機器學習在有大數據的情況下學習效果最好。這些系統學習的速度就越快。在很多情況下，供應鏈應用程序將需要大數據平臺來收集數據、清理數據并協調數據。

如今，人工智能的應用越來越廣泛，而人工智能技術也適用于供應鏈管理。以下是關于供應鏈管理應用人工智能所需要了解的20件事：

(1)任何能夠感知其環境并采取行動以最大化其在某個目標上取得成功的設備，都采用了某種形式的人工智能(AI)技術。人工智能是一個定義松散的術語，可以指代多種技術。但是運營研究人員表示，還有一種趨勢是引用嵌入技術的算法，這些算法不像人工智能那樣成熟，數學和統計學中其他成熟的分支即使符合定義，也不會認為是人工智能。

(2)在供應鏈領域，機器學習是大部分活動的重點。Symphony RetailAI公司首席產品官Adeel Najmi對機器學習進行了定義：“當機器獲取輸出時，學習就會發生，觀察輸出的準確性，并更新自己的模型，以便產生更好的輸出。任何執行此操作的機器都將使用機器學習。無論使用數據科學方法還是使用神經網絡或其他形式的有監督或無監督學習技術，這并不重要。重要的是不要在具體的技術上陷入困境。重要的是，機器本身能夠通過經驗學習和改進。”

(3)當以這種方式看待機器學習時，人工智能應用在供應鏈管理并不是什么新鮮事。自21世紀初以來，機器學習一直被用于改善需求預測。需求計劃應用程序依靠一系列算法來獲取貨運歷史數據并將其轉換為預測。例如，一種算法更適合促銷，另一種適用于生命終結產品。可以通過機器查看預測，將其與實際出貨量進行比較，并建議何時可以從特定庫存單位或產品系列的一種算法轉移到另一種算法。

(4)隨著時間的推移，需求規劃過程中引入了更多的數據輸入，許多公司正在做更多的預測。例如，一些公司在產品/商店級別進行每日、每周、每月或更長時間的預測，而不僅僅是進行月度預測。對于每天在商店級別預測的產品，應用于銷售點數據流的算法可能具有最大的預測能力。而具有機器學習功能的預測引擎，只是一直在尋找對不同的預測層次結構具有更強的預測能力的某種算法和數據流組合。

(5)根據所使用的數據量，以及跨越不同時間范圍和運往地點的預測量，一些公司采用了完全基于人工智能的解決方案，并將工作人員排除在外。E2open公司提供了一個完全自動化預測過程的解決方案。像Proctor&Gamble這樣的大型成熟公司使用并信任這種解決方案。E2open公司表示，有證據表明，當預測人員忽略汽車引擎的輸出并調整預測時，其結果往往更糟糕。

(6)存在爭議的黑盒解決方案。使用黑盒解決方案，規劃人員無法深入機器并了解預測引擎如何生成預測。他們必須信任輸出數據。與傳統解決方案相比，人工智能解決方案更可能是黑盒。Kinaxis行業解決方案營銷副總裁Harish Iyer強烈反對采用這些類型的解決方案。他說，“有人需要對此負責。如果出現問題，并且用戶剛剛從黑匣子接受了計劃，那么如何讓規劃者負責?而工作人員的等級越高，其結果越不可接受。如果一家上市公司錯過了本季度的數據，能想象該公司首席執行官需要擔負什么樣的責任?”

(7)無論解決方案是否為黑盒，人工智能和機器學習的部分功能都來自于將其與更傳統的商業智能和業務流程管理技術相結合。這允許將人工智能洞察嵌入到業務流程中，允許用戶只看到對他們重要的洞察，并允許規劃人員深入查看和支持信息。

