人工智能在數字經濟中的應用研究

石德倫 沈偉 張鵬 尹亮 余其旺

(湖北中煙工業有限責任公司武漢卷煙廠 湖北武漢 430040)

現如今，數字經濟發展迅猛，數據量指數級增長，這就對數據的處理和利用提出了巨大挑戰。面對這一現狀，人工智能是絕佳利器，然而目前人工智能尚未實現真正意義上的智能，更多集中在利用多源傳感器感知、計算機深度學習、大數據分析等初級人工智能應用上[1-2]。在人類發展史上，人工智能在數字經濟發展當下及未來都發揮著重要作用。從最初手工勞作到第二次工業革命，英國等國家抓住工業革命的機會，迅速發展為世界頭號經濟強國；第三次工業革命期間，美國以計算機通信產業賦能新基建，穩固其領先地位；第四次工業革命，互聯網、大數據、人工智能、云計算等新興科技的重要性不斷凸顯[3]。

目前，人工智能的應用還處于初級階段。第一代人工智能是規則的智能；第二代人工智能通過大量數據和統計發現其規律；第三代人工智能是自主式的人機互動、萬物互聯。隨著硬件、軟件、衛星、圖像等技術的發展，將推動人工智能技術進一步發展，人工智能賦能新基建和經濟方面的建設成果令世人矚目。多種類型的傳感器不斷提高人工智能在處理、智能化采集、應用、實時感知、快速決策等方面的效率[5]。以無人駕駛為例，2012年谷歌測試無人駕駛時，其人臉識別方法、精度、準確率高達98%。此外人工智能在工業、農業、體育等產業賦能方面，均有驚人表現[6]。

1 智能客服

客戶服務是典型的勞動密集型工作，隨著各種服務項目的開發，客戶服務的需求和勞動強度不斷增加。推薦以下兩種方法解決目前客戶服務效率低下的問題。

1.1 CSROS系統

客戶服務代表(Customer Service Request,CSR)按照標準作業程序(Standard Opreating Procedure,SOP)回答客戶詢問的工作是服務行業中最基本的服務。如果CSR使用手工編輯模式，就會花費大量時間和精力。在實際工作中，客戶可能會問相似的問題，所以回答應是相同或相似的?；赟OP設計了一個智能CSR操作系統(CSROS)，它應用了知識管理(KM)和自然語言處理(NLP) 技術。該系統結合了NLP、知識管理及CSR，符合互聯網和服務相關行業的發展趨勢，提供了多渠道的文本訪問服務模式，并利用自然語言技術來提高客戶服務效率。

CSR在系統使用的早期發揮了重要作用。使用時，系統可能沒有足夠的知識來回答客戶的大部分詢問，且由于初始語法知識的不完整，NLP檢索到的回答并不能完全令人滿意。在此情況下，CSR可能推翻推薦的答復或編輯一個新的答復。隨著系統的不斷使用，CSR的作用會減少，系統的效率也會大幅提高。

CSROS使用大規模的基于本體的知識管理技術。知識獲取支持從網絡、文檔和其他資源中獲取，多知識圖譜將知識庫轉化為IO模型，以支持跨數據庫的知識檢索。為了支持靈活高效的知識檢索，企業知識被組織成多個層次，包括城市、客戶類型、品牌、服務、主題和摘要等。CSROS采用三層自然語言理解技術，包括語義語法分析、句法語法分析和關鍵詞檢索三個層次，集成了縮寫識別、錯別字識別和糾正、模糊處理、特征詞識別技術等。 CSROS的主要技術如圖1所示。

圖1 CSROS技術概述

CSROS允許客戶以最自然的方式表達其需求，并即時獲得理想的、準確的回應。對干各種渠道的查詢文本，利用其解析和識別能力，CSROS可以協助這些渠道找到正確的回復，并提高處理效率。其具有以下三點優點：(1)自然，客戶的查詢使用自然語言，避免了格式記憶的負擔；(2)智能，基于領域本體對客戶的查詢進行分析，準確性高；(3)通用，CSROS作為一個知識表示、組織和檢索的系統，適用于各種行業。目前，CSROS支持近80項統計指標的數據分析；支持熱點業務的精細分析；支持通過qq、微信、郵箱等渠道訪問，支持深度數據挖掘。

