机器学习（ML）让模型从数据中找规律，用于预测或决策。想象老调度员「看过一万单」后形成的经验——哪些因素会导致延误、哪条路线常堵车、哪个司机更靠谱。ML 把这些经验沉淀成可复用的计算规则，新人也能用上老师傅的判断力。
| 学习方式 | 通俗理解 | 物流典型应用 |
|---|---|---|
| 监督学习 | 给标准答案，让机器学会判断（有老师教） | 预测延误：历史运单标注「是否延误」，模型学会预判 |
| 无监督学习 | 没有标准答案，让机器自己找规律（自己摸索分类） | 客户分群：根据下单行为自动分出「高频/偶发/价格敏感」客户 |
| 强化学习 | 试错中学习最优策略（玩游戏升级） | 动态调度：系统尝试不同排线方案，根据实际时效反馈优化 |
关键提醒：ML 不是万能的——它依赖高质量历史数据，如果过去的数据本身有偏差（比如只记录了延误件，正常件没记），模型学到的规律就是错的。
场景：智能预测「明日高风险延误运单」
某区域网点，旺季延误率从平时 2% 飙升至 12%，客户投诉集中爆发，客服与调度疲于应付。
效果：延误率从 12% 降至 6%，客户投诉率下降 40%（提前告知比事后道歉有效得多）。
为什么有效？不是 AI 让快递变快了，而是把有限资源优先投给高风险订单——这是预测的价值。
「明天某站点件量」更像预测还是优化？为什么？预测件量后，可以做哪些优化动作？
写出你的判断：是预测还是优化？原因是什么？预测之后可以采取哪些行动？
