DHL和IBM年度报告:物流中的人工智能(附完整报告下载)

[罗戈导读]在2018年底,德国知名的物流集团DHL和IBM公司合作,出品了研究报告《物流中的人工智能》(Artificial Intelligence in Logistics),以详实的案例和资料阐述了人工智能技术的发展现状,及其对于物流领域的实际意义。

报告下载:2018_Artificial Intelligence in Logistics.pdf

报告包括三部分:

1.人工智能(AI)意味着什么?

2.物流之外领域有哪些案例可以借鉴?

3.AI对于物流的意义和实用案例。

(一)人工智能意味着什么?

图1:人工智能的发展历程。来源:NVIDIA

人工智能(AI)早在1956年就首次被提出,随后在60多年的发展历程中多次起伏。在其发展历程中,机器学习(Machine Learning)和深度学习(Deep Learning)是两个关键的概念。后者因助力ALPHAGO战胜围棋世界冠军而声名大噪。

机器学习算法通常是应用在某个特定的领域,通过分析输入和输出的关系来发现其中的规律。其典型应用包括:输入人像照片,输出其身份;输入一个人的收入状况/信贷历史,输出其贷款违约的概率等。深度学习则在机器学习的基础上更进一步:它会基于现实世界的数据反馈,不断调整和升级自己的学习模型,以提供更有价值的洞见(insight)。

图2:机器学习的基本原理。来源:IBM / DHL

机器学习的三大要素是“感知”(sensing)、“处理”(processing)和“进步”(learning)。其基本工作原理如图2所示,呈现出循环往复的工作过程。

“感知”主要是对基础数据的收集,提供尽可能丰富的输入;“处理”把输入转变为有意义的输出(洞见);而“进步”(自我提升)则意味着人工智能本身不是一成不变的。对于同样的输入,其输出结果会变得越来越好。

图3:人工智能和物联网的结合。来源:DHL

在“感知”环节,人工智能越来越多地和物联网(IoT,Internet of Things)技术相结合,如图3所示。在物联网时代,越来越多的物体(比如工厂中的机器设备、家用的电器)都通过传感器等方式和网络相连接,藉由先进通信技术将其实际状态数据传到网上。这就给人工智能算法提供了大量“饲料”,让AI可以基于充足的数据提升性能,提供有价值的信息(例如:预测机器发生故障的时间),从而对实体资产进行更有效的管理。

为什么说AI对于物流领域很有价值?

首先,由于信息技术(高性能计算、RFID等)的成本降低,使得物流数据的感知/处理/学习成本已经来到了普及的临界点,技术不再遥不可及。

其次,物流运作往往环节众多,各方关系复杂,并且有大量的实物/资金/信息数据产生。复杂网状结构和大数据量的特性使得物流天生就适合作为AI应用的场景。

再次,目前AI在实际物流企业中的落地应用比例还不高(不到10%),提供了一片广阔的蓝海。

(二)非物流领域的AI案例

图4:非物流领域的AI落地案例。来源:IBM/DHL

他山之石,可以攻玉。在非物流领域,有至少五个方面的人工智能落地案例,可供借鉴(如图4所示)。

在家庭环境中,智能音箱等设备为个人用户提供了便利的服务。一大趋势是:消费者通过语音即可与智能产品交互,而不需要再拨动手指来操作屏幕。自然语言处理(NLP)技术也越来越强大,使得谷歌的无线耳机可以支持40多种不同语言。类似的技术也帮助企业大大提升工作效率。例如:Autodesk公司提供智能语音服务平台,将客户服务的平均响应时间从1.5天压缩到了5分钟之内

在零售场景,AI也得到了普遍的应用。在零售营销过程中,有广告重定位(Ad retargeting)的概念:据统计,只有2%的顾客会在首次访问电商网站的时候直接下单。如何触发其后续购买行为,成为商家高度关注的话题。

人工智能算法可以结合消费者的个人资料、历史购买行为等,推荐最佳的选择,以提升用户实际下单的比率。此外,在现场导购/库存管理/货架优化等场景中,都有AI算法的用武之地。

图5:自动驾驶中的智能感知技术。来源:AGA

自动驾驶近年来备受关注,也是人工智能/机器学习的代表性应用领域之一。“感知”、“处理”和“进步”对自动驾驶都非常重要。以“感知”(Sensing)为例,需要综合多种雷达/探测器/摄像机等技术,才能给人工智能算法提供足够的决策依据,从而作出变速/变向等关键决策。

在这个领域,传统车企(宝马、奔驰等)和高科技新锐(NVIDIA、Mobileye等)既是竞争关系,又有合作潜力。由于城区道路的环境过于复杂,自动驾驶更倾向于在工厂/物流园区等特定的封闭环境首先落地。

