就仓库及其运作而言，人工智能的应用应该以企业所关注并不断优化的关键性能指标(KPI)为指导(订单准确性、安全性、生产率、履行时间、设施损坏或库存准确性等)。仓库通常已经拥有大量与KPI指标相关的数据，这些都可以被人工智能应用程序用于自动完成任务或做出决策。然而，这些数据由于数据类型的原因并不能直接用于人工智能技术，并且通常分布在不同的仓库管理系统中。因此，在正式应用之前，许多人工智能应用程序需要对不同仓库管理信息系统中的数据进行整合。

　　下面的3个案例(生产力、设备利用率、效率)说明了人工智能在仓储运营场景中的应用潜力。虽然这些案例可能并不适用于所有仓库，但它们确实展示了企业如何将自己已有的数据整合成可以应用机器学习技术的形式。

　　图片源自网络，感谢原作者提供。

　　案例一、生产力

　　在拣选订单的环节，所有的仓库都存在不同员工的生产力不同这一现象(有效率最高的订单拣选员也有变现一般的员工)。但是相对于使用系统引导进行拣选的仓库而言，员工在生产力方面的差异在不使用系统引导的仓库中表现更为明显。

　　对于那些不使用系统引导进行拣选的仓库，机器学习提供了一个可以更好推广最高效员工经验的机会，并将系统引导模式引入到所有员工的工作中。如果联系到上文提到的监督学习，最高效员工的拣选列表将作为人工智能应用的输入数据;这些员工在拣选列表中货物的顺序决策即为输出数据(基于条码扫描或其他可获取信息)。除了最短拣选距离这一指标之外，避免拥挤通常是提升生产力的另外一个重要指标。因为最佳拣选员工通常会同时考虑这两个因素，因此上面的输入输出数据库应该已包含这些信息。

　　基于这些精准标注的数据，机器学习算法在接收新的订单数据后案最佳原则进行归类。通过这种方式，算法可以复制最有效员工的拣选操作，并提高所有员工的生产力。

　　案例二、设备利用率

　　某一仓库一天内需要搬运的容器或托盘数量与所需的搬运设备数量之间有一定的关系。在大多数情况下，两者之间是一种线性关系。但是，某些因素(例如操作人员的技能水平或货物的混合存放等)也可能会影响到所需搬运设备的佘亮。

　　在这种情况下，输入数据就需要包括所有可能影响设备需求的数据(从仓库管理系统中调用的拣选订单清单以及从员工管理系统中获取的操作人员生产力水平等信息)。输出信息包括从升降搬运车管理系统中获得的搬运设备使用率信息。

　　基于这一精准标注的数据库，机器学习算法将可以接收未来数星期或数月的订单预测信息和现有员工的技能水平信息，进而预估出所需搬运设备的数量。升降搬运车车队经理将在同设备供应商的协商中采纳这些信息作为决策参考，以确保通过短期租赁或新设备购买的方式来确保在某一期限内获取合适数量的搬运设备进行拣选操作。

　　案例三、效率

　　一个好的货位策略应该是将高需求的SKU尽量集中放在最佳位置但同时又要适当的分散摆放，以降低拥堵程度来提高拣选效率。但由于需求的不断变化以及SKU的数量(某些仓库中可能有数千个SKU)，仓库很难仅仅依靠员工来判断SKU的需求量来实现最佳存放。因此一些仓库运营商会使用货位分配软件来帮助确定SKU摆放位置。这些软件会提供操作界面允许客户修改运作规则。当接收到销售历史数据或未来销售预测信息后，软件就会推荐相应的货位策略。但是，负责软件的人员经常会依据自己的经验来修改策略，而这些经验却往往不能反应出拣选操作的真实情况。

　　在这种情况下，输入数据就是软件所推荐的货位策略。输出数据是最终决定执行的策略。机器学习算法可以和货位分配软件结合，通过对实施最终货位摆放策略的员工的倾向性进行不断的学习，最终实现自动调整。

　　三、制定策略

　　明确仓储相关领域可以从人工智能技术获益之后，制定相关的应用策略将非常重要。在其发表于《哈佛商业评论》的文章中，Andrew Ng对高管们应该如何定位公司的人工智能策略提出了一些有益的看法。他写道，制定一个成功战略的关键是“理解在哪里创造价值，什么是很难复制的”。

　　Ng指出，人工智能研究人员经常发布和分享他们的想法，并公布他们的代码，因此我们可以很便捷地接触到最新理念及进展。相反，“稀缺资源”是数据和人才，而这两点对企业制定人工智能策略获取竞争优势极为关键。在数据源已经被精确连接到了对应的输出信息的情况下，复制一款软件比获得原始数据要简单的多。因此，具有鉴别与获取有价值的数据并有能力根据实际情况修改软件参数以最大化利用这些数据的人员，将是制定人工智能策略过程中关键而具有差异性的组成部分。也就是说，如果一个企业向推进人工智能在仓储场景下的应用，那么它就必须将重点放在提高数据和人才的质量这两方面。

　　关于数据，要明确的一个关键问题是：哪些数据是你的公司所独有而且可以用来提高与业务相关的KPI?这一点明确之后，就需要提高仓储管理系统中的数据的质量。这一步通常被称为数据管控，来确保供应链运作相关的数据具有一个可以“真实反映客观事实的来源”。

　　举例来讲。叉车司机的信息可以存储在不同的信息系统中，包括人力资源系统、员工管理系统、仓库管理系统、叉车车队管理系统等。如果司机信息被分别录入以上系统，那么同一员工的姓名及身份号码就可能出现不匹配的情况。比如，一个人可以在WMS中被标识为Jo Smith， #01425; 在LMS系统中为Joanne Smith, #1425; 而在车队管理系统中则只登记为Joanne Smith，同时没有认可身份号码。

　　对于跨系统整合数据的机器学习应用案例来说，数据必须是干净的。具有良好数据管控能力的企业可以将其中某一系统定义为存有主要数据的系统，并在需要时通过应用程序编程接口(API)将这一数据导入其他任意系统中。

　　如果需要整合来源于多个系统的数据，那接下来要面对的挑战就是数据集成。也就是说，要确保所有来源于不同仓储运作相关的系统中的数据可以被整合成一种可以用来机器学习的形式。这就需要与供应商紧密合作，以了解对方的运营能力以及整合来自车队管理、员工管理、仓库管理、企业资源管理等不同系统的数据的潜力。这就为支持数据分析以及客户定制化的人工智能应用奠定了数字化基础。在技术上具有挑战性，但许多系统中嵌入的API接口简化了这一任务。