人工智能在数字经济中的应用研究

石德伦 沈伟 张鹏 尹亮 余其旺

(湖北中烟工业有限责任公司武汉卷烟厂 湖北武汉 430040)

现如今，数字经济发展迅猛，数据量指数级增长，这就对数据的处理和利用提出了巨大挑战。面对这一现状，人工智能是绝佳利器，然而目前人工智能尚未实现真正意义上的智能，更多集中在利用多源传感器感知、计算机深度学习、大数据分析等初级人工智能应用上[1-2]。在人类发展史上，人工智能在数字经济发展当下及未来都发挥着重要作用。从最初手工劳作到第二次工业革命，英国等国家抓住工业革命的机会，迅速发展为世界头号经济强国；第三次工业革命期间，美国以计算机通信产业赋能新基建，稳固其领先地位；第四次工业革命，互联网、大数据、人工智能、云计算等新兴科技的重要性不断凸显[3]。

目前，人工智能的应用还处于初级阶段。第一代人工智能是规则的智能；第二代人工智能通过大量数据和统计发现其规律；第三代人工智能是自主式的人机互动、万物互联。随着硬件、软件、卫星、图像等技术的发展，将推动人工智能技术进一步发展，人工智能赋能新基建和经济方面的建设成果令世人瞩目。多种类型的传感器不断提高人工智能在处理、智能化采集、应用、实时感知、快速决策等方面的效率[5]。以无人驾驶为例，2012年谷歌测试无人驾驶时，其人脸识别方法、精度、准确率高达98%。此外人工智能在工业、农业、体育等产业赋能方面，均有惊人表现[6]。

1 智能客服

客户服务是典型的劳动密集型工作，随着各种服务项目的开发，客户服务的需求和劳动强度不断增加。推荐以下两种方法解决目前客户服务效率低下的问题。

1.1 CSROS系统

客户服务代表(Customer Service Request,CSR)按照标准作业程序(Standard Opreating Procedure,SOP)回答客户询问的工作是服务行业中最基本的服务。如果CSR使用手工编辑模式，就会花费大量时间和精力。在实际工作中，客户可能会问相似的问题，所以回答应是相同或相似的。基于SOP设计了一个智能CSR操作系统(CSROS)，它应用了知识管理(KM)和自然语言处理(NLP) 技术。该系统结合了NLP、知识管理及CSR，符合互联网和服务相关行业的发展趋势，提供了多渠道的文本访问服务模式，并利用自然语言技术来提高客户服务效率。

CSR在系统使用的早期发挥了重要作用。使用时，系统可能没有足够的知识来回答客户的大部分询问，且由于初始语法知识的不完整，NLP检索到的回答并不能完全令人满意。在此情况下，CSR可能推翻推荐的答复或编辑一个新的答复。随着系统的不断使用，CSR的作用会减少，系统的效率也会大幅提高。

CSROS使用大规模的基于本体的知识管理技术。知识获取支持从网络、文档和其他资源中获取，多知识图谱将知识库转化为IO模型，以支持跨数据库的知识检索。为了支持灵活高效的知识检索，企业知识被组织成多个层次，包括城市、客户类型、品牌、服务、主题和摘要等。CSROS采用三层自然语言理解技术，包括语义语法分析、句法语法分析和关键词检索三个层次，集成了缩写识别、错别字识别和纠正、模糊处理、特征词识别技术等。 CSROS的主要技术如图1所示。

图1 CSROS技术概述

CSROS允许客户以最自然的方式表达其需求，并即时获得理想的、准确的回应。对干各种渠道的查询文本，利用其解析和识别能力，CSROS可以协助这些渠道找到正确的回复，并提高处理效率。其具有以下三点优点：(1)自然，客户的查询使用自然语言，避免了格式记忆的负担；(2)智能，基于领域本体对客户的查询进行分析，准确性高；(3)通用，CSROS作为一个知识表示、组织和检索的系统，适用于各种行业。目前，CSROS支持近80项统计指标的数据分析；支持热点业务的精细分析；支持通过qq、微信、邮箱等渠道访问，支持深度数据挖掘。

