四种不同的东西被冠以同一个名字出售
“AI”这个标签涵盖成熟度差异很大的功能。把它们区分开，方案就更容易读懂。
| 所售内容 | 实际作用 | 如何检验 |
|---|---|---|
| 规则引擎 | 根据预先设定的阈值作出决策（库存低于某水平时补货）。 | “是哪条规则作出这个决策，我能修改吗？”如果能，这就是配置而非 AI——而且往往是更好的答案。 |
| 预测 / 优化 | 根据历史数据给出工作量、需求或储位建议。 | “用多长的历史数据训练？预测失误时会怎样？你们是否衡量准确率？” |
| 异常检测 | 标记异常活动（意外的盘点差异、非典型取消）。 | “误报率是多少？谁来关闭警报？关闭操作是否有记录？” |
| 语言模型（助手、语音） | 用自然语言提问、请求报表或创建任务。 | “模型在哪里运行？仓库数据是否会离开企业？理解错误时会怎样？” |
某项功能是规则引擎并不是缺点。大多数仓库决策需要可解释、可重复，而写得好的规则通常是实现这一点的最佳方式。
向供应商提出的九个问题
这些问题来自我们内部评估目录的 AI 部分；我们评估供应商资料时使用的也是同样的问题。
- AI 支持具体在哪个界面上发挥作用？
- 它作出什么决策：是给出建议，还是自行执行？
- 用户能否查看并覆盖结果，覆盖操作是否有记录？
- 它使用哪些数据：只用我们的，还是也用其他客户的数据？
- 数据在哪里处理——在哪个国家、由哪家服务商处理？
- 如果它预测需求或工作量，是否衡量准确率？能否分享具体数字？
- 能否用自然语言查询报表？用户如何发现错误答案？
- 如果有语音控制，是否在嘈杂的仓库中测试过？支持哪些语言？
- 该功能属于标准包、附加模块，还是按项目开发？
数据在哪里处理：不可跳过的问题
仓库数据中包含的个人数据比看上去更多：收件人姓名和地址、电话号码，有时还有订单内容。如果语言模型在云端运行，这些数据可能会离开企业进行处理；如果服务商位于境外，就涉及跨境传输。请把它当作合同条款而非技术细节：哪家服务商、哪个国家、数据是否用于训练、保存多久。我们在<a href="/analysis/cloud-or-on-premise-wms">云端还是本地</a>一文中讨论了部署和数据存储位置。
AI 解决不了什么
- 错误的主数据。对于条码、尺寸或包装层级错误的物料，任何模型都无法给出好的预测。
- 没有库位的仓库。没有库位数据，优化器就无从施展。
- 未定义的流程。系统不会替你决定一件没人决定过的事；它只会加速已有的决策。
- 未衡量的绩效。如果不衡量准确率和收益，就没人能说清该功能是否有效。
这四点到位后，AI 才能带来真正的收益。若不到位，首要投资应放在数据和流程上，而不是模型上。请使用 <a href="/wms-finder">WMS 选型工具</a>选择需求，并比较经来源确认的能力。
常见问题
AI 在 WMS 中用于什么？
主要在四个方面：根据历史预测工作量和需求、标记异常活动（异常检测）、用自然语言查询报表，以及语音指令。其中一些实际上是规则引擎；要区分它们，请问“是哪条规则作出这个决策，我能修改吗？”。
如何检验“AI 驱动”的说法？
四个问题就够了：它出现在哪个界面、作出什么决策、用户能否查看并覆盖结果、其准确率是否被衡量。如果这四个问题都没有具体答案，就不存在可衡量的功能。
使用 AI 功能时，我的数据去了哪里？
如果语言模型在云端运行，仓库数据可能会离开企业进行处理；如果服务商位于境外，就涉及个人数据的跨境传输。哪家服务商、哪个国家、数据是否用于训练、保存多久——请写进合同。
AI 能修复糟糕的数据吗？
不能。对于条码或尺寸错误的物料，任何模型都无法给出好的预测；没有库位数据，优化器也无从施展。首要投资应放在主数据和流程上，而不是模型上。
方法与更正：编辑方针。