这是工业和大企业应用的计算机视觉和深度学习课程的第3课：

1. 石油和天然气行业的计算机视觉和深度学习
2. 计算机视觉和深度学习在交通领域的应用
3. 面向物流的计算机视觉和深度学习
4. 计算机视觉和深度学习在医疗保健中的应用
5. 面向教育的计算机视觉和深度学习

在当今竞争激烈的市场中，拥有高效灵活的供应链是一项重要资产。因此公司正在寻找优化供应链的方法，以帮助做出决策提高运营效率和客户满意度，并减少对环境的影响。

根据 麦肯锡 的报告，到2030年人工智能将定义一种新的“物流范式”。在未来 20 年内，它每年将产生 1.3-2万亿元，因为它在重复性但关键任务方面的表现将继续优于人类。 在另一项类似的研究中，麦肯锡 报告称通过使用人工智能，企业可以将其物流、库存和服务成本分别提高 15%、35% 和 65%。

好处

丰富数据质量

机器学习和自然语言处理可以以每天涌入物流公司的大量信息为输入，建立联系以创建上下文，从而在运输中实现最佳数据使用，避免风险，创建更好的解决方案，最大限度地利用资源并削减成本。 这些丰富的数据可以帮助物流公司了解所需的劳动力和资产的确切数量，并帮助他们在日常运营中进行改进。

战略资产定位

2021 年， 将一个标准的40英尺集装箱从中国运送到美国东海岸的成本超过 170,000元 。人工智能算法可以帮助规划人员和物流公司安全地定位和保护他们的资产。 这些算法可以通过减少空集装箱的运输和减少道路上的车辆数量来提高预测容量匹配的利用率。 通过减少运输所需的车辆并将其重定向到需求量大的地点，可以保证资产状况的效率和成本降低。

改进的预测分析

计算单次货物从 A 点到 B 点的最佳运输需要通过数据分析、容量估算和网络分析进行分类。人脑几乎不可能执行这些操作，因为它们是耗时且容易出错的。这就是人工智能的预测能力发挥作用的地方。人工智能可以很容易地编译准确的数据，将其与外部因素相结合，并执行所有这些物流程序来估计即将到来的需求。这可以帮助物流公司在运输行业获得竞争优势，并减少不必要的成本。

例如，国际运输领导者 DHL 使用一个平台来监控在线和社交媒体帖子，以识别潜在的供应链问题。他们的人工智能系统可以识别短缺、访问问题、供应商状态等。

应用

预测和规划

支持 AI 的需求预测方法比 ARIMA（自回归集成移动平均线）和指数平滑等传统预测方法更准确。这些方法考虑了人口统计、天气、历史销售、当前趋势以及在线和社交媒体帖子。改进的需求预测性能有助于制造商通过减少调度车辆数量来降低运营成本，从而提高资产利用率。

通常有两种类型的需求预测模型：中长期预测和短期预测。公司通常使用中长期估计来预算和计划购买新资产（例如仓库、车辆、配送中心等）。这些预测的范围可能在1-3年之间。

但业内最广泛使用的预测是短期的，这极大地影响了运营规划，并提高了低利润率公司的底线。它们通常从几天到几周不等。例如，预测可以提前两周预测车辆的需求/销售，准确率超过 98%，提前六周预测准确率达到 95%。

在需求预测的帮助下，公司可以确保手头有适量的材料并计划他们的生产活动。结果可以与有关成本、产能等的其他相关数据相结合。此外假设在供应链管理过程中出现任何问题（例如客户决定不下订单）。在这种情况下，预测性解决方案可以通过在潜在问题发生之前识别它们并做出相应调整来避免无人想要的产品生产过剩。

为了预测未来一周的购买情况 ，OTTO 开发了一种深度学习算法，该算法分析了30亿条数据记录和200个变量，包括交易、OTTO网站上的搜索查询和天气预报。因此，该系统对未来 30 天内将出售的产品进行了 90% 的准确预测。这帮助 OTTO 每月提前订购约 200,000 件商品，并在客户下订单时更快地一次性发送商品。

优化

路线优化：路线优化使最后一英里交付的成本合理化，这对物流行业来说是一个巨大的开销。 AI 可以分析历史行程、现有路线以及地理、环境和交通数据，以使用最短路径图算法，并确定物流卡车最有效的路线。这将降低运输成本和碳足迹。

