深度学习的黑暗时代已来临？人工智能在仓储情景中的应用

本篇文章9714字，读完约24分钟

翻译|常陆

编辑器|琥珀色

由|ai技术基地营制作(id:rgznai100)

【引言】热门的人工智能技术在许多领域都取得了令人印象深刻的成就，但它仍然掩盖不了没有真正的人脑意识这一事实。因此，研究人员决心找到缺失的部分。

你需要知道的是，深度学习已经彻底改变了无人驾驶汽车、语音识别和许多其他方面。

在一张图片中，有一个又大又成熟的鲜黄色香蕉，人工智能(ai)仍然会把它识别为烤面包机，尽管它应用了强大的深度学习技术。它看起来像是在图像的一角贴了一个小的数字日光贴纸。这个结果表明，即使成千上万张香蕉、毛虫、蜗牛和类似物体的照片被训练，这个先进的人工智能系统也很容易被混淆。

这个例子被深入学习的研究人员称为“抗击攻击”，是由谷歌在加州山景城的团队发现的。它显示了人工智能在接近人类能力之前需要走多远。多伦多大学的计算机科学家geoffreyhinton是深度学习的先驱之一，他说:“我最初认为这种对抗性的例子只是一种烦恼。”“但现在我认为它们可能非常深刻。它会告诉我们我们做错了什么。”

人工智能从业者中普遍存在的一种情况是，任何人都可以轻易地列出深度学习的一长串缺点。例如，除了脆弱性之外，还有效率低下的严重问题。韩丁说:“让孩子学会认识一头牛，它不需要他们的母亲说10，000次牛”，这是一个在深度学习系统中经常需要的数字。人类通常只能从一两个例子中学习新概念。

还有不透明的问题。一旦一个深入的学习系统被训练出来，就不可能确定它是如何做出决策的。"在许多情况下，即使人工智能得到了正确的答案，也是不可接受的."大卫考克斯说，他是麻省理工学院和ibm联合实验室的计算神经科学家。他举了一个例子。假设一家银行用人工智能来评估你的声誉，然后拒绝给你贷款:“在许多州，法律要求你解释原因。”。

也许，人工智能缺乏常识。深度学习系统可能会识别像素之间的某些模式，但它们无法理解模式的含义，更不用说它们的原因了。deepmind的人工智能研究员Gregwayne说:“我不知道目前的系统是否知道沙发和椅子是用来坐着的。”

越来越多的弱点吸引了公众对人工智能技术的关注，尤其是无人驾驶汽车，它使用类似的深度学习技术来导航，但也造成众所周知的灾难和致命事故。纽约大学的认知科学家加里·马库斯(Gary Marcus)是深度学习领域最直言不讳的怀疑论者之一，他说:“人们开始说，‘也许人工智能有问题’。”直到过去的一年左右，他说:“在过去，有一种感觉，深入学习就像拥有魔法。现在人们意识到这不是魔法。”

然而，不可否认的是，深度学习仍然是一个非常强大的工具。这使得部署人脸和语音识别等应用变得非常普遍，而这在十年前几乎是不可能完成的。麻省理工学院的考克斯说:“所以我很难想象深度学习会在这个时候消失。”"我们更有可能修改或充实它."

脑战

当今深度学习革命的根源在于20世纪80年代的“脑战”，当时两种不同人工智能方法的倡导者颇有争议。

一种是现在被称为“好的老式人工智能”的方法，这种方法自20世纪50年代以来一直占主导地位。它也可以被称为符号ai，它使用数学符号来表达对象之间的关系。再加上人类建立的丰富的知识库，这些系统已经被证明非常擅长于对诸如医学等领域进行推理和得出结论。然而，在20世纪80年代，人们越来越清楚地认识到，符号人工智能方法在处理现实生活中的符号、概念和推理时表现不佳。

为了应对这些缺点，另一派研究人员开始倡导人工神经网络，即connectionistai人工智能，它是当今深度学习系统的前身。

这种想法是，在任何系统中，信号都是通过模拟节点网络来处理的，节点网络就像人脑中神经元的类似物。信号沿着连接或链接从一个节点传递到另一个节点:类似于神经元之间的突触连接。就像在真正的大脑中一样，这个问题被转化为学习调整放大或抑制每个连接所携带的信号的“权重”。

