机器学习和神经网络是现代物流行业中的两大术语，但其究竟意味着什么？ 我们需要请专家来解答。 《Logistics Business》杂志的编辑 Paul Hamblin 就遇到了一位。
AGV 和移动机器人专家科尔摩根从系统和板载的单个 AGV 两个层面对 AGV 系统的性能和行为进行了测量。 科尔摩根通过收集有关电机驱动器、激光扫描仪、定位、交通和障碍物干扰的信息，发现了有助于改进产品和系统配置的趋势和模式。
可以测量生产率峰谷或每日利用率趋势，并将所得数据用于优化路线、提高吞吐量和计算更智能的资源利用率。 对于最终用户而言，这意味着成本更低，收入更高。 所收集的数据可以作为重要线索来排查可能干扰 AGV 性能的外部流程。 例如，行人挡住了 AGV 的路，或手动叉车行驶在原本主要为 AGV 规划的区域。
不过，它是如何做到这一切的呢？ 科尔摩根的 AGV 产品经理 Samuel Alexandersson 为我们提供了耐心的指导。
他说道：“人工神经网络是一个大致基于人脑结构的计算模型。 我们的脑细胞或神经元由复杂的神经网络连接，电化学信号沿着神经网络传递。 简单来说，如果输入信号的权重足够大，神经元就会发出信号，然后信号将继续传递到其所连接的下一组细胞。
通过这种方式，大脑中所有不同神经元之间的连接结构将决定某个信号如何传播；我们学习新事物时，大脑中真正发生的是连接结构的重建。
人工神经网络中的信号为数字信号，而不是电化学信号，而且连接的强度按权重进行存储。 最初，这些权值是随机的，也就是说当我们向网络提供输入时，它输出的只是随机且无意义的信息。 但是就像人类在学习中吸取经验一样，我们可以让模型以数据的形式学习经验。
每个数据点都将包含一个输入和一个预期的输出，所以这些成对的数据便是可以学习的例子。 通过使用机器学习算法逐步调整权重，可以使模型的输出越来越接近预期值，这样机器就可以学着做预测。
例如，如果我们要教机器分辨猫和狗，我们需要构建一个图像（输入）数据集，其中每张图像都有一个标签，表明它是猫还是狗（正确的输出）。 通过数据集训练神经网络后，我们可以给它输入一个全新的图像，尽管神经网络之前从未见过这个图像，系统也能辨别是猫还是狗。”
能否举例说明，在物流应用中如何利用数据获得洞察？
他回答道：“设计 AGV 系统是一项复杂的任务，需要大量的技能和经验。 例如，在设计道路网络时，可能有成千上万条独立的路线需要进行正确配置。 当然，这很容易犯错，而且经常只有到了在模拟中运行系统时才会发现这些错误。
因此，我们当前正在开发可以直接分析道路网络的工具，这样用户就能得到更及时的反馈。 在内部的 AB 测试中，我们把用户找到错误配置根源的时间缩短了5倍。
有一个更有趣的例子，能够表明数据驱动方法所带来的效益。我们有这样一个技术支持案例：某工程师用传统方法花费了几个小时进行调试，而使用自动分析配置数据的原型，只需不到 10 分钟就解决了。”
最终，一切都将回归到区分是猫还是狗的问题。