圖2描述了整個CSROS的業務流程情況，CSROS由以下邏輯層組成：

圖2 CSROS業務流程

(1)服務層。為用戶提供智能文本服務，如智能天氣預報短信。

(2)功能層。實現短信的收發、與短信營業廳的對接、知識庫的維護、業務管理、統計分析和查詢處理、長短信的組合、質量檢查、滿意度調查、客戶手機的城市和品牌識別等功能。

(3)自然語言處理及相關組件層。實現自然語言的解析和相關處理，包括維護整個應用系統的一些基本組件。

(4)數據層。包括知識和語法庫、業務庫和管理數據。

(5)基礎平臺層和網絡硬件層。包括硬件設備、操作系統和應用服務器。

智能信息處理層通過對業務數據的采集建立業務知識庫。終端設備則通過各種渠道接入智能知識服務，并通過智能信息處理層獲取所需知識。系統實現了業務知識的集中管理，在底層數據流上完成了語音與文字的融合，實現了全面、實時、準確地統計和整理客戶的查詢需求，實現了智能服務信息匹配。對絕大多數簡單的查詢，系統可以通過智能匹配直接給出答復，不需要長時間等待。

1.2 自然語言查詢模板

用自然語言來表示知識查詢模板是不可取的。通過一種有效形式來設計查詢模板，這種模板形式結構簡單，表達能力強、易于匹配效果。作為核心模塊，處理查詢模塊負責以下功能：

(1)指派查詢。將消息隊列中的查詢分配到技能組的查詢池中。

(2)處理查詢。確認來自自然語言引擎的查詢答案，在查詢未得到自動回答時在線創建答案，并在發現以前的錯誤時重新發送答案。

(3)管理客戶白名單和黑名單及CSR黑名單。應用并審核客戶白名單和黑名單及CSR黑名單。白名單上的客戶將獲得VIP優先服務，黑名單上的客戶不能獲得任何服務。

(4)管理幾個工作時間的統計。包括休息管理、工作時間統計和工人在線時間統計。

(5)監測客戶滿意度。包括監控計劃的建立、啟動、維護與瀏覽監控結果。

1.3 知識庫管理模塊

知識庫管理模塊架構如圖3所示。

圖3 知識庫管理模塊架構

知識庫管理模塊采用能夠細分各種角色、展示各種業務的界面，融合了移動業務的特點，能夠支持市、區的生產工作和區域的整合。具有以下主要功能：

(1)提供各種維度的知識管理。如客戶類型維度和城市維度。城市包括單一城市和多個城市；客戶類型包括“個人”“家庭”“企業”“政府”等?；谏鲜鼍S度的不同選擇或組合，將加載不同的業務樹。

(2)提供樹狀的業務管理：“品牌”是第一層業務，分為業務類和具體業務。

(3)提供多層答案管理，提供這些有關號碼包的功能，如上傳、修改和刪除。

(4)實現了對詞類的管理，包括添加、刪除、修改和檢索。

(5)實現了對單詞模式和語法的管理，包括添加、刪除、修改和檢索。提供嚴格的句法和語義檢查，包括對服務、主題、摘要、詞形和語法的檢查，以保證數據的一致性。

(6)提供對歷史數據的檢索。

2 智慧物流

近年來，智慧物流得到了廣泛關注，并見證了人工智能技術的飛速發展，在數字經濟中發揮著不可替代的作用。作為一種高效的運輸方式，蜂群機器人技術朝著高人工智能的方向穩步發展，確保了倉庫交付管理，并將人工智能技術部署到許多具有挑戰性的任務中。智能蜂群機器人系統可被視為未來智能管理和服務系統的原型。如何設計一個高效的蜂群機器人通信和管理平臺，是智慧物流行業的基本問題。追回物流行業被認為是人工智能未來十年最重要的應用場景，可能大幅改變人們的日常生活。目前，已有一些倉儲和交付公司采用了人工智能，并從機器人和人工智能所帶來的便捷性中受益。雖然目前在工業領域采用的機器人解決方案有很多優勢，但隨著新挑戰和新需求的不斷出現，技術仍需不斷改進。由于人工智能和機器人技術的快速發展，下一代物流業的“最后公一里”無人配送問題已成為當前研究的前沿問題，智能倉儲和配送可以壓低響應延遲、加強質量控制，這兩點對物流公司至關重要。

