为让大家更好地理解本文，先思考如下问题：

1、什么是机器学习？

2、机器学习如何改善供应链？

3、改善方式有哪些？

带着问题阅读本文，效果会更好！

什么是机器学习？（视频来源网络）

从亚马逊的Kiva机器人依靠机器学习来提高准确性、速度和规模DHL依赖人工智能和机器学习能力预测网络管理系统，分析了58个不同参数的内部数据识别前影响因素装运延迟，机器学习是供应链管理的定义下一代。

Gartner预测，到2020年，95%的供应链规划(SCP)供应商的解决方案将依赖于监督和非监督机器学习。Gartner还预测，到2023年，智能算法和人工智能技术将成为25%的供应链技术解决方案的嵌入式或增强组件。

机器学习正在革新供应链管理的十种方式包括:

于机器学习的算法是下一代物流技术的基础，其中最显著的收益来自于先进的资源调度系统。

机器学

习和基于人工智能的技术是目前正在开发的下一代物流和供应链技术的基础。最显著的进展是机器学习能够帮助解决企业目前面临的复杂约束、成本和交付问题。麦肯锡预测，机器学习最重要的贡献将是为供应链运营商提供更重要的洞见，帮助他们了解如何提高供应链绩效，在物流成本和绩效出现异常之前就预测出来。机器学习还提供了关于自动化在哪些方面可以带来最显著的规模优势的洞见。

物联网（IoT）传感器，远程信息处理，智能交通系统和交通数据产生的数据集的广泛变化有可能通过使用机器学习为改善供应链提供最大价值。

应用机器学习算法和技术来改善供应链，从具有最大变化和可变性的数据集开始。供应链面临的最具挑战性的问题通常出现在优化物流中，因此完成生产运行所需的材料准时到达。

机器学习通过查找使用支持物联网的传感器捕获的跟踪和跟踪数据模式，显示了降低物流成本的潜力，每年可节省600万美元。

BCG最近研究了使用跟踪和跟踪应用程序的分散式供应链如何提高性能和降低成本。他们发现，在使用区块链在供应商网络中实时共享数据的30节点配置中，结合更好的分析洞察力，每年可节省600万美元的成本。

使用基于机器学习的技术可以将预测误差降低多达50％。

通过使用基于机器学习的计划和优化技术，由于产品不可用而导致的销售损失减少高达65％。今天，当使用基于机器学习的供应链管理系统时，库存减少20％至50％。

DHL Research发现，机器学习使物流和供应链运营能够优化产能利用率，改善客户体验，降低风险并创建新的业务模式。

DHL的研究团队不断跟踪和评估新兴技术对物流和供应链绩效的影响。他们还预测人工智能将实现后台自动化，预测性运营，智能物流资产和新的客户体验模型。

使用基于机器学习的应用程序检测和处理不一致的供应商质量水平和交付是制造商今天投资的领域。

基于与北美中端制造商的对话，他们今天面临的第二个最重要的增长障碍是供应商缺乏一致的质量和交付绩效。最大的增长障碍是缺乏熟练的劳动力。使用机器学习和高级分析，制造商可以快速发现他们的最佳和最差供应商是谁，以及哪些生产中心在捕获错误方面最准确。制造商使用仪表板非常类似于将机器学习应用于供应商质量，交付和一致性挑战。

降低风险和欺诈潜力，同时根据机器学习中获得的见解提高产品和流程质量，这迫使检验机构在今天的供应链中发生转折。

当使用移动技术自动检查并将结果实时上传到安全的基于云的平台时，机器学习算法可以提供立即降低风险和欺诈可能性的洞察力。Inspectorio是一个在这个领域观看的机器学习初创公司。他们正在解决缺乏检查和供应链可视性所带来的诸多问题，重点关注他们如何立即为品牌和零售商解决这些问题。下图解释了他们的平台。

机器学习正在迅速提高端到端供应链的可见性，提供预测性和规范性的见解，帮助企业比以往更快地做出反应。

将用于全球贸易和供应链管理的多企业商务网络与人工智能和机器学习平台相结合，正在彻底改变供应链的端到端可见性。该领域的早期领导者之一是Infor的控制中心。控制中心将2015年9月公司收购的Infor GT Nexus Commerce Network的数据与Infor的Coleman人工智能（AI）相结合 Infor选择以鼓舞人心的物理学家和数学家Katherine Coleman Johnson命名他们的AI平台。他的开拓性工作帮助美国宇航局登陆月球。如果你还没有欣赏她和许多其他才华横溢的女性数学家对太空探索的许多贡献，请务必拿起这本书的副本并观看电影“ 隐藏的人物 ”。ChainLink Research在他们的文章“Infor如何帮助实现人类潜能”中提供了控制中心的概述，以及控制中心的两个屏幕如下所示。

机器学习被证明是阻止特权凭证滥用的基础，这是全球供应链中安全漏洞的主要原因。

通过采用最小权限访问方法，组织可以最小化攻击面，提高审计和合规性可见性，并降低运营现代混合企业的风险，复杂性和成本。CIO正在通过了解即使特权用户输入了正确的凭据但请求带有风险上下文来解决其供应链中特权凭证滥用的悖论，然后需要更强的验证来允许访问。 零信任特权 通过验证谁正在请求访问，请求的上下文以及访问环境的风险，正在成为一种被证明的框架，可以阻止特权凭证滥用。  Centrify是该领域的领导者，其中包括思科，英特尔，微软和Salesforce等全球认可的供应商。

利用机器学习来预测基于物联网数据的货运和物流机械的预防性维护，可以提高资产利用率并降低运营成本。

麦肯锡发现，通过机器学习增强的预测性维护可以通过组合来自先进的物联网（IoT）传感器和维护日志以及外部源的数据来更好地预测和避免机器故障。资产生产率可提高20％，整体维护成本可降低10％。