Zalando 训练了一种称为OCaPi算法（最佳购物车拣选）的神经网络，该算法可以更有效地进行员工之间的拣选工作，并加快拣选过程。该算法不仅考虑了员工的路线，还考虑了转盘运输车的路径，当员工从货架上收集物品时，这些运输工具有时会停在横向过道中。在这样做的过程中，它提出了最短的路线。

成本和价格优化： 根据需求和供应，商品价格会波动。根据过去有关销售、数量、市场状况、货币汇率和通货膨胀的历史数据，预测分析可以帮助公司最大限度地降低商品定价错误的风险。这些模型可以告诉公司是否应该降低价格或提高利润率，帮助他们在市场上脱颖而出。

库存优化： 库存优化可帮助公司充分利用其供应链。库存过多但没有销售会导致折旧和损失，尤其是食品、药品等易腐烂的商品。预测模型可以帮助组织始终保持适当的供应水平，从而降低投资成本和由于生产过剩或库存不足而造成的浪费。此外，这些模型可以使用有关客户行为和即将发生的事件（如假期）的历史数据进行预测。

自动化仓库

自动仓储可以分为两种类型：帮助移动货物的设备和改善货物处理的电器。 自动导引车 （AGV） 可以实现第一种类型的箱子和托盘的移动。它们可以配备软件来改造标准叉车并使其实现自主化。其他新技术，如群体机器人（例如亚马逊的Kiva机器人）可以帮助将装有货物的货架移动到目的地和传送带。此外，先进的自动存储/检索系统可以将货物存储在大型货架中，并具有机器人穿梭车，可以使用连接到结构的导轨在三维空间中移动。

例如，零售巨头 亚马逊 于 2012 年收购了 Kiva Systems，并于 2015 年更名为 Amazon Robotics。如今亚马逊有 200,000 台机器人在他们的仓库中工作。在亚马逊的 175 个运营中心中，有 26 个运营中心使用机器人帮助拣选、分拣、运输和存放包裹。

搬运设备可以自动拣选、分拣和码垛货物。 它们通常具有可以确定物体形状和结构的传感器。然后使用类似的人工智能算法，这些设备可以过滤掉任何不好的东西（例如，Magazino的新 TORU立方体 ）。甚至传送带也可以通过使用人工智能自动传感器来推进，这些传感器可以扫描包装任何一侧的条形码并确定适当的操作。

除了这些机器人机器之外，其他各种创新也可以提高仓库人员的生产力。

外骨骼可以通过手套或对腿部的额外支撑来增强人体运动的机械动力。 这些系统允许人们移动更多的货物（例如，较重的物品）或更高效、更安全地移动货物。
人工智能可以通过会计信息（例如，产品尺寸、重量等）使用计算机视觉自动分类和识别库存中存储的货物。人工智能可以在没有人工协助的情况下快速定位仓库中的这些物品。
如果人工智能机器人负责操作危险设备和存储库存，员工的安全性将得到改善。计算机视觉算法可以跟踪员工的工作，监控各种安全问题，并识别任何可疑行为。

预测性维护

预测性维护涉及通过分析实时传感器数据来检测工厂机器故障。为了使预测性维护正常工作，传感器必须记录与组件运动相关的所有参数。例如这些因素包括打开和关闭事件、控制系统动作、压力缸和码头的滚轮磨损。

下一步是规范性维护， 包括根据对下一次故障、服务日期和时间、要提供的备件等的预测，主动安排非高峰期的维护。该计划甚至可能影响相关设备的参数，从而不再以全功率执行可能加重损坏的运动。而是尽可能小心地使用基础设施，以免在预定的维护日期之前触发故障。

此外，假设这是完全依赖传感器的情况是不正确的。现代传感器和传感器的链接可以检测不正确的传感器值，并让人工智能将这些值与其他测量值相结合进行插值。然而，问题并不总是出在机器上。传感器本身可能存在故障，不一定会导致计划停机。

后台和客户体验

后台操作： 每个企业都有手动完成的后台任务。自动化 AI 解决方案可以应用于此类任务，通过以下方式提高后台运营效率：

• 自动化文档处理：文档自动化技术可用于通过自动化数据输入、错误核对和文档处理来快速处理发票/提单/费率表文档。
• 调度和跟踪：人工智能系统可以安排运输，组织货物管道，将各种员工分配和管理到特定站点，以及跟踪仓库中的包裹。
• 报告生成：机器人流程自动化 （RPA） 工具可以自动生成定期报告，分析其内容并通知利益相关者和员工。

