【导语】本作者是编辑部特约撰稿人，曾就职于国际快递公司，担任供应链分析与管理工作，期间游历于各大物流企业与货主企业，学习企业经营理念并将其融会贯通，自创一派，尔后担任各大企业供应链物流顾问工作，对台湾地区物流发展有先进独特的眼光，总是能够洞烛机先，预测未来。近年来，先天下之忧而忧，感叹台湾地区物流业停滞不前，提出科技创新发展物流，希望能为台湾地区产业注入活水。本篇为最终报道。
人类社会好玩的地方，就是永远会产生问题，也总会有聪明的人找出解决的方法，有的问题可能会经过好几十年的持续累积，在新的杀手级应用出现后，问题可被有效解决。现阶段，我们已经没有时间慢慢评估是否实施AI，因为AI已经是企业生存的关键因素，随着芯片普及于各种装置，五年后企业经营的面貌会与现在有很大的不同。目前已有不少企业开始做各种AI的想法和创意，这些应用大概可归纳为连结现况、库存改善、经验传承、扩大利基，我们希望藉由这些案例的分享，让物流企业了解新的竞争态势，早日踏上AI浪潮。
连结现况
连结现况的目的就是要知道外面发生了甚么事，这些事会如何的影响我们自己的供应链。目前在业界上比较成功的是DHL的Resilience360系统，这个系统利用AI文字分析技术，持续监测常见的社群媒体、公开网站所发生的事（精确地说，就是系统会自动分析相关网站内的文字），例如是否有人抱怨DHL的配送慢，或是运务员服务态度不佳、发生台风、地震、疫情…等一切可能影响DHL供应链运作的事件。做这件事的短期效益，就是DHL可以在大事件发生之前，就做好缓冲处理，减缓外部事件对自己供应链的冲击；此外，可以很清楚的知道消费者都在讨论什么事，都在讨论什么商品，把消费者喜欢的商品预先布署在适当的供应链节点。
长期而言，则是可以协助客户做到真正的供应链事件管理，因为现在的客户要的不仅是物流服务，而是需要让整个供应链运作更稳定的整体解决方案。
库存改善
“库存”一直是各企业最头痛的难题，在这个新产品辈出、生命周期缩短，消费者口味多变且缺乏忠诚度的状况下，库存要放什么、放多少、放那些地方，使用传统的预测模型，已无法满足现今需求。我们先看下以下例子：空调商品有很高的季节性需求变化，而且因为每年都在推出新产品，使得维修备品种类越来越多，如果仅根据销售记录做被动型预测，使得预测的结果永远跟不上实际的变化。
在电子商务系统中，普遍都会有部分商品相当热销，但是却有更多商品的销售量很小，但是又不能把这些销售量不多的商品全部下架，因为会造成商品的丰富性降低，使得消费者不想进到网站来消费。这类低度销售的商品就是长尾型需求（long-tail demand）商品，对电商企业而言最难处理的也就是这类商品，因为最难做销售预测，也很难配置库存数量。
在1960年代，Granarolo仅是意大利一家小型的牛奶供应商，当时要做销售规划是相当单纯的，但是当公司成长为跨国企业，上百种不同乳制品，以及不同的销售通路、运输模式时，其导入的销售预测系统也不再管用，因为这些系统大多仅能使用有限的资料作推估，也没办法同时考量汇率波动、气候等因素，因此预测结果相当不准。
不过，不要期待太高，就算导入AI来做库存管理，也不可能短期做到精准，但是可以做到“越来越准”。Amazon目前在物流中心内，大量地使用AI机器人做货件搬运，除了速度快，更重要的是信息更新的实时性。
美国居家DIY零售大厂Lowe’s，在其店内配置了AI机器人，这些机器人一方面可以回答消费者问题、带领消费者到指定的储位挑选商品，更可在自动执行货架的库存扫描，采用影像辨识方式，分析每个储位上面的错误商品或是库存不足状况。
传统使用人工方式做日常盘点，很难做到实时化的数据更新，往往都是拣货时才发现储位上的库存数量与系统资料不符。上述例子告诉我们，AI协助解决库存问题的方式，短期就是通过实时化数据更新，让实体库存数据与ERP系统的数据相符；长期则是可通过AI模型，利用更多参数做到更好的库存规划。
经验传承
利用AI的学习模型，学习特定领域人类专家的判断方式，除了有助于经验传承，更可减轻第一线执行“诊断、分类”的工作负担，例如物流业的退货分析、以及医院内初步的病患筛检，这样的好处，就是让人力资源多配置于后端的“问题解决”。
美国食药署（FDA）在今年四月已核准利用AI做视网膜病变的确诊辅助，也就是说，病人仅需在指定的设备前扫描一下眼睛，就可通过AI软件确认患者是否有视网膜病变，类似的医疗应用预计会越来越普遍，人类医师就可以专注于“治疗”。