图2描述了整个CSROS的业务流程情况，CSROS由以下逻辑层组成：

图2 CSROS业务流程

(1)服务层。为用户提供智能文本服务，如智能天气预报短信。

(2)功能层。实现短信的收发、与短信营业厅的对接、知识库的维护、业务管理、统计分析和查询处理、长短信的组合、质量检查、满意度调查、客户手机的城市和品牌识别等功能。

(3)自然语言处理及相关组件层。实现自然语言的解析和相关处理，包括维护整个应用系统的一些基本组件。

(4)数据层。包括知识和语法库、业务库和管理数据。

(5)基础平台层和网络硬件层。包括硬件设备、操作系统和应用服务器。

智能信息处理层通过对业务数据的采集建立业务知识库。终端设备则通过各种渠道接入智能知识服务，并通过智能信息处理层获取所需知识。系统实现了业务知识的集中管理，在底层数据流上完成了语音与文字的融合，实现了全面、实时、准确地统计和整理客户的查询需求，实现了智能服务信息匹配。对绝大多数简单的查询，系统可以通过智能匹配直接给出答复，不需要长时间等待。

1.2 自然语言查询模板

用自然语言来表示知识查询模板是不可取的。通过一种有效形式来设计查询模板，这种模板形式结构简单，表达能力强、易于匹配效果。作为核心模块，处理查询模块负责以下功能：

(1)指派查询。将消息队列中的查询分配到技能组的查询池中。

(2)处理查询。确认来自自然语言引擎的查询答案，在查询未得到自动回答时在线创建答案，并在发现以前的错误时重新发送答案。

(3)管理客户白名单和黑名单及CSR黑名单。应用并审核客户白名单和黑名单及CSR黑名单。白名单上的客户将获得VIP优先服务，黑名单上的客户不能获得任何服务。

(4)管理几个工作时间的统计。包括休息管理、工作时间统计和工人在线时间统计。

(5)监测客户满意度。包括监控计划的建立、启动、维护与浏览监控结果。

1.3 知识库管理模块

知识库管理模块架构如图3所示。

图3 知识库管理模块架构

知识库管理模块采用能够细分各种角色、展示各种业务的界面，融合了移动业务的特点，能够支持市、区的生产工作和区域的整合。具有以下主要功能：

(1)提供各种维度的知识管理。如客户类型维度和城市维度。城市包括单一城市和多个城市；客户类型包括“个人”“家庭”“企业”“政府”等。基于上述维度的不同选择或组合，将加载不同的业务树。

(2)提供树状的业务管理：“品牌”是第一层业务，分为业务类和具体业务。

(3)提供多层答案管理，提供这些有关号码包的功能，如上传、修改和删除。

(4)实现了对词类的管理，包括添加、删除、修改和检索。

(5)实现了对单词模式和语法的管理，包括添加、删除、修改和检索。提供严格的句法和语义检查，包括对服务、主题、摘要、词形和语法的检查，以保证数据的一致性。

(6)提供对历史数据的检索。

2 智慧物流

近年来，智慧物流得到了广泛关注，并见证了人工智能技术的飞速发展，在数字经济中发挥着不可替代的作用。作为一种高效的运输方式，蜂群机器人技术朝着高人工智能的方向稳步发展，确保了仓库交付管理，并将人工智能技术部署到许多具有挑战性的任务中。智能蜂群机器人系统可被视为未来智能管理和服务系统的原型。如何设计一个高效的蜂群机器人通信和管理平台，是智慧物流行业的基本问题。追回物流行业被认为是人工智能未来十年最重要的应用场景，可能大幅改变人们的日常生活。目前，已有一些仓储和交付公司采用了人工智能，并从机器人和人工智能所带来的便捷性中受益。虽然目前在工业领域采用的机器人解决方案有很多优势，但随着新挑战和新需求的不断出现，技术仍需不断改进。由于人工智能和机器人技术的快速发展，下一代物流业的“最后公一里”无人配送问题已成为当前研究的前沿问题，智能仓储和配送可以压低响应延迟、加强质量控制，这两点对物流公司至关重要。