客户体验： 预测性解决方案可以通过深入了解客户的行为来帮助改善客户体验。 他们可以确定客户接下来可能会购买什么、何时可以取消或退回产品、有关购买角色的最新趋势等。这样的策略有助于公司留住客户，同时吸引新客户。这些预测算法还可以根据客户的选择和行为对客户进行细分，使公司能够根据需求更早地调整供应链和产品价格。

销售和营销团队可以根据他们的产品有效地定位特定的客户群。然后，经理可以了解他们的营销策略如何影响客户的购买决策（例如，为什么有些人停止使用他们的产品）。是什么让他们转向其他品牌？预测分析还可以分析社交媒体帖子，例如在 Twitter、Facebook 和其他产品上的提及，以立即获得消费者的反馈并改进他们的服务。

挑战

在物流行业应用人工智能有其自身的风险和挑战。

对历史数据的访问受限

为了使这些预测性 AI 解决方案有效运行，必须访问在各个业务部门和供应链中收集的大量历史高质量数据。质量和数量取决于公司的规模、地理位置和已经采用的 IT 解决方案。 因此，企业需要投入资源和时间来设置解决方案和设备，以战略性地收集有关其业务的相关信息。一个好的建议是从低投资的 AI 设计冲刺研讨会开始，以进行数据收集和预测建模实施。

缺乏360°视野

企业仍然依赖传统解决方案，而这些解决方案缺乏与整个供应链网络中其他系统的集成。软件解决方案通常无法涵盖所有流程，并且与不同的供应商不兼容，因此更难跨平台合并数据。缺乏 360 度的供应链视图是采用预测分析的最大挑战。

缺乏人工智能技能的专业人员

各行各业需要聘请一流的数据科学家和机器学习专家来构建和设计他们的算法和系统。不幸的是对此类专家的需求超过了供应，这使得企业很难找到和雇用在业务领域知识、数据科学、数学和统计学方面具有扎实专业知识的分析专业人员。因此，许多公司无法实施预测分析解决方案，因为他们没有足够的合格员工来执行复杂的人工智能项目。

总结

公司正在寻找优化供应链的方法，以帮助做出决策，以提高运营效率和客户满意度，并减少对环境的影响。人工智能通过服务于物流行业的各种任务，正在定义一种新的“物流范式”：

• 预测和规划： 在需求预测的帮助下，公司可以确保手头有适量的材料并计划生产活动。结果可以与有关成本、产能等的其他相关数据相结合。
• 优化： 人工智能可以分析历史行程、现有路线以及地理、环境和交通数据，以使用最短路径图算法，并为物流卡车确定最有效的方式。此外基于过去有关销售、数量、市场状况、货币汇率和通货膨胀的历史数据，预测分析可以帮助公司最大限度地降低商品错误定价的风险。
• 自动化仓库：自动导引车（AGV）可以实现箱子和托盘的移动。它们可以配备软件来改造标准叉车并使其实现自主化。
• 预测性和规范性维护： 它涉及通过分析实时传感器数据来检测工厂机器故障，并根据对下一次故障、服务日期和时间、要提供的备件等的预测，主动安排非高峰期的维护。
• 后台操作： 文档自动化技术可用于通过自动化数据输入、错误核对和文档处理来快速处理发票/提单/费率表文档。

然而，物流行业的人工智能也带来了挑战。

• 对历史数据的访问有限： 为了使这些预测性 AI 解决方案有效运行，必须访问在各个业务部门和供应链中收集的大量历史高质量数据。质量和数量取决于公司的规模、地理位置和已经采用的 IT 解决方案。
• 缺乏 360° 视野： 企业仍然依赖传统解决方案，这些解决方案缺乏与整个供应链网络中其他系统的集成。软件解决方案通常无法涵盖所有流程，并且与不同的供应商不兼容，因此更难跨平台合并数据。
• 缺乏人工智能技能专业人员： 各行各业需要聘请一流的数据科学家和机器学习专家来构建和设计他们的算法和系统。不幸的是，对此类专家的需求超过了供应，这使得企业很难找到和雇用在业务领域知识、数据科学、数学和统计学方面具有扎实专业知识的分析专业人员。

参考

• https://pyimagesearch.com/2022/11/14/computer-vision-and-deep-learning-for-logistics/