台湾的疾病管制署在今年也成功利用AI作为疟疾病患血液分析工具，让以往这种需要人类专家判读的工作，转由AI来处理，准确度超过九成，一方面可让人类专家届龄退休，一方面又可留下专家的专业知识。
任何产业都会有类似问题，如果将诊断、评估这类初级工作，让AI来取代，至少可节省1/3人力。问题的诊断与评估涉及许多的经验与知识，通常不是新进人员可胜任的工作，而且要训练出这样的专家需花多年时间，容易衍生留才问题。
日本电子业利用AI技术，将微型摄影机配置在人类专家眼镜上，监测整个“检验”过程，例如品检员会如何翻转待测物体，看那些地方的瑕疵，看的顺序如何，都会被AI模型学下来，然后用来协助培训新进检测人员；另外也有日本工厂在作业人员身上配置定位器，分析技术人员会在哪些产线区域巡逻，以便教导新进人员在产线巡逻的重点。
扩大利基
传统的零售业促销管理是单纯是靠节日，例如端午、中元、中秋前夕，零售企业总会用尽各种促销手法；如果不是一般节日，企业也学会了自订节日或是延用欧美国家的节日，例如淘宝的“双十一购物节”、万圣节等。但是这类极短期促销手法，经常会造成物流企业极大的负担，而且很容易引发供应链上的“长鞭效应”，供应链各环节都极大化的布署库存以因应下游客户的需求。
因此如何扩大销售，但是让这些扩大的销售量尽可能平准地分散在每一天，就得考虑更多因素，例如天气与社群讨论。Walmart早在2014年开始就与IBM合作，利用机器学习方经找出销售量与气候的关系，结果发现当天气属于多云且有风的状况下，消费者喜欢买牛排；如果天气较热且干燥时，消费者喜欢买汉堡。而现今科技预测三天内天候状况已经相当准确，利用这些AI与大数据，Walmart就不用在拘泥于80年代所使用“every day low price”来吸引消费者上门，因为在这些天候状况下，消费者会自己上门，根本不需要用低价策略。
而随着物联网装置的成本降低，有越来越多的空调系统供应商在主机内配置音频侦测器，利用音频侦测器可持续搜集客户使用空调系统的频率与习惯，然后将这些数据回传至AI模型持续训练，当侦测器听到特定频率的声音时，就知道空调系统可能即将发生故障，这时候就可帮客人做预防性维修，如此可大幅缩短维修时效、降低备品库存，同时又可提高客户满意度。
达美乐的小型配送车就是用来做自动配送，解决配送人员不足的问题，因为其车辆比一般的自驾车小很多，因此在道路行驶上就可避免许多可能的法律争议或是政府管制，而且因为车辆较小，单一店面就可配置较多自动车。有了这些自动配送车，配送就不会再是Pizza店的瓶颈问题，自然可扩大销售利润。因此，以往物流是企业用来降低成本的手段，现在的AI搭配物流，则是企业用来扩大营运的策略。
最后一种扩大利基的方法，就是利用AI装置延伸企业服务，例如Amazon的智慧音箱，目前可用来报新闻、说故事、听音乐。当然，Amazon主要的野心就是让消费者可对智慧音箱下达购物指令，然后直接连结其电商系统，不用担心消费者上比价网站到处看。
把硬件装置延伸到消费者家里有很多积极的商业意义，通过声音分析，我们可以知道家庭成员有几位，通过声音分析，我们也可知道不同的消费者何时在家、生活习性如何，甚至当有一天，这些延伸装置都有摄影机，且可在家自由行走时，家中有几台电视、冰箱、配置如何都可自动分析。
这些AI装置进入家庭后，就可为厂商提供持续性服务，例如SONY的AIBO狗，除了本机之外，消费者每月还需支付约3000日币的软件服务费作为AIBO的模型更新。
把AI导入正途
我们可以预期，AI的运算速度一定会随着科技的演进越来越快，预测的精准度也会随着累积的大数据增加而越来越精准，会让客户与供应商的黏着度越来越高，且扩大零售商机。当供应商的装置（如智慧音箱、智慧家电、智慧机器人）进入家庭之后，家里的大小事、生活习性、空间摆设、作息时间，供应商都可掌握得清清楚楚，如果暂时不考虑隐私的问题，供应商与消费者间的无形距离会越来越缩短，这对文明社会是好事，表示供应商所生产的都可满足消费者需求，没有过多的浪费。
质疑AI的人会说，AI现阶段看似聪明，但实际上仍相当愚昧，因为AI会将人类的指令视为目标去执行，且不考虑后果，例如当人类对自动驾驶车辆下达“用最快的速度带我到机场”的指令，AI可能会不计一切代价的加速、超车，忽视其他用路人的自由与安全。
我们可以说，这是科技发展的过渡期，现阶段的AI发展多以“单一目标、利己”为主，相信下一代的AI，可以有更多类似人类的心智思考，我们的共同责任，就是把AI导入正途。
下一页
时间：下半年
地点：上海
