圖片來源于網絡

安全性不僅對內部物流系統的運行至關重要，而且對人工智能（AI）的應用也至關重要。

數字化

如今任何一個上車的人，在旅途中都會有很多技術可以使用，這些技術的編排都是為了確保他們盡可能安全、環保地到達。ABS(防抱死制動系統)、ASR(牽引力控制)和GPS(全球定位系統)就是這類智能輔助系統的例子。盡管駕駛者的駕駛方式具有預見性和適應性，但如果出現極端情況，駕駛者還是要依靠各自的助手提供的即時支持。當需要保護人員和需要使車輛重新受到控制時，安裝的傳感器和程序邏輯是不可替代的。

該技術可在后臺不經意地監控駕駛員的行為，僅在必要時進行干預。原則上，當局勢有可能從純人工控制中滑落時，它不是光顧，而是支持。但是，在相反的情況下，它是什么樣子的呢？當智能數字算法和模型不再 "知難而退 "時，它們有哪些援助方案？

SSI Sch?fer（德國賽菲爾）的專家們意識到，對倉儲系統的信任意味著對硬件和軟件的信任，現在還包括對現代內部物流相應的智能方法和模型的信任，以適應用戶的需求。除此之外，在使用機器學習（ML）和人工智能（AI）的模型、方法和應用時，不僅要考慮而且要要求具有可比性的安全性--因為這也是存儲和檢索機器和機器人等安全運行在技術層面不可避免的規定。人工輔助系統、數字安全柵欄、虛擬流程保障機制和網絡應急關機，需要與智能算法的實用性聯系起來，可能并不靠譜?

控制權

正如開頭所概述的那樣，模擬、人機操作中的錯誤如果不能在早期階段被控制實例發現，從而避免，就會產生嚴重的后果。然而，數字化的世界也需要相應的控制方案，配合新的倉儲技術，確保工藝流程的安全。

第一個--如果你愿意的話--基本的范式轉變是模型的整體觀和相關數據。用相關數據訓練模型，需要一個已經數字化地獲取了數據集中所包含的知識的系統。就像一個至今只學過基礎數學的學童，不會用有意義的方式去解微分或積分微積分，也不會用這種方式去表達一樣，ML模型也有必要對所學的知識建立一個訓練數據支持的 "意識"。

系統必須能夠在人工智能算法開始行動之前，就將給定的任務與數據和知識庫進行比較，以便能夠獨立評估自己對當前設定任務的 "能力"。如果有必要，需要擴展該模式，以便讓問題得不到解決，并通過這種方式立即傳達，而不是為決策提供錯誤的依據。特別是當前商業行為的不穩定性，帶來了提前進入連計算機都還沒有 "了解 "的領域的危險。但是，一般人都期望計算機總是能提供一個答案，從而總是能計算出正確的答案。

因此，對于基于人工智能的環境，需要以類似于現代工作場所許多流程的方式進行質量保證，由適當的員工或主管進行審查和其他控制。當算法的實際輸出中加入一些必要的信息時，這種對智能算法的 "監督 "就到位了。這些至少是。