「人类增强」帮助AI决胜供应链的三种方式
编译丨科技行者
从过去一年的形势来看，供应链能否稳定运转直接决定着医疗保健、商品制造乃至民众日常生活的基本体验。而全球各方对供应链体系的高度关注，也敲响了供应链全面走向数字化转型的行进号角。面对这段以更精确、更可控为目标的征程之上，AI技术将成为我们手中的强有力武器，驱动供应链不断实现速度提升。根据相关研究，到2024年全球供应链管理市场上的AI总值将达到13亿美元。
但如果不能在人类增强层面有所建树，那么AI就无法完成重塑供应链体系的“光荣使命”。比如，我们不可能简单引入IBM Watson，就指望它能理解企业内的所有信息。Watson的运作需要以编程形式接受人类指导，并由此摸索出一条在组织供应链内发挥作用的可行道路。
下面，我们将具体探讨人类增强帮助AI决胜供应链的三种方式。
知识转移
在使用遗留系统时，组织往往高度依赖于人际交互。特别是在决策流程当中，遗留系统往往太过死板，无法考虑流程中各个环节的变化——例如消费者购买模式的极端变化、供应库存调整等等。
知识转移的另一个重要意义，在于利用经验丰富但日趋老龄化的人类雇员的专业知识。没错，机器确实会取代一部分即将退休或转往其他职位的人员，但却永远无法取代这些员工留给我们的丰富经验和知识。
知识转移的本质，类似于向成长中的小朋友们传授心得。一旦他们接触到的是坏习惯、错方法，他们未来的行为模式都有可能被严重扭曲。同样的，被坏习惯影响的AI模型也会产生错误的判断及负面结果，进而给组织乃至整个供应链产生不良影响。因此，人类必须引导AI走上正确的道路，将积累自过往经历的知识与经验转移给AI。
明确目标
任何一套AI方案在供应链当中，都应该面向特定的目标、拥有明确的用途。然而，AI本身并不能自主理解自己的作用，因此需要由人类在模型中帮助它明确这一点。
例如，除非理解抵达最终目的地需要哪些环节，否则负责为卡车提供路径导航的AI模型根本无法正常工作。没有这样的基本引导，AI自己并不知道该做出怎样的决策。所以，人类负责为机器提供正确的指导信息；当AI获得错误信息时，则需要人为干预以发现并修复算法，由此获得完美的结果。例如，只有经验丰富的员工才会知道企业电子商务网站的运作模式，以及一年当中特定是做满足业务需求的相应原材料数量。总而言之，没有专业知识作为支持，AI模型不可能发展为决策流程中的好帮手。
所以说，以编程方式将数据导入AI模型才是实际应用的重中之重。人类能够很快意识到供应链主材清单中的“轴承”与“BRG”代表的是同一个意思，也不难明白“5英寸 x 10英寸”就是“5 x 10”，但AI没有这样的基本认知。要让它具备这种常识，就需要搭配自然语言处理（NLP）技术。
AI编程加速的一大创新方式，在于人机协作。在Verusen公司，我们正与Daivergent开展合作，希望以远程办公的方式帮助自闭症患者们在职场上找到适合自己的岗位。Daivergent的员工们还帮助Verusen解决了一个个关于AI及机器学习的重大挑战，共同推进AI技术在供应链场景下的应用。
Verusen与Daivergent希望通过合作将人类专家与AI数据训练相匹配，针对特定工作类型及技术问题改善处理结果。具体而言，Daivergent员工为Verusen提供数据注释与训练支持，帮助探索新的AI应用任务。例如，他们就提供大量用于帮助AI模型识别跨数据集相似材料、缩写补全（例如将缩写「BRG RLLR CY321CR KOYO」补全为「BEARING ROLLER CY321CR KOYO」）以及制造商等效性等。通过这些注释，Verusen的现有及下一代AI供应链系统就能获得高质量的示例数据。
人类执行
您的组织可能拥有最新、最酷的AI系统，并提供各种花里胡哨的供应链简化功能；但如果您的AI模型无法正确执行，那就不可能带来积极的结果、甚至导致人类伙伴失去对AI技术的基本信任。
这里的执行是什么意思？顺利执行的前提，首先是完成知识转移并验证AI已经正确理解信息内容；其次，AI必须拥有明确的目标，可以将信息内容分析为有用的数据；最后，则由人类获取AI给出的结论并作为执行指导。
例如，一家组织构建一套模型以了解供应链内的痛点，经过分析与验证，组织希望通过有针对性的调整节约下大量运营成本。虽然AI模型能够实现其中一部分功能，但能不能跨部门（从运营到物流再到财务）运作并完美执行还是取决于人。这个问题对于正在推进数字化转型、不同部门之间各自为政的组织可谓至关重要。
因此，只有充分配合人类增强与清晰深刻的协作方式，AI技术才能在供应链中取得成功。