穆罕默德·汗在过去十年里在亚马逊的履约中心建立职业生涯，帮助将书籍到书架等各类商品运送给客户。如今，作为位于加利福尼亚州特雷西的一家履约中心的助理总经理，汗深知每天挑选、分拣和打包数千个包裹需要付出怎样的努力。他也懂得如何确保产品完好无损地送达。
"当我加入亚马逊时，我从为客户订单拣选商品开始，通过亲身实践深入了解如何将正确的产品送到我们客户手中，"汗说。
汗解释说，在产品经过履约中心运营的过程中，最多有五名不同的员工会使用六点视觉检查来评估产品是否受损。他说这是一项耗时的工作，而且往往难以始终保持高度关注，因为员工在亚马逊的库存中很少发现损坏的物品。
与其他复杂的人工智能工具一样，这项检测损坏的技术依赖于软件和大量数据。但损坏的产品非常罕见，导致用于训练AI的数据稀缺。正是这种数据的稀缺性以及亚马逊多样化库存的巨大规模，使得基于AI的损坏检测变得极具挑战性——直到最近。去年，研究团队确定，他们可以向机器学习模型提供参考图像，教它如何将自己“看到”的产品与该产品应有的外观图像进行比较。为此，他们使用计算机视觉扫描经过德国首都附近仓库的每一件物品。接下来，一个机器学习模型会分析这些扫描结果，以发现隐藏的模式，并持续提高系统检测损坏的能力。这种机器学习和计算机视觉方法赋予了AI进行人类经常做出的关于损坏的主观判断的能力。
"我们首先训练我们的机器学习器，让它通过查看数百万张损坏和未损坏物品的示例图像，构建自己对物品外观的心理模型，"亚马逊机器人应用科学总监杰里米·怀亚特说。"然后在运行过程中，我们向它展示特定‘查询’物品的图像以及同一产品的先前‘图库’图像，AI模型会对这些图像进行比较。这是我们采取的几种方法之一，旨在实现显著的性能提升。"
亚马逊履约技术应用科学经理克里斯托夫·施韦尔特费格表示，该AI系统在识别损坏产品方面的效率是人工识别的三倍。由于取得了成功，目前正计划将该系统推广到其他设施。
尽管随着数据集的不断增长，机器学习模型将持续改进，但Schwerdtfeger迅速指出，这项技术的真正力量在于它如何帮助人类更高效地工作。
“这些模型很有用，但有时会被误导，”Schwerdtfeger补充道，“如果出现这种情况，我们会立即收到来自亚马逊履约网络中运营员工的反馈。我们的损坏专家会直接指导AI如何在未来做出更优的决策。正是这种人与机器的协作，为我们的客户带来了显著更好的结果。”
Khan非常期待看到这项技术如何助力提升履约中心的效率。
除了在更多地点安装该系统外，亚马逊履约技术团队还计划扩展该系统的能力。
“展望未来，这项技术的一个潜在应用方向是超越订单发货前的损坏检测，”Wyatt表示，“例如，我们或许能够识别出损坏最初发生的时间和地点。”
借助亚马逊与人工智能，未来将以比以往更好的状态到来。了解更多关于亚马逊的人工智能的信息。