实际上，大多数网络将节点排列成一系列层，这些层与皮层中不同的处理中心大致相似。因此，专用于图像的网络将具有一层输入节点，其对每个像素的响应方式与杆细胞和脊椎细胞对进入视网膜的光的响应方式相同。一旦激活，这些节点通过加权连接将其激活传播到下一级的其他节点，并且这些节点组合输入信号并依次激活(或去激活)。这种情况一直持续到信号到达节点的输出层，在该层，活动模式提供一个断言。例如，输入图像是数字“9”。如果答案是错误的，则表示输入图像是“0”。“反向传播”算法沿着层以相反的方向运行，并调整权重以在下次获得更好的结果。

到20世纪80年代末，当处理噪声或模糊输入时，这种神经网络已被证明比符号人工智能好得多。然而，这两种方法之间的对抗仍未解决。这主要是因为当时适合人工智能系统的计算机资源非常有限，不可能确切知道这些系统能做什么。

人工智能的“神经网络”模型主要通过类似神经元的节点网络发送信号。信号沿着链路传输到节点，类似于节点之间的突触连接。“学习”通过调整放大或抑制每个环节所承载的信号的权重来改善结果。节点通常按层排列。今天的计算机可以处理几十层“深度学习”网络。

性能改进

一般来说，自2000年以来，随着功能更强大的计算机和社交媒体网站的出现，提供了大量的图像、声音和其他培训数据。辛顿是上世纪80年代反向传播算法和工会运动的联合编辑，他首先抓住了这个机会。到2010年年中，他和他的学生开始训练一个比以前更大的网络。它们相当深，层数从一两层增加到大约六层。(今天的商业神经网络通常使用超过100层。(

2009年，韩丁和他的两个研究生证明，这种“深度学习”比任何其他已知的方法都能更好地识别语音。2012年，辛顿和另外两个学生发表了实验，表明深度神经网络在图像识别方面可能比标准视觉系统好得多。他说:“我们几乎将错误率减半。”随着语音和图像识别的同步发展，深度学习应用的革命开始了。

matthewbotvinick说，当务之急是扩展深度学习系统的训练方法。他于2015年离开普林斯顿的神经科学团队，在deepmind工作了一年。语音和图像识别系统都使用所谓的监督学习。他说:“这意味着每张图片都有一个正确的答案，比如‘猫’。如果网络出了问题，你会告诉它正确答案是什么。”然后网络将使用反向传播算法来改进其下一次猜测。

伯特温尼克说，如果你碰巧有几十个精心标记的训练例子，监督学习是非常有效的。通常情况并非如此。它不适用于像玩电子游戏这样的任务，这些任务没有正确或错误的答案，只有成功或失败的策略。

博特维克解释说，事实上，在现实生活中，你需要使用强化学习。例如，一个玩电子游戏的强化学习系统学习如何寻求奖励(找到一些宝藏)和避免惩罚(赔钱)。

深度神经网络强化学习的成功实施是在2015年，当时一个来自deepmind的团队训练了一个网络来玩经典的atari2600街机游戏。博特维克说:“神经网络将在游戏中接收屏幕图像。”"在输出端有一个指定动作的层，比如如何移动操纵杆."这种神经网络的游戏水平大约等于甚至超过人类雅达利玩家。2016年，deepmind的研究人员用同样的方法使用了一个更好的alphago版本，它可以掌握复杂的棋盘游戏并击败当时的世界冠军。

超越深度学习

不幸的是，这些里程碑式的成就并没有解决深度学习的问题。例如，雅达利系统必须玩数千回合才能掌握大多数人类玩家几分钟就能学会的游戏。此外，网络不能理解或推理屏幕上的对象，如桨。所以韩丁的问题仍然存在:缺少了什么？

也许什么都没少。也许所需要的只是更多的连接、更多的网络层和更复杂的训练方法。毕竟，正如伯特温尼克指出的那样，已经从数学上证明了神经网络相当于一台通用计算机，这意味着如果你能找到正确的连接权重，那么它们就没有不能执行的计算，至少在原则上是这样。