物流机器人技术已被研究了很多年，并在一些头部物流公司中得到应用。由于其通信能力、处理能力和对不同任务的适应性，机器人技术被认为是智慧物流的重要组成部分。例如，亚马逊雇用了45000个机器人在全球20个配送中心清洗产品。同样，德国的DHL和阿里巴巴已开始试用无人机(UAV)机器人群，每天可以运送大约500个包裹。当机器人技术在物流领域广泛实施时，高达40%的机器人技术可以带来成本的降低。与此同时，人类的劳动成本在结构性地上升。有数据显示，20世纪90年代，机器人与人类的每小时成本对比为116/9，而在2015年，这一比例下降到10/9。

2.1 蜂群机器人系统

智慧物流中机器人技术。机器人技术在智慧物流中的一些应用包括但不限于运输机器人、机器人手臂和无人机。这类机器人可以协助人类，或在某些情况下取代人类进行拣货、包装和交付工作。这些例子需要多个机器人协作和配合来执行任务。对于一些棘手的或性质不同的特定错误，则需要采用一组机器人或成群机器人来处理单个机器人可能无法解决的问题。诸如通信、协作操纵和任务分配等关键业务。例如，使用两个最大有效载荷为500公斤的运输机器人，实现运载1吨的产品。在此情况下，两个机器人应能够相互交流，协调其步伐，接收中央控制器的任务调度指令，并在其想要右转时采取相应的行动。因此，在蜂群机器人技术中需要一个包括通信、控制和监视系统的框架，进行强大而有效的管理。蜂群机器人系统架构如图4所示。

图4 蜂群机器人系统架构

物流机器人将仓库平台分为三个系统：集中式控制器、单个执行单元(机器人)和支持系统。中央控制器是一种中心管理服务器，它可以部署在本地或云中，该控制器旨在感知和分析用户需求，从监控系统接收机器人状态，并对机器人进行动态分组，为一群机器人共同完成任务找到最佳方案。单个执行单元中，每个单独的机器人都配备了特定工具，每个机器人配备了基本和有限的导航和通信设备，如避障摄像头/控制器或RFID室内定位系统。同时，控制器系统对来自机器人的各种汇总信息进行封装，包括与机器人之间的通信和监视报告；支持系统包括各种智能监测与指导硬件；监控子系统负责报告每个机器人的实时状态，如机器人工作状态或硬件使用情况，导航子系统可以在主动或被动模式下工作，或两者同时进行，以准确定位机器人和其他设备，如货架和障碍物，并使移动机器人远离敏感区域。在主动模式下，超声波、红外传感器或RFID设备被用作地标，移动机器人根据最近的地标计算其二维位置。作为被动导航。用显著的颜色线或QR码被标记为突出仓库中的航点，因此支持摄像头的机器人可以读取这些航点来定位自己。

2.2 人工智能技术应用

物流系统是现代社会的血管，因为它连接着产品的生产和客户，是供应链中的关键节点。在过去的几十年中，各种应用都得到了物流系统的支持，以改善流动性、减少交付延迟、实现节省燃料，并提高安全性。此外，还有包括高效运输、智能仓储、智能交付、路线跟踪和精确供应链在内的物流服务。

在物流系统中，人工智能具体有以下应用：

(1)高效的运输。它实时提供关于运输需求和运输来源的详细信息，如卡车或车辆，并与每一个订单进行配对，运输效率的提高正是通过供应和需求之间的精确匹配来实现的。随着人工智能的快速发展，无人驾驶卡车等智能设备正在测试中，预计将在未来十年进一步保证运输效率的提高。

(2)智能仓储。机器人技术被设计用来取代或协助人类完成各种任务，如装卸、移动和分类货物。智能仓储系统还为人类管理者提供有关当前的信息、租用仓库中的存储状态及输入和输出时间表，以便了解任何潜在延迟。

