AI与供应链碰撞，会产生怎样的火花？

人工智能AI（ArtificialIntelligence）

人工智能（英语：ArtificialIntelligence，缩写为AI）亦称机器智能，指由人制造出来的机器所表现出来的智能。通常人工智能是指通过普通计算机程序来呈现人类智能的技术。

在2012年之后，得益于信息化积累的数据量上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能AI开始进入不断发展和商业落地的时期。

2016年到2017年间，谷歌 （Google）旗下 DeepMind 公司开发的阿尔法围棋（AlphaGo）连续取得了第一个击败人类职业 围棋 选手、第一个战胜 围棋世界冠军 的 人工智能机器人等成绩，AI概念一时名声大振，走入大众的视野。

在人工智能60年的研究发展中，一句话概括人工智能、机器学习和深度学习之间的关系，就是“机器学习是是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。”

图来源：Nvidia

供应链与供应链管理

供应链就是通过计划(Plan)、获得(Obtain)、存储(Store)、 分销 (Distribute)、服务(Serve)等这样一些活动而在顾客和供应商之间形成的一种衔接(Interface)，从而使企业能将顾客所需的正确产品（RightProduct）能够在正确的时间（Righttime），按照正确的数量（RightQuantity）、正确的质量（RightQuality）和正确的状态（RightStatus）送到正确的地点（RightPlace）。

供应链管理通过ERP、MRP、CRM等系统的建设，已经基本完成了在生产流程不同环节、组织、人、设备之间的信息化，使得企业资源生产与消耗的数据逐渐可视，为合理地配置和利用企业资源,提高企业经营效率奠定了基础。

当人工智能AI（ArtificialIntelligence）典型的分类、预测与可视化算法，结合海量的运输、仓储、配送数据，把供应链上不同环节、组织、人、设备之间的流程连接起来，可以有效的分析和解决生产需求多变，生产周期参差，计划性差，柔性差，仓储周转率低，应收账款高等等典型供应链的问题。

英诺森在专注解决能源领域的供应链优化问题中，意识到行业供应链体系正处于从“封闭式”向“开放式”，从“单一企业”向“产业平台”转变的过程中。为了解决能源供应链中数据标准不统一造成的管理难题，英诺森在主数据产品InData中，应用了实体识别、知识图谱和神经网络翻译三大AI技术。

命名实体识别（Named Entity Recognition，NER）是自然语言处理里的一项基础任务，就是指从文本中识别出命名性指称项，为关系抽取等任务做铺垫。狭义上，是使用非规则的方式识别出文本中的构成规律不明显的命名实体，如人名、地名、组织机构名等。

主数据中的企业物料编码数据，由于在历史管理系统中特征量实体无序、多义和嵌套等问题，一方面需要结合行业知识，解决编码重复和实体多义问题；另一方面需要结合主数据分类体系，输出最优实体识别结果。

知识图谱（KnowledgeGraph）又称为科学知识图谱，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。

利用企业的物料编码主数据构建的知识图谱，能体现出完整的编码特征值知识体系，服务于InData产品中的清洗、搜索和推荐场景。在数据清洗的过程中，主数据管理人员可借助知识图谱，了解到某个新的特征量或新的联系，促使其结合专业知识，进行更深入的数据标准化管理。

神经网络机器翻译(NeuralMachineTranslation,NMT)是最近几年提出来的一种机器翻译方法，能够训练一张能够从一个序列映射到另一个序列的神经网络，输出的可以是一个变长的序列，这在翻译、对话和文字概括方面获得较传统的统计机器翻译（SMT）更好的表现。

引入机器学习到企业物料编码的翻译中，算法可以通过学习多家个企业的主数据编码，自动捕捉行业通用翻译规则，智能映射到行业通用主数据库，减轻一物多码的清理工作量。

供应链智能化增长飞轮

英诺森在供应链行业对AI落地的摸索与学习中，主要有以下2点心得体会：

首先，供应链信息化是智能化的基石。供应链行业由于涉及到企业生产物资的计划、生产、包装、仓储、物流以及成品销售等十几个业务环节。因此，供应链信息化的过程，不仅是提升仓储系统的数字化程度，同时也需要提升信息系统的流程自动化和数据标准化，使得更多维度的生产数据受益于信息化水平的不断提升。

其次，智能化的最终目标是提高客户体验，降本增效。供应链管理智能化的目标，始终是减少企业人工依赖程度，综合内外资源寻求最优行动方案，并带来明显的效率提升和成本节约。需要避免为智能而智能，不解决企业供应链真实痛点情况。

审核编辑 黄昊宇