人工智能在库存管理中的作用日益增加

本文概述了我们如何开发使用机器学习的自动库存系统，以及在库存管理系统中利用该技术以获得最大收益的各种方式。

什么是人工智能

人工智能 （AI） 一词通常用于描述模仿与人类思维相关的认知功能的机器（或计算机），例如学习和解决问题。人工智能研究的传统目标包括推理、知识表示、规划、学习、自然语言处理、感知以及操纵和移动物体的能力。人工智能领域使用了许多工具，例如搜索和数学运算、人工神经网络以及基于统计、概率和经济学的方法。

人工智能的应用

人工智能的高调例子包括自动驾驶汽车、医疗诊断、艺术（如诗歌）、证明数学定理、玩游戏（如国际象棋或围棋）、搜索引擎、在线助手、图像中的物体识别、垃圾邮件过滤、预测航班延误、预测司法判决、定位在线广告和储能。

机器学习

机器学习是人工智能领域的基础科学。机器学习的基本原理是训练计算机根据代表相关现实生活示例的数据做出某些“预测”或“决策”。数学/统计模型是根据输入系统的数据准备的，这些模型用于预测或决策。

深度学习

深度学习是用于上述过程的机器学习的更高级版本，可提供更可靠的结果。深度学习通过尝试复制人脑的神经网络来采用机器学习的原理。因此，使用深度学习准备的模型被称为人工神经网络（ANN）。人工神经网络由节点层组成，每个节点类似于人脑中的一个神经元。第一层是存储输入参数的输入节点层。后续层中的所有节点都存储按顺序处理输入数据的激活函数。每个节点中的激活函数都是通过称为监督学习的迭代过程开发的。

假设这些节点具有初始近似函数并计算输出值，此过程称为前向传播。将这些输出值与发生训练/学习的数据库中的预期输出值进行比较，并重新替换误差以实现更准确的函数，此过程称为向后传播。此过程执行多次，直到输出值中的评估误差收敛到可忽略不计的值。一旦ANN开发出来，它就可以用于预测值或为新的输入参数做出决策。

图像中的物体识别是人工智能的重要应用，也是基于深度学习的这一概念。用于构建图像识别工具的神经网络称为卷积神经网络，它在网络开始时包含额外的节点层，这些节点将图像数据转换为一维数字数组，然后将其处理为人工神经网络。

我们的项目：库存管理中的深度学习

机器学习和深度学习广泛用于库存管理系统。拥有仓库中货物库存的实时数据库对于决策和有效绩效非常重要。条形码系统有助于自动化数据库生成，但涉及对通过系统的每种产品进行条形码编码的繁琐过程。存在大量没有条形码的商品（例如制造工厂的在制品库存、电子商务、货物交付服务等）。这些可以通过利用图像识别来有效地处理。深度学习用于准备图像识别模型。

在我们的项目中，我们为每个产品收集了大约 30 到 40 张图像的图像数据库，并使用卷积神经网络开发了深度学习模型。这些模型开发完成后，它们被集成到图形用户界面中。为了保持较低的预算，使用了移动电话摄像头实时馈送来检测对象并为此开发库存数据库。

尽管如此，为该系统创建硬件基础设施并不是一项昂贵的工作，可以使用现代技术来完成。例如，在传送带上安装摄像头并将所有产品传递到传送带上将自动生成这些产品的数据库。输送机和相机支架的开发可以使用Autodesk Fusion 360完成。用于此目的的摄像机可能不是非常昂贵的摄像机 - 即使是IP摄像机也可以。这不是在硬件基础设施中使用这项技术的唯一方法;其他示例概述如下。

项目的各种应用

该过程使用的简单硬件为该技术的使用提供了高度的灵活性，包括：

• 在仓库的入口/出口以及各种存储空间点安装IP摄像机将有助于实时生成工作/产品流数据库。
• IP 摄像机不需要是有线摄像机，并且可以连接到 Internet 以将摄像机馈送传输到进行图像识别的计算机。这意味着可以通过大型库存系统监控产品流，并且实时数据传输到世界任何地方的一台计算机。
• 该系统的中长期好处是，随着时间的推移，它会变得更加智能。这是因为几个月的实施将生成一组代表供应链绩效的新数据，深度学习原理可用于预测系统的未来中断，从而提高性能。
• 在过去的几十年里，业界已经认识到，长期持有大量库存会降低组织的盈利能力。可以将几个月的实时数据放入深度学习过程中，并且可以在不影响性能的情况下完成库存缓冲区合理化。这将有效降低该行业的资本要求。

这项技术可能还有许多其他重要应用。人工智能有望带来下一次工业革命，那些首先实施它的人将在未来一跃成为全球领导者。

Ajay Kelkar是印度浦那工程学院的机械工程本科生。除了机械工程之外，他还对科学和工程充满热情，偶然发现了人工智能培训/实习。他开发了用于对象识别的机器学习模型，这些模型在“自动库存更新机：机器学习的应用”项目中实施。

Nagesh Chougule Ramesh博士拥有机械工程博士学位，目前在浦那工程学院（COEP）机械工程系工作。他还负责 CAD/CAM/CAE 中心。他在 CAD/CAM/CAE 领域拥有约 29 年的教学和咨询经验。他出版了四本教材，并开发了机械工程应用软件。他是NBA认证专家，并访问了全国30多家机构。他是印度技术教育协会（ISTE）、国际工程师协会（IAENG）等专业机构的终身会员。

Apoorva Khairnar是印度浦那工程学院的机械工程本科生，对编码和机械领域充满热情。由于这些兴趣，她致力于ML在机械工程中的应用。她曾在机器学习领域工作，用于机器故障诊断、库存管理。她目前正在印度理工学院坎普尔分校获得印度科学院提供的奖学金。她是柯林斯航空航天公司组织的国家级比赛MechAura的获胜者。

Hrushikesh Khade是印度浦那工程学院的机械工程本科生。对机械和计算机领域的浓厚兴趣导致探索深度学习，计算机视觉，机器学习及其应用，人工智能，最后是计算机科学基础知识。他从编码开始以相反的顺序工作，现在在 ML 模型、超参数调优和处理大型数据集以及神经网络方面拥有丰富的经验。他参与了TensorFlow，Keras，OpenCV，PyTorch以及与合著者的几个应用程序项目。他正在努力帮助将自动驾驶汽车带到道路上，并在此过程中制作有用的ML模型。