(3)智能交付。包括自动驾驶车辆或无人机，为终端用户提供门到门的交付。与高效运输类似，智能交付中的路径规划算法确保了路径搜索的全局优化，并减少了平均等待时间，这对用户体验至关重要。该系统还能意识到任何突发事件，并能在紧急情况下动态调整现有计划，因此需要在公路车辆或无人机和中央控制器之间进行实时通信。

(4)路线跟踪。这个应用程序的主要目的是准确定位整个路线上的货物，它是一个实时跟踪系统，允许制造商和最终用户跟踪他们的产品或包裹，并获得可预测的时间表。物流公司有可能获得强大的客户满意度，作为高透明度的回报。

(5)精准的供应链。作为智能物流与大数据和人工智能的衍生品，物流公司可以挖掘以前的数据，更准确地预测客户的行为，因此能够在一条供应链的两边为客户提供精确的链接，方便用户下达订单。

(6)绿色物流。鉴于可持续发展社会的要求，引进“绿色车辆”，特别是用于城市物流的全电动和混合动力车辆。目前，大多数电动车是面包车或小型卡车，但其他类型的电动卡车也正在测试中。在B2C服务中，电动卡车可以更环保的方式解决“最后一公里”的配送问题，并降碳节能。物流公司不仅可以大幅降低配送成本，还能改善公众形象。

2.3 智慧物流中蜂群机器人面临的挑战

基于机器人技术的智能物流的关键技术即将面临许多挑战。首先，目标产品需要被识别和定位。作为一个有效的通信方案，如RFID等短距离通信技术，可以满足各种需求；其次，应使用导航技术。该技术可以向所有机器人提供仓库地图和航点/路径信号，以实现自动定位和选择最佳路径的目的。通过自带或基于工作站的传感和智能设备，机器人能够识别物体，并在拣选该物体时采用最佳路线规划。同时，一个基于智能传感器的防撞系统，可使机器人远离任何由系统错误或嘈杂的导航数据引起的潜在碰撞。一个适应性强的中央控制器作为整个仓库的大脑工作；一个动态和强大的控制规则需要大量的计算资源和数据来学习，这样的控制将极大地降低物流总成本，并对任何突发任务作出迅速反应。由于不同特定仓库任务的多样性，许多关键技术将在未来的智能物流中遇到新的挑战。

2.3.1 货物的短距离通信识别和定位

如何在入库和出库时稳定识别和准确地定位货物是仓储平台的重要问题。短距离通信技术，如RFID为识别问题提供了有效的解决方案。虽然RFID在物流中得到了广泛应用，但在RFID的发展中仍然存在一些理论和实践上的挑战。一方面，两种确撞，即标签碰撞和读写器碰撞，是RFID系统的基本问题。当多个标签同时被一个RFID标签读写器激活，并同时将各自的信号反射给读写器时，一个RFID系统可能面临标签碰撞问题。当一个RFID阅读器的读取区城与另一个阅读器的读取区域重叠，并收到其他读写器提供的反射信号时，就会发生读写器碰撞。这两种碰撞都需要额外使用软件或硬件来确保可靠的识别。如何在效率和准确性之间取得完美的平衡，仍然是RFID系统的挑战；另一方面RFID标签的价格有时是首要问题，也是广泛使用RFID的瓶颈。现在一个UFH RFID标签的价格约为0.10美元，预计将来更便宜。

2.3.2 传感器导航

智能物流的一个重要问题是如何告诉机器人他们现在在哪里，下一步要去哪里。目前的解决方案可分为主动和被动导航。在其主动模式下，导航系统以类似于GPS的定位方式工作，仓库中的地标首先配备了许多短距离通信设备，如超声波或红外传感器或RFID标签，机载接收器从已知位置的地标读取信号，并相应地计算出其相对位置。被动导航要求机器人本身自动寻找、识别地标，并根据内置地图定位。最流行的地标标记技术是二维码，其在就业成本、活用范围和定位精度方面均具有突出优势。二维码导航的一个挑战性问题是其他移动设备可能造成的遮挡，如果机器人长时间无法找到并读取任何QR地标码，那么随着移动距离的增加而累积的测距误差就会达到一个可怕的水平，并可能误导一个机器人走任意的路径。

