这是我关于亚马逊交付中心内部运作的第5篇文章。开始介绍流程背后的软件系统。其他公司可能会在这些软件上面贴上”工业4.0″的标签，但对亚马逊来说，这就是他们的日常。 大部分图片和所有视频都由亚马逊提供。
交付中心的核心：亚马逊交付技术（AFT）
前面几篇文章谈了很多关于亚马逊交付中心的物理流程。但他们真正的竞争力都在他们的软件系统里面，他的优势并不如他的物理流程那么显而易见，这个软件系统被称为亚马逊交付技术（AFT）。据说这个系统是世界上最大的交付执行引擎，是物理和虚拟世界的连接。由于他们的产品数量庞大、差异巨大，这对软件系统来说是一项极具挑战性的任务。可以想象，亚马逊在一天内需要处理约3700万份订单。
大多数其他公司会给这些软件系统贴上”工业4.0″的标签，但亚马逊并没有提到工业4.0。他们就是认真在做这件事，我喜欢这种做事风格。他们在系统中运用了大量的机器学习，用于预测、文本处理、图像识别、翻译、语音识别等等。
示例：货架储物格图片
一个实例是通过机器学习分析货架格子图像。固定货架的胶带是透明的，方便拍到储物格内部。员工拣选后，需要对货架拍照。右边就是这种照片，通过机器学习识别以下信息：
- 格子里还有多少件货物？
- 格子里面是否还有某种货物？
- 在该格子里某种货物还剩几件？
- 等等
亚马逊通过Github提供了一个有50万张图片的数据集，用于机器学习。
极光数据库
亚马逊最早用的是Oracle数据库，但后来交付中心的数据越来越多，无法再通过Oracle管理。2017年5月，他们切换到自己的Amazon Aurora极光系统，在2019年10月完成最后一个Oracle数据库的切换。Aurora是一个基于云的MySQL-和PostgreSQL兼容的数据库（两者都是开源数据库管理系统）。据亚马逊称，它比普通的MySQL数据库快5倍，比PostgreSQL数据库快3倍。 但它的成本只有Oracle数据库的1/10，授权许可减少了60%，管理成本减少了70%。每个数据库的最大容量是64TB，亚马逊将大约75PB的数据从Oracle迁移到Aurora（当然还包括其他数据库的数据，如Alexa、Prime Video、Amazon Music等等）。
流程
员工拣选的货物是由软件系统决定，什么时候拣选，是否要激活Kivas组织运输。这套计算机系统考虑的很全面。根据客户的订单，软件会先制定一个初步路径，但在执行每一步前都会根据当前状态来完善这个路径，如卡车可能的路线，卡车上的可用空间等等。到达客户的最快和/或最便宜的路径会根据当前的信息高频更新。 这个系统用到了人工智能，虽然人工智能被谈论得越来越多，但它在物流和生产管理的工业应用中还是比较少见。其中一个应用是用机器视觉来分析Kiva货架图片。
系统表现
在FRA3，从收到订单和包裹离开码头的平均时间是2小时45分钟–FRA3已经是最慢的交付中心之一了，因为他们处理的货物还包括衣服，并且还有很多手工拣选过程。他们的目标是将这一时间缩短到2个半小时。亚马逊目前的记录是，从客户下单到收到包裹……别惊讶……3分钟!
我想从自家的地下室拿东西，都不可能这么快。我之前的文章提到过，在3天内从街对面的仓库拿到货物已经可以算是JIT（准时制生产）了。但亚马逊才花了3分钟就交付了一个包裹！这足够体现他们很强的物理交付能力以及软件系统的成熟度。就算客户就住在交付中心对面，就算能够猜到客户即将订购什么商品，3分钟还是非常令人吃惊的。
在一些地方，亚马逊可以在2小时内交付。Amazon Prime Now为一些地点的Amazon Prime客户实现2小时交付。这项服务覆盖了大多数的美国大城市以及其他国家的一些大城市。在几年前，从下单到收货只需要数小时对终端客户来说已经很不可思议了，这种速度几乎是花钱叫出租车把东西送到你面前。现在，亚马逊已经做到了这一点，而且是免费的。
在之前一篇关于工业4.0–什么有用，什么没用的文章中，我谈到了在哪些方面工业4.0是有意义，其中一个领域是物流。工业4.0技术非常昂贵，规模生产对于物流领域来说是有经济价值的。如果你对一个Kiva进行了编程，那么其它Kiva也适用。如果你有一个交付中心的软件后台，那么稍加调整就可以适用于所有交付中心。因此，亚马逊将大量资源投入到他们的交付技术软件中是有价值的，因为可以在他们数百个交付中心共享。这是一项了不起的工作，我相信亚马逊还会持续优化他们的系统。
虽然对亚马逊以外的人来说，仍然有很多是未知的，但我认为这个亚马交付行技术（AFT）非常出色。把这么多的数据联系在一起，持续追踪，实时更新是个巨大挑战。亚马逊有足够的资源来推动这个系统（他们正在大量招聘软件工程师），相当酷。现在，走出去，组织你的行业！
系列文章：
Translated by Xie Xuan