DHL和IBM年度报告：物流中的人工智能（附完整报告下载）

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。