如今，人工智能的应用越来越广泛，而人工智能技术也适用于供应链管理。以下是关于供应链管理应用人工智能所需要了解的20件事：
(1)任何能够感知其环境并采取行动以最大化其在某个目标上取得成功的设备，都采用了某种形式的人工智能(AI)技术。人工智能是一个定义松散的术语，可以指代多种技术。但是运营研究人员表示，还有一种趋势是引用嵌入技术的算法，这些算法不像人工智能那样成熟，数学和统计学中其他成熟的分支即使符合定义，也不会认为是人工智能。
(2)在供应链领域，机器学习是大部分活动的重点。Symphony RetailAI公司首席产品官Adeel Najmi对机器学习进行了定义：“当机器获取输出时，学习就会发生，观察输出的准确性，并更新自己的模型，以便产生更好的输出。任何执行此操作的机器都将使用机器学习。无论使用数据科学方法还是使用神经网络或其他形式的有监督或无监督学习技术，这并不重要。重要的是不要在具体的技术上陷入困境。重要的是，机器本身能够通过经验学习和改进。”
(3)当以这种方式看待机器学习时，人工智能应用在供应链管理并不是什么新鲜事。自21世纪初以来，机器学习一直被用于改善需求预测。需求计划应用程序依靠一系列算法来获取货运历史数据并将其转换为预测。例如，一种算法更适合促销，另一种适用于生命终结产品。可以通过机器查看预测，将其与实际出货量进行比较，并建议何时可以从特定库存单位或产品系列的一种算法转移到另一种算法。
(4)随着时间的推移，需求规划过程中引入了更多的数据输入，许多公司正在做更多的预测。例如，一些公司在产品/商店级别进行每日、每周、每月或更长时间的预测，而不仅仅是进行月度预测。对于每天在商店级别预测的产品，应用于销售点数据流的算法可能具有最大的预测能力。而具有机器学习功能的预测引擎，只是一直在寻找对不同的预测层次结构具有更强的预测能力的某种算法和数据流组合。
(5)根据所使用的数据量，以及跨越不同时间范围和运往地点的预测量，一些公司采用了完全基于人工智能的解决方案，并将工作人员排除在外。E2open公司提供了一个完全自动化预测过程的解决方案。像Proctor&Gamble这样的大型成熟公司使用并信任这种解决方案。E2open公司表示，有证据表明，当预测人员忽略汽车引擎的输出并调整预测时，其结果往往更糟糕。
(6)存在争议的黑盒解决方案。使用黑盒解决方案，规划人员无法深入机器并了解预测引擎如何生成预测。他们必须信任输出数据。与传统解决方案相比，人工智能解决方案更可能是黑盒。Kinaxis行业解决方案营销副总裁Harish Iyer强烈反对采用这些类型的解决方案。他说，“有人需要对此负责。如果出现问题，并且用户刚刚从黑匣子接受了计划，那么如何让规划者负责?而工作人员的等级越高，其结果越不可接受。如果一家上市公司错过了本季度的数据，能想象该公司首席执行官需要担负什么样的责任?”
