图片来源于网络

安全性不仅对内部 物流 系统的运行至关重要，而且对人工 智能（AI）的应用也至关重要。

数字化

如今任何一个上车的人，在旅途中都会有很多技术可以使用，这些技术的编排都是为了确保他们尽可能安全、环保地到达。ABS(防抱死制动系统)、ASR(牵引力控制)和GPS(全球定位系统)就是这类智能辅助系统的例子。尽管驾驶者的驾驶方式具有预见性和适应性，但如果出现极端情况，驾驶者还是要依靠各自的助手提供的即时支持。当需要保护人员和需要使车辆重新受到控制时，安装的 传感器和程序逻辑是不可替代的。

该技术可在后台不经意地 监控驾驶员的行为，仅在必要时进行干预。原则上，当局势有可能从纯人工控制中滑落时，它不是光顾，而是支持。但是，在相反的情况下，它是什么样子的呢？当智能数字算法和模型不再 "知难而退 "时，它们有哪些援助方案？

SSI Schäfer（ 德国赛菲尔）的专家们意识到，对仓储系统的信任意味着对硬件和软件的信任，现在还包括对 现代内部物流相应的智能方法和模型的信任，以适应用户的需求。除此之外，在使用机器学习（ML）和人工智能（AI）的模型、方法和应用时，不仅要考虑而且要要求具有可比性的安全性--因为这也是存储和检索机器和 机器人等安全运行在技术层面不可避免的规定。人工辅助系统、数字安全栅栏、虚拟流程保障机制和网络应急关机，需要与智能算法的实用性联系起来，可能并不靠谱?

控制权

正如开头所概述的那样，模拟、人机操作中的错误如果不能在早期阶段被控制实例发现，从而避免，就会产生严重的后果。然而，数字化的世界也需要相应的控制方案，配合新的仓储技术，确保工艺流程的安全。

第一个--如果你愿意的话--基本的范式转变是模型的整体观和相关数据。用相关数据训练模型，需要一个已经数字化地获取了数据集中所包含的知识的系统。就像一个至今只学过基础数学的学童，不会用有意义的方式去解微分或积分微积分，也不会用这种方式去表达一样，ML模型也有必要对所学的知识建立一个训练数据支持的 "意识"。

系统必须能够在人工智能算法开始行动之前，就将给定的任务与数据和知识库进行比较，以便能够独立评估自己对当前设定任务的 "能力"。如果有必要，需要扩展该模式，以便让问题得不到解决，并通过这种方式立即传达，而不是为决策提供错误的依据。特别是当前商业行为的不稳定性，带来了提前进入连计算机都还没有 "了解 "的领域的危险。但是，一般人都期望计算机总是能提供一个答案，从而总是能计算出正确的答案。

因此，对于基于人工智能的环境，需要以类似于现代工作场所许多流程的方式进行质量保证，由适当的员工或主管进行审查和其他控制。当算法的实际输出中加入一些必要的信息时，这种对智能算法的 "监督 "就到位了。这些至少是。