图6:在IBM Watson的支持下开展生产制造。来源:John Deere

“Last but not least”,人工智能可以对工厂的生产制造环节提供支持。美国著名的农机巨头约翰迪尔(John Deere)在多个场景应用了IBM Watson的认知科技:基于车间实景照片,算法可以识别出成品/半成品中的质量问题,并诊断可能的原因,为工厂改进产品质量提供实用建议。

Watson系统的整个质量诊断过程可以做到“hands-free”:车间人员只需要通过语音通话就可以调动AI程序,不影响手头的装配操作。另外,人工智能系统还可以和修理技师的信息系统对接,自动查询哪位技师有空到现场维修设备。

(三)AI对物流的意义和案例

图7:物流领域中的AI应用案例。来源:IBM/DHL

在物流领域,除了可以借鉴其它行业经验之外,其实也已经有自己的实际应用案例,来发挥人工智能的分析判断能力(如图7所示)。

“后台支持”,指的主要是人力资源(HR)、财务、法务等部门。分析报告认为,目前的这类工作中存在很多简单重复的环节,如撰写邮件收集数据、数据录入、抄写等。

随着人工智能的普及,许多类似的工作可以交给机器/算法来完成,从而减少相关的人力需求。与此同时,人类可以从事更具创造力的工作(例如决策分析),如图8所示。

图8:AI将全面替代简单重复的工作(以HR为例)。来源:Ernst & Young

用人工智能来从事重复性的“后台支持”工作,目前在物流领域已经有了不少应用。比如:在财务审核领域,可以用人工智能算法来自动识别财务资料的内容,发现潜在的腐败问题/不合规现象等。

安永公司(Ernst & Young)已经将这种财务审核算法应用于50个国家,其识别准确率达97%。海关的通关流程也可以受益于AI:通过自动识别通关文件内容,能够大大缩短进出口通关的时间,让物流运作更顺畅。

“预测性物流”(Predictive Logistics)在AI的帮助下也日渐普及。其代表性应用之一是物流网络的管理:例如,在航空业中用机器学习算法分析50-60个参数,可以准确预测航班的延误时间,从而更合理地安排货物/人员/耗材等要素,降低航空运输的成本。

类似的思想也可以用在供应链的其它环节:机器学习可以更准确地预测客户需求(demand)以及供应商的供货风险(supply risk),把损失降到最低限度。

人工智能在物流领域中的另一重要应用,是优化资产管理,打造更加智慧的资产(Seeing, speaking and thinking assets)。一大基本的应用是库存盘点:如图9所示,通过用图像识别技术来分辨货架上的实际库存,可以实现盘点的全自动化,大大减少相关的人力投入;并且盘点的频率也可以提高(如有必要,可以每晚盘点一次),从而更准确地掌握现有资产情况。

图9:AI用于库存盘点。来源:QoPius

AI技术也可以用于对资产实体进行移动,例如:在电商和制造业领域日益普及的Kiva类机器人,其运行过程中往往要对大量机器人的运行路线进行彼此协调,追求最优的路径并且保证安全。分拣机器人(Sorting robot)的应用也日益广泛:对一堆形状各异的混杂物品进行识别和分类,必须基于高性能的深度学习技术。

如何确定一家企业是否需要AI?首先,我们需要把AI项目分为两大类:“成本节省型”和“价值发掘型”。前者主要是为了降低成本,尤其是人力成本;而后者则希望提供更好的洞见(insight),来提高日常决策的质量。

在明确了自己需要哪类项目之后,可以通过回答一系列问题,来确定自己需要开展哪类项目(参见图10和图11)。只有当获得若干个“Yes”之后,才能作出开展人工智能/机器学习项目的决定。

图10:成本节省型项目的决策树。来源:IBM

图11:价值发掘型项目的决策树。来源:IBM

本文小结:

通过阅读《物流中的人工智能》报告,可以了解到:

1. 人工智能在物流中的应用已经到达了一个临界点,有望迎来快速的(爆发式)增长。

2. 具体到每一家企业,仍然需要有足够的基础数据作支持,才能有效开展AI项目。报告原文中的口号是“No data, no project”。“感知”(Sensing)是人工智能应用的第一道门槛。

3. 明确自己的应用目标(例如:节省人工成本、或缩短运营周期),会更有利于人工智能项目的落地。

上一篇:2018阿里本地生活大数据
下一篇:长江交运 | 交运行业数据库
凡来源为罗戈网的内容,其版权均属罗戈(深圳)供应链管理有限公司所有,转载请注明来源。文章内容系作者个人观点,不代表罗戈网对观点赞同或支持。更多深度报道,请关注“物流沙龙”微信公众号
1元 2元 5元 10元

感谢您的打赏

罗戈快讯 更多