物流機器人技術已被研究了很多年，并在一些頭部物流公司中得到應用。由于其通信能力、處理能力和對不同任務的適應性，機器人技術被認為是智慧物流的重要組成部分。例如，亞馬遜雇用了45000個機器人在全球20個配送中心清洗產品。同樣，德國的DHL和阿里巴巴已開始試用無人機(UAV)機器人群，每天可以運送大約500個包裹。當機器人技術在物流領域廣泛實施時，高達40%的機器人技術可以帶來成本的降低。與此同時，人類的勞動成本在結構性地上升。有數據顯示，20世紀90年代，機器人與人類的每小時成本對比為116/9，而在2015年，這一比例下降到10/9。

2.1 蜂群機器人系統

智慧物流中機器人技術。機器人技術在智慧物流中的一些應用包括但不限于運輸機器人、機器人手臂和無人機。這類機器人可以協助人類，或在某些情況下取代人類進行揀貨、包裝和交付工作。這些例子需要多個機器人協作和配合來執行任務。對于一些棘手的或性質不同的特定錯誤，則需要采用一組機器人或成群機器人來處理單個機器人可能無法解決的問題。諸如通信、協作操縱和任務分配等關鍵業務。例如，使用兩個最大有效載荷為500公斤的運輸機器人，實現運載1噸的產品。在此情況下，兩個機器人應能夠相互交流，協調其步伐，接收中央控制器的任務調度指令，并在其想要右轉時采取相應的行動。因此，在蜂群機器人技術中需要一個包括通信、控制和監視系統的框架，進行強大而有效的管理。蜂群機器人系統架構如圖4所示。

圖4 蜂群機器人系統架構

物流機器人將倉庫平臺分為三個系統：集中式控制器、單個執行單元(機器人)和支持系統。中央控制器是一種中心管理服務器，它可以部署在本地或云中，該控制器旨在感知和分析用戶需求，從監控系統接收機器人狀態，并對機器人進行動態分組，為一群機器人共同完成任務找到最佳方案。單個執行單元中，每個單獨的機器人都配備了特定工具，每個機器人配備了基本和有限的導航和通信設備，如避障攝像頭/控制器或RFID室內定位系統。同時，控制器系統對來自機器人的各種匯總信息進行封裝，包括與機器人之間的通信和監視報告；支持系統包括各種智能監測與指導硬件；監控子系統負責報告每個機器人的實時狀態，如機器人工作狀態或硬件使用情況，導航子系統可以在主動或被動模式下工作，或兩者同時進行，以準確定位機器人和其他設備，如貨架和障礙物，并使移動機器人遠離敏感區域。在主動模式下，超聲波、紅外傳感器或RFID設備被用作地標，移動機器人根據最近的地標計算其二維位置。作為被動導航。用顯著的顏色線或QR碼被標記為突出倉庫中的航點，因此支持攝像頭的機器人可以讀取這些航點來定位自己。

2.2 人工智能技術應用

物流系統是現代社會的血管，因為它連接著產品的生產和客戶，是供應鏈中的關鍵節點。在過去的幾十年中，各種應用都得到了物流系統的支持，以改善流動性、減少交付延遲、實現節省燃料，并提高安全性。此外，還有包括高效運輸、智能倉儲、智能交付、路線跟蹤和精確供應鏈在內的物流服務。

在物流系統中，人工智能具體有以下應用：

(1)高效的運輸。它實時提供關于運輸需求和運輸來源的詳細信息，如卡車或車輛，并與每一個訂單進行配對，運輸效率的提高正是通過供應和需求之間的精確匹配來實現的。隨著人工智能的快速發展，無人駕駛卡車等智能設備正在測試中，預計將在未來十年進一步保證運輸效率的提高。

(2)智能倉儲。機器人技術被設計用來取代或協助人類完成各種任務，如裝卸、移動和分類貨物。智能倉儲系統還為人類管理者提供有關當前的信息、租用倉庫中的存儲狀態及輸入和輸出時間表，以便了解任何潛在延遲。

