AI應用臂助智慧零售發展邁大步 - Discuz! Board

隨著人工智慧技術的演進與普及，人工智慧落實於各產業、朝向智慧應用發展趨勢明確，全球各大零售業者亦積極朝智慧零售應用布局。智慧零售應用不僅優化消費者購物體驗，對零售業者而言，改善傳統零售業者面臨上、下游資訊不對稱，而造成供應鏈負擔的困境，亦為零售業者朝智慧化發展的動力。

零售業者發展智慧供應鏈，可針對商品決策、動態訂價、庫存管理、倉儲、物流管理等流程進行優化，提高供應鏈運作效率及降低成本，主要是透過人工智慧中的推論與決策核心技術，建構各環節應用情境後，再收集各情境所需要的數據資料後進行分析與推論，進而提出各環節決策建議。

然而，實際所面對的環境相對複雜且資訊量相當大，常會面臨多問題的決策，例如：商品A獨立販售、商品A與商品B的組合或商品A與商品C的組合等，何種商品販售較能吸引消費者？同時，亦須考量各組合的訂價，是否具吸引力的同時又不會影響利潤。因此，為了讓系統在進行推論、決策時，能夠具備如人類大腦舉一反三的能力，推論與決策技術中的多任務學習（Multi-Task Learning）將可強化系統在進行決策建議時，能有像人類一樣的靈活思考能力。

要建構精準的預測模型，人工智慧的機器學習扮演關鍵角色，尤其是面對快速多變、競爭激烈的零售市場，影響因子多元、數據量也龐大，因此透過機器學習，可讓系統在每一次的學習過程中，逐步建構更精準的預測模型。不過，在不同情境中要做不同的決策，則會有不同的影響因子，因此首要建構特徵及模型參數，再透過大量的數據資料，讓系統在學習中優化演算法。

為了強化特徵建構與模型參數判斷的精準度，可藉深度學習技術，讓系統具備自主判斷能力，在每次不同樣本組合的學習、模擬過程中，自行找出特徵並歸納合適的影響因子，進而建構更精準的預測模型。而在智慧供應鏈的應用中，包含商品決策、動態訂價、庫存管理、倉儲設備、物流管理等部分，均可透過深度學習，強化預測模型的精準度，完成更具有價值的推論與決策。

針對商品決策、動態訂價、庫存控管等決策建議，模型參數往往會加入輿情討論的資訊，能夠更準確且即時掌握市場反應，以作為訂價、商品採購的參考，而輿情資料分析則需要自然語言處理技術，包含文章、留言等輿情資料進行正負評理解，甚至分析語句背後的情緒、判斷市場的偏好，以此作為商品決策、訂價或是個人化行銷服務等參考資料。

倉儲作業的流暢度為影響出貨效率的關鍵，許多業者已將機器人導入倉儲中心，透過人機協作或是機器間協作，完成揀貨流程，而人機協作或是機器間協作，或是透過智慧無人載具完成物流運送，均需要藉由移動與控制技術，在最有效率的情況下完成。

零售業型態相當多元，包含線上、線下零售，而線下零售又可分為百貨、賣場、超市、便利商店等，而不同型態的零售業所面對的消費者購買情境、供應鏈應用情境皆不同，不僅如此，供應鏈中各環節流程及運作關鍵亦不相同。

面對不同的應用情境，系統模型設計也大不相同，智慧供應鏈的發展核心在於人工智慧扮演的角色，因此建立完整的應用情境以及縝密的演算法，提高模型的學習能力，進而讓模型能在每個複雜的環節中，經過訓練學習，逐步提高其預測準確度。

例如：京東商城人工智慧事業部對於其預測系統演算流程，包括特徵建構、選擇，而模型參數設定與訓練為影響模型預測準確度的關鍵，尤其是模型參數設定，合適的參數可提高模型的準確度，因為需要對不同的參數組合分別進行模型訓練和預測，特別是針對較複雜的情境，也需要建立較複雜的模型，因此訓練測試階段往往需要耗費相當多資源。

此外，若預測系統僅應用機器學習技術，而未導入深度學習技術，在特徵建構、選擇、模型參數設定上，則需要由人為判定影響參數，再讓系統針對指定的目標蒐集數據。而為提高預測的精準度，藉由深度學習可讓系統具備自我學習能力，在非常大量參數數據中，自行歸納出該模型中最關鍵的影響參數。

因此，對零售業者而言，發展智慧供應鏈除需要投入硬體基礎設備外，對於各應用場景模型的建立與訓練，更需要投入大量資源，以及選擇更精準的技術應用，以提高預測的準確度，並提供具參考價值的決策建議，協助業者提高經營效率。（本文作者為資策會MIC產業分析師）(工商時報)

妥善利用空間，使貨品一目了然，更方便於公司運作。
‧台北公司
新北市三重區興華街124號1樓 TEL：886-2-2980-7246
‧高雄公司
高雄市三民區九如一路61號4樓之2 TEL：886-7-380-6600