然而，在实践中，这种警告可能是这一领域的研究人员感觉越来越强烈的一个重要原因，即他们需要一些新的想法来克服深度学习的缺点。

一种解决方案是简单地扩大训练数据的范围。例如，在2018年5月发表的一篇文章中，伯特温尼克的深度思维小组研究了在多个任务中训练网络时会发生什么。他们发现，只要网络有足够的从后到前的“周期性”连接，网络就能记住它从一个时刻到下一个时刻在做什么。它可以自动从所学的课程中学习新的任务。这至少是人类“元学习”或“学会学习”的雏形，使我们能够快速掌握一些东西。

一个更激进的方法是放弃训练一个大型网络来解决问题，让多个网络一起工作。2018年6月，deepmind发布了一个名为generativequerynetwork的架构，它使用两个不同的网络来学习复杂的虚拟环境，无需人工输入。其中之一叫做“表征网络”，它基本上使用标准的图像识别学习方法来识别在任何给定时间可见的内容。

同时，generationnetwork通过获取第一个网络的输出来学习生成整个环境的3d模型。实际上，这个任务是预测人工智能的不可见对象和特征。例如，如果一张桌子只有三条腿可见，模型可以用相同的尺寸、形状和颜色覆盖第四条腿。

伯特温尼克说，反过来，这样的预测结果将使系统的学习速度比标准的深度学习方法快得多。“试图预测事物的代理将在每个时间步骤自动获得反馈，因为它可以看到其预测结果如何。”因此，它可以不断更新它的模型，使它变得更好。此外，这种学习是自我监控的:研究人员不必标记任何东西来使他们工作，只需要提供奖励和惩罚机制。

更激进的方法是放弃，让网络从零开始学习每一个问题。“白板”的说法真的可以让网络发现研究人员从未想过的对象和行为，甚至完全出乎意料的游戏策略。然而，人类的学习从来就不是一个“白板”:对于几乎任何任务，人类至少可以依靠通过经验学习或进化强加到他们大脑中的先验知识。

例如，婴儿似乎天生就有许多“归纳偏见”，这鼓励他们以惊人的速度吸收一些核心概念。在2个月大的时候，他们已经开始掌握直观物理学的原理，包括物体存在的概念，并且他们倾向于沿着一条连续的路径移动；类似地，婴儿开始学习直觉心理学的基本知识，包括识别面孔的能力和识别世界中有自己行动和行动的个体的能力。

这种与生俱来的归纳偏见可能有助于深层神经网络具有同样的快速学习能力，这就是为什么该领域的许多研究者现在将其作为主要的研究内容。事实上，在过去的一两年里，这一领域的研究人员已经看到了一种叫做图形网络的方法。botvinick说:“这些深层的学习系统把事物看成是对象和关系，表现出天生的偏见。”

例如，一些物体(如爪子、尾巴和胡须)可能属于较大的物体(猫)，它们的关系是其中的一部分。同样地，球群A和球群B可能彼此相邻，地球和太阳有一个在轨道上围绕的关系，等等，通过大量的其他例子，它们中的任何一个都可以表示为一个抽象的图形，其中的节点对应于物体之间的链接和关系。

因此，图形网络是一种神经网络，它以图形代替原始像素或声波作为输入。然后学会推理和预测物体及其关系如何随时间演变。(在一些应用中，可以使用单独的标准图像识别网络来分析场景并首先挑选出对象。(

图形网络的方法解释了快速学习和人类掌握各种应用的能力，包括复杂的视频游戏。如果它继续像研究人员希望的那样发展，它可以通过提高训练速度和效率来缓解深度学习的万牛问题。它还可以让网络不那么容易受到对抗性攻击，因为代表一个对象的是系统，而不仅仅是像素，它不会轻易被一点点噪音或不相关的标签干扰。

伯特温尼克承认，在任何这样的领域都不会轻易或迅速取得根本性的进展。但即便如此，他认为这些并不是无国界的。“这些挑战非常现实，”他说，“但它们不是死胡同。”