(3)智能交付。包括自動駕駛車輛或無人機，為終端用戶提供門到門的交付。與高效運輸類似，智能交付中的路徑規劃算法確保了路徑搜索的全局優化，并減少了平均等待時間，這對用戶體驗至關重要。該系統還能意識到任何突發事件，并能在緊急情況下動態調整現有計劃，因此需要在公路車輛或無人機和中央控制器之間進行實時通信。

(4)路線跟蹤。這個應用程序的主要目的是準確定位整個路線上的貨物，它是一個實時跟蹤系統，允許制造商和最終用戶跟蹤他們的產品或包裹，并獲得可預測的時間表。物流公司有可能獲得強大的客戶滿意度，作為高透明度的回報。

(5)精準的供應鏈。作為智能物流與大數據和人工智能的衍生品，物流公司可以挖掘以前的數據，更準確地預測客戶的行為，因此能夠在一條供應鏈的兩邊為客戶提供精確的鏈接，方便用戶下達訂單。

(6)綠色物流。鑒于可持續發展社會的要求，引進“綠色車輛”，特別是用于城市物流的全電動和混合動力車輛。目前，大多數電動車是面包車或小型卡車，但其他類型的電動卡車也正在測試中。在B2C服務中，電動卡車可以更環保的方式解決“最后一公里”的配送問題，并降碳節能。物流公司不僅可以大幅降低配送成本，還能改善公眾形象。

2.3 智慧物流中蜂群機器人面臨的挑戰

基于機器人技術的智能物流的關鍵技術即將面臨許多挑戰。首先，目標產品需要被識別和定位。作為一個有效的通信方案，如RFID等短距離通信技術，可以滿足各種需求；其次，應使用導航技術。該技術可以向所有機器人提供倉庫地圖和航點/路徑信號，以實現自動定位和選擇最佳路徑的目的。通過自帶或基于工作站的傳感和智能設備，機器人能夠識別物體，并在揀選該物體時采用最佳路線規劃。同時，一個基于智能傳感器的防撞系統，可使機器人遠離任何由系統錯誤或嘈雜的導航數據引起的潛在碰撞。一個適應性強的中央控制器作為整個倉庫的大腦工作；一個動態和強大的控制規則需要大量的計算資源和數據來學習，這樣的控制將極大地降低物流總成本，并對任何突發任務作出迅速反應。由于不同特定倉庫任務的多樣性，許多關鍵技術將在未來的智能物流中遇到新的挑戰。

2.3.1 貨物的短距離通信識別和定位

如何在入庫和出庫時穩定識別和準確地定位貨物是倉儲平臺的重要問題。短距離通信技術，如RFID為識別問題提供了有效的解決方案。雖然RFID在物流中得到了廣泛應用，但在RFID的發展中仍然存在一些理論和實踐上的挑戰。一方面，兩種確撞，即標簽碰撞和讀寫器碰撞，是RFID系統的基本問題。當多個標簽同時被一個RFID標簽讀寫器激活，并同時將各自的信號反射給讀寫器時，一個RFID系統可能面臨標簽碰撞問題。當一個RFID閱讀器的讀取區城與另一個閱讀器的讀取區域重疊，并收到其他讀寫器提供的反射信號時，就會發生讀寫器碰撞。這兩種碰撞都需要額外使用軟件或硬件來確保可靠的識別。如何在效率和準確性之間取得完美的平衡，仍然是RFID系統的挑戰；另一方面RFID標簽的價格有時是首要問題，也是廣泛使用RFID的瓶頸。現在一個UFH RFID標簽的價格約為0.10美元，預計將來更便宜。

2.3.2 傳感器導航

智能物流的一個重要問題是如何告訴機器人他們現在在哪里，下一步要去哪里。目前的解決方案可分為主動和被動導航。在其主動模式下，導航系統以類似于GPS的定位方式工作，倉庫中的地標首先配備了許多短距離通信設備，如超聲波或紅外傳感器或RFID標簽，機載接收器從已知位置的地標讀取信號，并相應地計算出其相對位置。被動導航要求機器人本身自動尋找、識別地標，并根據內置地圖定位。最流行的地標標記技術是二維碼，其在就業成本、活用范圍和定位精度方面均具有突出優勢。二維碼導航的一個挑戰性問題是其他移動設備可能造成的遮擋，如果機器人長時間無法找到并讀取任何QR地標碼，那么隨著移動距離的增加而累積的測距誤差就會達到一個可怕的水平，并可能誤導一個機器人走任意的路徑。

