▍六、人工智能和机器学习驱动的认知供应链

　　当意识到数据量与物联网一起增长的速度时，很明显，智能供应链只是选择正确解决方案的问题。

　　人工智能和机器学习不仅使供应链管理自动化，而且使认知管理成为可能。基于机器学习算法的供应链管理系统可以自动分析诸如物料库存，入站装运，在制品，市场趋势，消费者情绪和天气预报等数据。因此，他们能够定义最佳解决方案并做出数据驱动的决策。

　　整个认知供应链管理系统可能涉及以下功能：

　　需求预测。通过应用时间序列分析，功能工程和NLP技术，机器学习预测模型可以分析客户行为模式和趋势。因此，制造商可以依靠数据驱动的预测来设计新产品，优化物流和制造流程。

　　阿迪达斯使用的需求预测系统很好地说明了机器学习算法如何影响客户体验。通过分析购买行为的趋势并使消费者参与产品设计，该公司极大地优化了制造和交付流程。

　　运输优化。利用机器学习和深度学习算法可以评估运输和可交付成果，并确定对其性能有何影响。

　　物流路线优化。通用机器学习算法会检查所有可能的路线并定义最快的路线。

　　仓库控制。基于深度学习的计算机视觉系统可以检测到库存短缺和库存过剩，从而优化了及时的补货。

　　智能库存管理系统的示例是由Tyson Foods公司集成的基于计算机视觉的跟踪技术。通过利用边缘计算，相机和机器学习算法，该系统可以跟踪通过供应链的鸡肉数量。　　

　　人力资源规划。当机器学习算法收集并处理生产数据时，它可以显示执行某些任务需要多少员工。

　　供应链安全。机器学习算法分析有关请求信息的数据：需要谁，在哪里以及什么信息，并评估风险因素。因此，认知供应链可确保数据隐私并防止黑客入侵。

　　端到端的透明度。基于机器学习的高级IoT数据分析处理从IoT设备接收的数据。机器学习算法可发现供应链中多个流程之间的隐藏互联，并识别需要立即响应的弱点。因此，如有必要，参与供应链运作的每个人都可以请求所需的信息。

　　最后，可以预见人工智能在制造业中的未来是光明的。普华永道(PwC)报告显示，制造业AI技术在未来五年内将有望快速增长。

　　 但更需要强调的一点是，人工智能和机器学习并不是一整合便会立即带来成功。因为当中的要点是——任何创新技术都应该解决现有的业务问题，而不是想象中的问题。