参考链接:

www.pnas.org/content/116/4/1074

人工智能近年来的快速发展，预示着它将给仓库运作模式带来革命性的变化。然而，在企业决定在其运营实践中引进和实施这一新技术之前，必须确保拥有相关数据和所需人才。

对于相关企业来说，关注和敏感供应链技术的进步几乎是必要的。机器人、自动化、数据分析和工业物联网等各种新技术正在逐渐显示出它们在提高货物运输、加工、储存和配送效率方面的潜力。随着这些新技术的出现，我们很难确定应该关注哪个方面。

值得仔细研究的新技术之一是人工智能(ai)。简单地说，人工智能是计算机系统发展到一定阶段的产物，即它执行通常需要人类智能的任务(如视觉感知、语音识别、决策和语言翻译)。人工智能出现于1956年，但在大多数情况下，我们必须明确地将智能程序输入计算机。

近年来，机器学习作为一种典型的人工智能技术得到了发展。机器学习主要探索如何通过学习输入数据使计算机程序提高其输出性能。这些程序可以嵌入机器中，也可以在服务器或云中运行。亚马逊(amazon)、谷歌(Google)、facebook和微软(microsoft)等大型科技公司已经将机器学习整合到他们的产品和服务中，为用户提供更相关的网络搜索内容、更好的图像和语音识别技术以及更智能的设备。

机器学习和数据分析(收集、转换和数据分析的流程)之间有一些相似之处。它们都需要一个干净的、多样化的、大规模的数据库来有效地运行。然而，主要区别在于，数据分析允许用户从数据中得出结论，然后要求用户采取相应的措施来改善他们的供应链。相比之下，机器学习可以基于“训练数据库”对已经在可解决范围内的问题自动执行操作(这将在下面关于监督学习的部分讨论)。人工智能，尤其是机器学习，是一项重要的技术，值得许多供应链管理人员关注，因为它允许任务自动执行。对于今天的许多企业来说，随着技术的逐渐成熟，与供应链相关的人工智能策略的制定和实施将使他们提高生产率、速度和效率。

一、人工智能的发展现状

近年来人工智能的快速发展得益于以下因素的共同作用。首先，由各种设备的互连产生的数据的增长，以及促进日常生活数字化的先进传感器的使用的增长。其次，从移动设备到云计算，各种设备的计算能力也在不断增长。因此，机器学习可以在最新的硬件计算设备上运行，同时获得大量、多样和高质量的数据库，然后自动执行各种任务。

案例1:

以下是许多消费者将逐渐熟悉的场景。如果你有一部iphone，每天早上通勤上班，你最近可能会注意到以下情况:当你上车后，你的手机会自动提示你开车去公司需要多长时间，并根据实时交通信息给出驾驶路线建议。当这种现象第一次出现时，你可能会有这样的疑问:“手机怎么知道我要去上班？感觉很酷，但也有点吓人。

由于内置了机器学习功能，手机可以根据你过去做过的事情来预测你将要做什么。如果你换了工作或开车到另一个目的地，设备会自动调整其预测，并根据新的目的地发出新的通知。这种应用场景特别强大，因为设备对用户越来越有帮助，用户或软件开发人员不必采取任何行动。

另一种情况是自动驾驶汽车。目前，道路上的自动驾驶汽车正被用于收集数据和改进下一代自动驾驶汽车的技术。当手动操作者直接控制车辆时，将收集相关数据，并与其他车辆的数据进行比较，以确定在什么情况下自动驾驶车辆将切换到手动驾驶模式。这种数据收集和分析将使自动车辆更加智能。

尽管今天人们很容易被人工智能令人兴奋的发展所鼓舞，但是理解人工智能的局限性也是很重要的。在2016年《哈佛商业评论》(Harvard Business Review)的一篇文章《现阶段人工智能的能力和障碍》(The Capabilities and Disabilities of Manual Intelligence at ThE Present Stage)中，斯坦福人工智能实验室(Stanford Manual Intelligence Lab)前负责人、百度(Baidu)人工智能团队(一家跨国科技公司)前首席科学家安德沃恩(andrewng)明确表示，“人工智能将改变许多行业，