(7)无论解决方案是否为黑盒，人工智能和机器学习的部分功能都来自于将其与更传统的商业智能和业务流程管理技术相结合。这允许将人工智能洞察嵌入到业务流程中，允许用户只看到对他们重要的洞察，并允许规划人员深入查看和支持信息。
(8)最近，需求计划应用程序正在致力于使用机器学习来更好地整合竞争对手的定价数据、按周存储流量、改变需求预测的天气数据，以及潜在的许多其他因素。
(9)需求计划是机器学习的一个很好的应用，因为这些系统具有自然的反馈循环。在需求管理应用程序中，系统持续监控预测准确性。将机器学习应用于供应计划更为困难。
(10)机器学习正在供应链管理的许多领域得到应用。实际上，在供应链应用中有利用机器学习的一些市场竞争。
(11)运输管理系统的供应商也希望使用天气数据来改善其运输规划。但是在TMS中机器学习的前景更广阔。
(12)正在开展工作以查看供应计划中的关键参数，例如提前期，并使用机器学习来更新这些参数。AspenTech公司正致力于使用预测分析法，以确定炼油厂的关键机械何时会发生故障，从而制定替代生产计划。
(13)Manhattan Associates正致力于利用机器学习来感知和适应仓库中不断变化的条件和优先级。挑选密度可能是最初的优先级，但随着载波截止时间的临近，满足订单SLA优先。机器学习用于预测完成工作所需的时间。然后，优化算法使用这些结果来平衡竞争需求，同时优化利用可用容量。
(14)机器学习在有大数据的情况下学习效果最好。这些系统学习的速度就越快。在很多情况下，供应链应用程序将需要大数据平台来收集数据、清理数据并协调数据。LLamasoft公司创建了一个平台，用于引入时间序列数据，以查看外部数据源是否能够改善需求预测。
OSIsoft PI System用于收集实时数据，并将数据转换为可在多种方式使用的可操作信息，其中包括机器学习应用程序。
在2018年8月，JDA公司完成了对Blue Yonder公司的收购。Blue Yonder是一个机器学习/人工智能平台。此次收购通过利用Blue Yonder平台将其SCP系统与外部数据(尤其是社交、新闻、事件和天气数据)联系起来，加速了JDA公司对自主供应链的愿景，从而实现更加自动化和优化的业务决策。
(15)有些客户认为机器学习是一种神奇的魔杖。他们向供应链应用供应商询问机器学习如何用于解决所面临的供应链问题。但机器学习只是供应链技术工具箱中的一个工具。它并不总是正确的。当存在明确定义的成功度量的反馈循环，当存在大数据时，以及存在加速学习的快速反馈循环时，其效果最有效。简而言之，机器学习在狭隘地关注范围广泛的问题时最有效。
(16)一些大公司拥有足够的资源，他们可以聘请数据科学家，并探索对他们的业务有意义的定制解决方案，例如，戴尔公司在全球指挥中心使用人工智能，DHL供应链在新兴技术方面投资3亿美元，电子商务公司使用人工智能改善他们的价值链。对于大多数公司来说，这不是一个可行的选择。对于大多数公司来说，这也不是一个有不错的投资回报率(ROI)的选择。
(17)与机器学习和人工智能相关的一个投资回报率(ROI)问题是，人们可以使用人工智能搜索大量数据，包括新的物联网(IoT)数据，以找到可能为公式增加一些预测能力的新变量。但在许多情况下，发现的新变量对预测的准确性的影响相对较小。这是机器学习问题需要缩小范围的一个主要原因。
(18)人工智能也被用于供应链软件解决方案。3CE公司正在使用自然语言处理和信息检索处理来帮助自动化对进口和出口进行货物分类的不可思议的神秘过程。
(19)人工智能也被用于与物流专业人员相关的硬件解决方案中。自主移动机器人(AMR)正在快速增长。近年来，该市场投入了超过5亿美元的风险投资。自主移动机器人(AMR)用于帮助自动化电子商务实现。自主移动机器人(AMR)没有遵循预定的路径，但可以绕过障碍物。因为它们不依赖于广泛的基础设施，例如植入仓库的RFID标签，它们可以快速实施。它们依赖于称为同步定位和映射的人工智能技术。
(20)自主卡车运输也将依赖于SLAM技术，但这是一个不是范围狭隘的问题的例子。 最好的猜测是，基于SLAM技术的卡车在没有司机的情况下运输货物至少需要三年才能实现技术可行性，但也存在许多监管障碍。但即使在三年内，这样的解决方案也不可能达到完全自主。自动驾驶卡车开发商Embark Trucks的首席运营官Mike Reid表示，“在未来，司机这个职位可能会被取代。”
