人工智能AI（ArtificialIntelligence）

人工智能（英語：ArtificialIntelligence，縮寫為AI）亦稱機器智能，指由人制造出來的機器所表現出來的智能。通常人工智能是指通過普通計算機程序來呈現人類智能的技術。

在2012年之后，得益于信息化積累的數據量上漲、運算力的提升和機器學習新算法（深度學習）的出現，人工智能AI開始進入不斷發展和商業落地的時期。

2016年到2017年間，谷歌 （Google）旗下 DeepMind 公司開發的阿爾法圍棋（AlphaGo）連續取得了第一個擊敗人類職業 圍棋 選手、第一個戰勝 圍棋世界冠軍 的 人工智能機器人等成績，AI概念一時名聲大振，走入大眾的視野。

在人工智能60年的研究發展中，一句話概括人工智能、機器學習和深度學習之間的關系，就是“機器學習是是一種實現人工智能的方法，深度學習是一種實現機器學習的技術。”

圖來源：Nvidia

供應鏈與供應鏈管理

供應鏈就是通過計劃(Plan)、獲得(Obtain)、存儲(Store)、 分銷 (Distribute)、服務(Serve)等這樣一些活動而在顧客和供應商之間形成的一種銜接(Interface)，從而使企業能將顧客所需的正確產品（RightProduct）能夠在正確的時間（Righttime），按照正確的數量（RightQuantity）、正確的質量（RightQuality）和正確的狀態（RightStatus）送到正確的地點（RightPlace）。

供應鏈管理通過ERP、MRP、CRM等系統的建設，已經基本完成了在生產流程不同環節、組織、人、設備之間的信息化，使得企業資源生產與消耗的數據逐漸可視，為合理地配置和利用企業資源,提高企業經營效率奠定了基礎。

當人工智能AI（ArtificialIntelligence）典型的分類、預測與可視化算法，結合海量的運輸、倉儲、配送數據，把供應鏈上不同環節、組織、人、設備之間的流程連接起來，可以有效的分析和解決生產需求多變，生產周期參差，計劃性差，柔性差，倉儲周轉率低，應收賬款高等等典型供應鏈的問題。

英諾森在專注解決能源領域的供應鏈優化問題中，意識到行業供應鏈體系正處于從“封閉式”向“開放式”，從“單一企業”向“產業平臺”轉變的過程中。為了解決能源供應鏈中數據標準不統一造成的管理難題，英諾森在主數據產品InData中，應用了實體識別、知識圖譜和神經網絡翻譯三大AI技術。

命名實體識別（Named Entity Recognition，NER）是自然語言處理里的一項基礎任務，就是指從文本中識別出命名性指稱項，為關系抽取等任務做鋪墊。狹義上，是使用非規則的方式識別出文本中的構成規律不明顯的命名實體，如人名、地名、組織機構名等。

主數據中的企業物料編碼數據，由于在歷史管理系統中特征量實體無序、多義和嵌套等問題，一方面需要結合行業知識，解決編碼重復和實體多義問題；另一方面需要結合主數據分類體系，輸出最優實體識別結果。

知識圖譜（KnowledgeGraph）又稱為科學知識圖譜，是顯示知識發展進程與結構關系的一系列各種不同的圖形，用可視化技術描述知識資源及其載體，挖掘、分析、構建、繪制和顯示知識及它們之間的相互聯系。

利用企業的物料編碼主數據構建的知識圖譜，能體現出完整的編碼特征值知識體系，服務于InData產品中的清洗、搜索和推薦場景。在數據清洗的過程中，主數據管理人員可借助知識圖譜，了解到某個新的特征量或新的聯系，促使其結合專業知識，進行更深入的數據標準化管理。

神經網絡機器翻譯(NeuralMachineTranslation,NMT)是最近幾年提出來的一種機器翻譯方法，能夠訓練一張能夠從一個序列映射到另一個序列的神經網絡，輸出的可以是一個變長的序列，這在翻譯、對話和文字概括方面獲得較傳統的統計機器翻譯（SMT）更好的表現。

引入機器學習到企業物料編碼的翻譯中，算法可以通過學習多家個企業的主數據編碼，自動捕捉行業通用翻譯規則，智能映射到行業通用主數據庫，減輕一物多碼的清理工作量。

供應鏈智能化增長飛輪

英諾森在供應鏈行業對AI落地的摸索與學習中，主要有以下2點心得體會：

首先，供應鏈信息化是智能化的基石。供應鏈行業由于涉及到企業生產物資的計劃、生產、包裝、倉儲、物流以及成品銷售等十幾個業務環節。因此，供應鏈信息化的過程，不僅是提升倉儲系統的數字化程度，同時也需要提升信息系統的流程自動化和數據標準化，使得更多維度的生產數據受益于信息化水平的不斷提升。

其次，智能化的最終目標是提高客戶體驗，降本增效。供應鏈管理智能化的目標，始終是減少企業人工依賴程度，綜合內外資源尋求最優行動方案，并帶來明顯的效率提升和成本節約。需要避免為智能而智能，不解決企業供應鏈真實痛點情況。

審核編輯 黃昊宇