(8)最近，需求計劃應用程序正在致力于使用機器學習來更好地整合競爭對手的定價數據、按周存儲流量、改變需求預測的天氣數據，以及潛在的許多其他因素。

(9)需求計劃是機器學習的一個很好的應用，因為這些系統具有自然的反饋循環。在需求管理應用程序中，系統持續監控預測準確性。將機器學習應用于供應計劃更為困難。

(10)機器學習正在供應鏈管理的許多領域得到應用。實際上，在供應鏈應用中有利用機器學習的一些市場競爭。

(11)運輸管理系統的供應商也希望使用天氣數據來改善其運輸規劃。但是在TMS中機器學習的前景更廣闊。

(12)正在開展工作以查看供應計劃中的關鍵參數，例如提前期，并使用機器學習來更新這些參數。AspenTech公司正致力于使用預測分析法，以確定煉油廠的關鍵機械何時會發生故障，從而制定替代生產計劃。

(13)Manhattan Associates正致力于利用機器學習來感知和適應倉庫中不斷變化的條件和優先級。挑選密度可能是最初的優先級，但隨著載波截止時間的臨近，滿足訂單SLA優先。機器學習用于預測完成工作所需的時間。然后，優化算法使用這些結果來平衡競爭需求，同時優化利用可用容量。

(14)機器學習在有大數據的情況下學習效果最好。這些系統學習的速度就越快。在很多情況下，供應鏈應用程序將需要大數據平臺來收集數據、清理數據并協調數據。LLamasoft公司創建了一個平臺，用于引入時間序列數據，以查看外部數據源是否能夠改善需求預測。

OSIsoft PI System用于收集實時數據，并將數據轉換為可在多種方式使用的可操作信息，其中包括機器學習應用程序。

在2018年8月，JDA公司完成了對Blue Yonder公司的收購。Blue Yonder是一個機器學習/人工智能平臺。此次收購通過利用Blue Yonder平臺將其SCP系統與外部數據(尤其是社交、新聞、事件和天氣數據)聯系起來，加速了JDA公司對自主供應鏈的愿景，從而實現更加自動化和優化的業務決策。

(15)有些客戶認為機器學習是一種神奇的魔杖。他們向供應鏈應用供應商詢問機器學習如何用于解決所面臨的供應鏈問題。但機器學習只是供應鏈技術工具箱中的一個工具。它并不總是正確的。當存在明確定義的成功度量的反饋循環，當存在大數據時，以及存在加速學習的快速反饋循環時，其效果最有效。簡而言之，機器學習在狹隘地關注范圍廣泛的問題時最有效。

(16)一些大公司擁有足夠的資源，他們可以聘請數據科學家，并探索對他們的業務有意義的定制解決方案，例如，戴爾公司在全球指揮中心使用人工智能，DHL供應鏈在新興技術方面投資3億美元，電子商務公司使用人工智能改善他們的價值鏈。對于大多數公司來說，這不是一個可行的選擇。對于大多數公司來說，這也不是一個有不錯的投資回報率(ROI)的選擇。

(17)與機器學習和人工智能相關的一個投資回報率(ROI)問題是，人們可以使用人工智能搜索大量數據，包括新的物聯網(IoT)數據，以找到可能為公式增加一些預測能力的新變量。但在許多情況下，發現的新變量對預測的準確性的影響相對較小。這是機器學習問題需要縮小范圍的一個主要原因。

(18)人工智能也被用于供應鏈軟件解決方案。3CE公司正在使用自然語言處理和信息檢索處理來幫助自動化對進口和出口進行貨物分類的不可思議的神秘過程。

(19)人工智能也被用于與物流專業人員相關的硬件解決方案中。自主移動機器人(AMR)正在快速增長。近年來，該市場投入了超過5億美元的風險投資。自主移動機器人(AMR)用于幫助自動化電子商務實現。自主移動機器人(AMR)沒有遵循預定的路徑，但可以繞過障礙物。因為它們不依賴于廣泛的基礎設施，例如植入倉庫的RFID標簽，它們可以快速實施。它們依賴于稱為同步定位和映射的人工智能技術。

(20)自主卡車運輸也將依賴于SLAM技術，但這是一個不是范圍狹隘的問題的例子。 最好的猜測是，基于SLAM技術的卡車在沒有司機的情況下運輸貨物至少需要三年才能實現技術可行性，但也存在許多監管障礙。但即使在三年內，這樣的解決方案也不可能達到完全自主。自動駕駛卡車開發商Embark Trucks的首席運營官Mike Reid表示，“在未來，司機這個職位可能會被取代。”