2.3.3 智能物体识别和采摘

目前，智能仓库中对单个物体的识别和拣选几乎都是靠人工，其效率自然不高，随着深度学习和神经网络的不断进步，人工智能可以准确地从许多其他物体中检测和识别出另一个物体，智能物流将从图像识别技术和机器学习技术中受益。

2.3.4 避免碰撞和短距离感应

避免碰撞是计算机视觉和机器学习可以帮助机器人实现安全运动的另一个领域。许多距离测量系统，如超声波测距、红外测距和双摄像头系统已被用于检测任何可能的碰撞，然而在每个系统的实施过程中仍会出现问题，在玻璃或透明物体的情况下，红外测距可能丢失深度数据。与此相反，超声波测距甚至能从玻璃中获得强烈的反射，但有时可能也无法检测到小物体。与其他系统相比，视觉相机具有价格低廉的优势，但对光照变化很敏感。在监视系统和机载传感方面，智能传感器的改进将提高蜂群机器人的安全性。

2.3.5 智能控制器和深度学习的大数据挖掘

人工智能的控制器需要大量数据作为训练集，控制器从中学习决策树或网络，以获得智能决策能力，并通过新的数据动态更新学习网络。

中央控制器从各种智能监测或执行单元获得数据，并将这些数据提供给任何决策学习算法进行训练，数以万计的传感器被分类为不同种类，收集大量数据。基于收集到的数据，随后采用尖端的深度学习算法来学习数据的底层结构，并为用户提供专家级的专业决策。

AI决策学习算法主要来自深度学习和强化学习的组合。前者的学习技术回答了如何从训练数据中学习一个决策网络。使成本函数最小化的问题。在智能仓储中成本函数可以指任何用户定义的存储成本。强化学习则揭示了训练数据隐含的潜在成本函数，以防止成本函数太过复杂而无法以简单的方式形成。

2.3.6 网络安全和隐私

为任何基于机器人的智能物流和应用提供安全和隐私是非常重要的，确保智能物流系统的安全是一项复杂甚至非常困难的任务。因为他们的许多有价值的设备，如无人驾驶的送货卡车和无人机经常在无人看守的地方工作，并暴露在潜在攻击之下。

由于下一代智能物流将由无人驾驶、无人机等实现，运输或交付机器人得携带或移交有关客户的敏感信息。这种有价值的信息，如车辆的目的地位置和其他个人信息泄漏，使客户暴露在具有恶意的对手面前。作为一个有前途的网络安全解决方案，公钥密码系统可将敏感信息或数据加密为密文，并在需要时解密，在许多定义明确的非对称密转加器方案中，公私密钥对的框架是最适合智能物流的系统。在公钥-私钥网络中，信息发送者，如中央控制器或终端用户可使用公钥对信息进行加密，但只有配对的私钥持有者才能解密这些信息。

2.3.7 路径规划

旅行商问题(TSP)是路径规划相关问题的开端，也是测试各种方法或技术的有效生成和效率的基准问题。由TSP及其变体(如概率TSP和模湖TSP)衍生出来的车辆路径规划问题，是当前物流系统的核心。作为最先进的解决方案，蜂群智能是解决TSP问题的强大优化算法。

群智能的概念最初是由昆虫、蚂蚁和自然界其他领域的生物逻辑研究中的集体生物所启发。从蚂蚁的集体行为中得到的惊人观察表明，相对简单的个体规则可以产生一套复杂的群行为。作为一种典型的群智能算法，蚁群优化(ACO)被广泛用于TSP，类似于由蚂蚁寻找最短路线，ACO也被用于解决供应链设计问题。

3 结语

综上所述，本文从原理与过程方面介绍了人工智能在智能客服和智慧物流中的应用，探讨了人工智能在数字经济中的结合方式和应用场景，分析了人工智能与数字经济相结合的优势，总结了人工智能在管理、参与经济市场、改善劳动密集型产业等方面的重要作用。