案例一、生产力
在拣选订单的环节，所有的仓库都存在不同员工的生产力不同这一现象（有效率最高的订单拣选员也有变现一般的员工）。但是相对于使用系统引导进行拣选的仓库而言，员工在生产力方面的差异在不使用系统引导的仓库中表现更为明显。
对于那些不使用系统引导进行拣选的仓库，机器学习提供了一个可以更好推广最高效员工经验的机会，并将系统引导模式引入到所有员工的工作中。如果联系到上文提到的监督学习，最高效员工的拣选列表将作为人工智能应用的输入数据；这些员工在拣选列表中货物的顺序决策即为输出数据（基于条码扫描或其他可获取信息）。
除了最短拣选距离这一指标之外，避免拥挤通常是提升生产力的另外一个重要指标。因为最佳拣选员工通常会同时考虑这两个因素，因此上面的输入输出数据库应该已包含这些信息。
基于这些精准标注的数据，机器学习算法在接收新的订单数据后案最佳原则进行归类。通过这种方式，算法可以复制最有效员工的拣选操作，并提高所有员工的生产力。
案例二、设备利用率
某一仓库一天内需要搬运的容器或托盘数量与所需的搬运设备数量之间有一定的关系。在大多数情况下，两者之间是一种线性关系。但是，某些因素（例如操作人员的技能水平或货物的混合存放等）也可能会影响到所需搬运设备的佘亮。
在这种情况下，输入数据就需要包括所有可能影响设备需求的数据（从仓库管理系统中调用的拣选订单清单以及从员工管理系统中获取的操作人员生产力水平等信息）。输出信息包括从升降搬运车管理系统中获得的搬运设备使用率信息。
基于这一精准标注的数据库，机器学习算法将可以接收未来数星期或数月的订单预测信息和现有员工的技能水平信息，进而预估出所需搬运设备的数量。升降搬运车车队经理将在同设备供应商的协商中采纳这些信息作为决策参考，以确保通过短期租赁或新设备购买的方式来确保在某一期限内获取合适数量的搬运设备进行拣选操作。
案例三、效率
一个好的货位策略应该是将高需求的SKU尽量集中放在最佳位置但同时又要适当的分散摆放，以降低拥堵程度来提高拣选效率。但由于需求的不断变化以及SKU的数量（某些仓库中可能有数千个SKU），仓库很难仅仅依靠员工来判断SKU的需求量来实现最佳存放。
因此一些仓库运营商会使用货位分配软件来帮助确定SKU摆放位置。这些软件会提供操作界面允许客户修改运作规则。当接收到销售历史数据或未来销售预测信息后，软件就会推荐相应的货位策略。但是，负责软件的人员经常会依据自己的经验来修改策略，而这些经验却往往不能反应出拣选操作的真实情况。
在这种情况下，输入数据就是软件所推荐的货位策略。输出数据是最终决定执行的策略。机器学习算法可以和货位分配软件结合，通过对实施最终货位摆放策略的员工的倾向性进行不断的学习，最终实现自动调整。
虽然供应链经理需要评估各种技术以及指导以科技为基础的革新，但人工智能不应因此被忽略。但它也不应该被视作可以瞬间完成供应链变革的万灵药。我们应该客观的理性的辨证的看待人工智能与供应链中的应用关系。
售前客服