吴强调，虽然人工智能已经有很多成功的实现案例，但大多数都是在监督学习的场景下应用的。在这种模式下，每个训练输入数据库都与正确的输出决策相关联。机器学习算法通过比较这个训练库的信息，根据新的输入数据做出决策。监督学习的一些常见应用包括照片标记、贷款处理和语音识别。在每种应用情况下，系统将接收输入信息，如照片标签应用程序中的图片，并根据从训练数据库中获得的信息做出决定或反应。

如果您有一个足够大的输入数据库，并使用相应的人工响应(或输出)对其进行注释(例如，这张图片是一张脸)，您可以构建一个人工智能应用程序，允许计算机系统接收新的输入数据并做出自己的决定。这可以使过去不容易自动化的流程自动进行，最终提高仓库的运营效率。实现这一目标的关键是帮助决策的数据库的大小、质量和多样性。训练输入数据库越大、越多样化，机器学习算法做出的决策就越优化。

其次，选择参考案例

当考虑在供应链中应用人工智能的各种方案时，直接应用相应的技术然后确定应用方案可能是有吸引力的。但是，如果你首先分析公司业务所面临的挑战和机遇，然后选择匹配的人工智能技术来解决相关问题，这个过程将帮助你选择一个更高效、更合适的应用方案。

就仓库及其运作而言，人工智能的应用应以关键绩效指标(KPIs)为指导(订单准确性、安全性、生产率、绩效时间、设施损坏或库存准确性等)。)表示企业重视并不断优化。仓库通常拥有大量与kpi指标相关的数据，人工智能应用程序可以使用这些数据自动完成任务或做出决策。然而，由于数据类型的原因，这些数据不能直接用于人工智能技术，通常分布在不同的仓库管理系统中。因此，在正式应用之前，许多人工智能应用需要将数据集成到不同的仓库管理信息系统中。

以下三个案例(生产率、设备利用率和效率)说明了人工智能在仓储操作场景中的应用潜力。虽然这些案例可能并不适用于所有的仓库，但是它们确实展示了企业如何将他们现有的数据集成到一个可以应用机器学习技术的表单中。

案例1:生产率

在拣选订单的过程中，不同员工在所有仓库中的生产率是不同的(高效的订单拣选员也有普通员工)。然而，与使用系统指导进行拣选的仓库相比，在没有系统指导的仓库中，员工的生产率差异更加明显。

对于那些不使用系统指导进行领料的仓库，机器学习提供了一个更好地推广有效员工经验的机会，并将系统指导模式引入到所有员工的工作中。如果与上述监督学习相关，有效员工的挑选表将作为人工智能应用的输入数据；这些员工在挑选清单中的商品时的订单决策是输出数据(基于条形码扫描或其他可用信息)。除了最短采摘距离指标外，避免拥挤通常是提高生产率的另一个重要指标。因为在选择员工时通常会考虑这两个因素，所以上面的输入和输出数据库应该已经包含了这些信息。

基于这些精确标记的数据，机器学习算法根据案例原则对新订单数据进行分类。这样，该算法可以复制有效员工的拣货操作，提高所有员工的生产率。

案例2:设备利用率

仓库中一天内需要运输的集装箱或托盘的数量与搬运设备的数量之间有一定的关系。在大多数情况下，它们之间存在线性关系。但是，一些因素(如操作人员的技能水平或货物的混合储存等。)也可能影响所需搬运设备的亮度。

在这种情况下，输入数据需要包括可能影响设备要求的所有数据(从仓库管理系统调用的领料单和从员工管理系统获得的操作员生产率水平等)。)。输出信息包括从叉车管理系统获得的装卸设备利用率信息。

基于这个精确标记的数据库，机器学习算法可以在接下来的几周或几个月内接收订单预测信息和现有员工的技能水平信息，然后估计所需的搬运设备的数量。叉车车队经理将通过与设备供应商协商，将此信息作为决策参考，以确保通过短期租赁或购买新设备的方式，在一定时间内获得合适数量的搬运设备用于提货作业。