2.3.3 智能物體識別和采摘

目前，智能倉庫中對單個物體的識別和揀選幾乎都是靠人工，其效率自然不高，隨著深度學習和神經網絡的不斷進步，人工智能可以準確地從許多其他物體中檢測和識別出另一個物體，智能物流將從圖像識別技術和機器學習技術中受益。

2.3.4 避免碰撞和短距離感應

避免碰撞是計算機視覺和機器學習可以幫助機器人實現安全運動的另一個領域。許多距離測量系統，如超聲波測距、紅外測距和雙攝像頭系統已被用于檢測任何可能的碰撞，然而在每個系統的實施過程中仍會出現問題，在玻璃或透明物體的情況下，紅外測距可能丟失深度數據。與此相反，超聲波測距甚至能從玻璃中獲得強烈的反射，但有時可能也無法檢測到小物體。與其他系統相比，視覺相機具有價格低廉的優勢，但對光照變化很敏感。在監視系統和機載傳感方面，智能傳感器的改進將提高蜂群機器人的安全性。

2.3.5 智能控制器和深度學習的大數據挖掘

人工智能的控制器需要大量數據作為訓練集，控制器從中學習決策樹或網絡，以獲得智能決策能力，并通過新的數據動態更新學習網絡。

中央控制器從各種智能監測或執行單元獲得數據，并將這些數據提供給任何決策學習算法進行訓練，數以萬計的傳感器被分類為不同種類，收集大量數據。基于收集到的數據，隨后采用尖端的深度學習算法來學習數據的底層結構，并為用戶提供專家級的專業決策。

AI決策學習算法主要來自深度學習和強化學習的組合。前者的學習技術回答了如何從訓練數據中學習一個決策網絡。使成本函數最小化的問題。在智能倉儲中成本函數可以指任何用戶定義的存儲成本。強化學習則揭示了訓練數據隱含的潛在成本函數，以防止成本函數太過復雜而無法以簡單的方式形成。

2.3.6 網絡安全和隱私

為任何基于機器人的智能物流和應用提供安全和隱私是非常重要的，確保智能物流系統的安全是一項復雜甚至非常困難的任務。因為他們的許多有價值的設備，如無人駕駛的送貨卡車和無人機經常在無人看守的地方工作，并暴露在潛在攻擊之下。

由于下一代智能物流將由無人駕駛、無人機等實現，運輸或交付機器人得攜帶或移交有關客戶的敏感信息。這種有價值的信息，如車輛的目的地位置和其他個人信息泄漏，使客戶暴露在具有惡意的對手面前。作為一個有前途的網絡安全解決方案，公鑰密碼系統可將敏感信息或數據加密為密文，并在需要時解密，在許多定義明確的非對稱密轉加器方案中，公私密鑰對的框架是最適合智能物流的系統。在公鑰-私鑰網絡中，信息發送者，如中央控制器或終端用戶可使用公鑰對信息進行加密，但只有配對的私鑰持有者才能解密這些信息。

2.3.7 路徑規劃

旅行商問題(TSP)是路徑規劃相關問題的開端，也是測試各種方法或技術的有效生成和效率的基準問題。由TSP及其變體(如概率TSP和模湖TSP)衍生出來的車輛路徑規劃問題，是當前物流系統的核心。作為最先進的解決方案，蜂群智能是解決TSP問題的強大優化算法。

群智能的概念最初是由昆蟲、螞蟻和自然界其他領域的生物邏輯研究中的集體生物所啟發。從螞蟻的集體行為中得到的驚人觀察表明，相對簡單的個體規則可以產生一套復雜的群行為。作為一種典型的群智能算法，蟻群優化(ACO)被廣泛用于TSP，類似于由螞蟻尋找最短路線，ACO也被用于解決供應鏈設計問題。

3 結語

綜上所述，本文從原理與過程方面介紹了人工智能在智能客服和智慧物流中的應用，探討了人工智能在數字經濟中的結合方式和應用場景，分析了人工智能與數字經濟相結合的優勢，總結了人工智能在管理、參與經濟市場、改善勞動密集型產業等方面的重要作用。