示知識發(fā)展進程與結(jié)構關系的一系列各種不同的圖形，用可視化技術描述知識資源及其載體，挖掘、分析、構建、繪制和顯示知識及它們之間的相互聯(lián)系。

利用企業(yè)的物料編碼主數(shù)據(jù)構建的知識圖譜，能體現(xiàn)出完整的編碼特征值知識體系，服務于InData產(chǎn)品中的清洗、搜索和推薦場景。在數(shù)據(jù)清洗的過程中，主數(shù)據(jù)管理人員可借助知識圖譜，了解到某個新的特征量或新的聯(lián)系，促使其結(jié)合專業(yè)知識，進行更深入的數(shù)據(jù)標準化管理。

神經(jīng)網(wǎng)絡機器翻譯(NeuralMachineTranslation,NMT)是最近幾年提出來的一種機器翻譯方法，能夠訓練一張能夠從一個序列映射到另一個序列的神經(jīng)網(wǎng)絡，輸出的可以是一個變長的序列，這在翻譯、對話和文字概括方面獲得較傳統(tǒng)的統(tǒng)計機器翻譯（SMT）更好的表現(xiàn)。

引入機器學習到企業(yè)物料編碼的翻譯中，算法可以通過學習多家個企業(yè)的主數(shù)據(jù)編碼，自動捕捉行業(yè)通用翻譯規(guī)則，智能映射到行業(yè)通用主數(shù)據(jù)庫，減輕一物多碼的清理工作量。

供應鏈智能化增長飛輪

英諾森在供應鏈行業(yè)對AI落地的摸索與學習中，主要有以下2點心得體會：

首先，供應鏈信息化是智能化的基石。供應鏈行業(yè)由于涉及到企業(yè)生產(chǎn)物資的計劃、生產(chǎn)、包裝、倉儲、物流以及成品銷售等十幾個業(yè)務環(huán)節(jié)。因此，供應鏈信息化的過程，不僅是提升倉儲系統(tǒng)的數(shù)字化程度，同時也需要提升信息系統(tǒng)的流程自動化和數(shù)據(jù)標準化，使得更多維度的生產(chǎn)數(shù)據(jù)受益于信息化水平的不斷提升。

其次，智能化的最終目標是提高客戶體驗，降本增效。供應鏈管理智能化的目標，始終是減少企業(yè)人工依賴程度，綜合內(nèi)外資源尋求最優(yōu)行動方案，并帶來明顯的效率提升和成本節(jié)約。需要避免為智能而智能，不解決企業(yè)供應鏈真實痛點情況。

審核編輯 黃昊宇