案例3:效率

一个好的选址策略应该尽可能地关注需求高的库存单位，但同时要合理地分配它们，以减少拥挤，提高拣选效率。然而，由于需求和库存数量的不断变化(一些仓库中可能有数千个库存)，仓库很难仅通过员工来判断库存的需求。因此，一些仓库操作员将使用位置分配软件来帮助确定sku的位置。这些软件将提供操作界面，允许客户修改操作规则。在收到销售历史数据或未来销售预测信息后，软件将推荐相应的位置策略。然而，负责软件的人员经常根据自己的经验修改策略，但是这些经验通常不能反映拣选操作的真实情况。

在这种情况下，输入数据是软件推荐的定位策略。输出数据是实施战略的最终决定。机器学习算法可以与位置分配软件相结合，不断学习执行最终位置分配策略的员工的定位，最终实现自动调整。

第三，制定策略

在阐明仓储相关领域可以受益于人工智能技术之后，制定相关的应用策略是非常重要的。在他发表在《哈佛商业评论》上的文章中，安德鲁提出了一些关于高管应该如何定位公司人工智能战略的有用观点。他写道，成功战略的关键是“了解在哪里创造价值，以及哪些东西难以复制。”

吴指出，人工智能研究人员经常发表和分享他们的想法，并公布他们的代码，这样我们就可以很容易地接触到最新的想法和进展。相反，“稀缺资源”是数据和人才，是企业制定人工智能策略以获取竞争优势的关键。当数据源已经准确地连接到相应的输出信息时，复制一个软件要比获取原始数据简单得多。因此，那些有能力识别和获取有价值的数据并根据实际情况修改软件参数以利用这些数据的人将是制定人工智能策略过程中的关键和不同的组成部分。也就是说，如果一个企业推广人工智能在仓储场景中的应用，它必须注重提高数据和人才的质量。

关于数据需要明确的一个关键问题是:哪些数据是贵公司独有的，可以用来提高与业务相关的kpi？明确这一点后，有必要提高仓库管理系统中的数据质量。这一步通常被称为数据管理和控制，以确保与供应链运作相关的数据有一个能够真实反映客观事实的来源。

例如。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。如果驾驶员信息单独输入上述系统，同一员工的姓名和身份证号码可能不匹配。

对于跨系统集成数据的机器学习应用程序，数据必须是干净的。具有良好数据管理和控制能力的企业可以将其中一个系统定义为具有主数据的系统，并在必要时通过应用编程接口(api)将该数据导入任何其他系统。

如果需要集成来自多个系统的数据，下一个挑战就是数据集成。也就是说，有必要确保来自不同仓库操作相关系统的所有数据能够集成到一个可用于机器学习的表单中。这需要与供应商密切合作，以了解彼此的运营能力以及整合来自不同系统(如车队管理、员工管理、仓库管理和企业资源管理)的数据的潜力。这为支持数据分析和定制人工智能应用奠定了数字基础。这在技术上具有挑战性，但是许多系统中的嵌入式api接口简化了这一任务。

更大的挑战可能来自人才领域。您公司中有多少人可以全职控制和集成来捕获正在创建的数据信息？如果答案是“不够”，那么你应该考虑设立一个高管级别的职位，并致力于在董事会层面上积极推动建立基于公司数据资产的企业竞争优势。

这种高层次的提升战略可以从决定公司如何在这一领域建立能力开始。对于大多数公司来说，这也可以通过内部员工和外部顾问的结合来实现。甚至有一些众筹机器学习平台(如kaggle和experfy)可以帮助你将你面临的数据挑战与来自世界各地的专家联系起来。因为您今天获得的数据可能会对未来的机器学习应用程序产生深远的影响，所以建立数据能力是一个优先事项。许多大型企业都设立了专门的部门来指导人工智能和数据分析的工作，这种需求也使得这一领域的专业人士变得炙手可热。

第四，感情的总结

尽管供应链管理者需要评估各种技术，并基于科学技术指导创新，但人工智能不应被忽视。然而，它不应该被视为在瞬间完成供应链变革的灵丹妙药。相反，人工智能应该被定义为能够改善与企业成功密切相关的关键绩效指标的工具。你不需要成为人工智能领域的专家来使用这个工具，但是你必须确保你的企业满足上面提到的三个基本要求:识别与提高企业绩效相关的高价值应用案例；创建能够集成这些高价值数据的数字基础设施；开始建立一个由内部和外部专家组成的专业团队。