安全性不仅对内部物流系统的运行至关重要，而且对人工智能（AI）的应用也至关重要。
数字化
如今任何一个上车的人，在旅途中都会有很多技术可以使用，这些技术的编排都是为了确保他们尽可能安全、环保地到达。ABS(防抱死制动系统)、ASR(牵引力控制)和GPS(全球定位系统)就是这类智能辅助系统的例子。尽管驾驶者的驾驶方式具有预见性和适应性，但如果出现极端情况，驾驶者还是要依靠各自的助手提供的即时支持。当需要保护人员和需要使车辆重新受到控制时，安装的传感器和程序逻辑是不可替代的。
该技术可在后台不经意地监控驾驶员的行为，仅在必要时进行干预。原则上，当局势有可能从纯人工控制中滑落时，它不是光顾，而是支持。但是，在相反的情况下，它是什么样子的呢？当智能数字算法和模型不再 "知难而退 "时，它们有哪些援助方案？
SSI Schäfer（德国赛菲尔）的专家们意识到，对仓储系统的信任意味着对硬件和软件的信任，现在还包括对现代内部物流相应的智能方法和模型的信任，以适应用户的需求。除此之外，在使用机器学习（ML）和人工智能（AI）的模型、方法和应用时，不仅要考虑而且要要求具有可比性的安全性--因为这也是存储和检索机器和机器人等安全运行在技术层面不可避免的规定。人工辅助系统、数字安全栅栏、虚拟流程保障机制和网络应急关机，需要与智能算法的实用性联系起来，可能并不靠谱?
控制权
正如开头所概述的那样，模拟、人机操作中的错误如果不能在早期阶段被控制实例发现，从而避免，就会产生严重的后果。然而，数字化的世界也需要相应的控制方案，配合新的仓储技术，确保工艺流程的安全。
第一个--如果你愿意的话--基本的范式转变是模型的整体观和相关数据。用相关数据训练模型，需要一个已经数字化地获取了数据集中所包含的知识的系统。就像一个至今只学过基础数学的学童，不会用有意义的方式去解微分或积分微积分，也不会用这种方式去表达一样，ML模型也有必要对所学的知识建立一个训练数据支持的 "意识"。
系统必须能够在人工智能算法开始行动之前，就将给定的任务与数据和知识库进行比较，以便能够独立评估自己对当前设定任务的 "能力"。如果有必要，需要扩展该模式，以便让问题得不到解决，并通过这种方式立即传达，而不是为决策提供错误的依据。特别是当前商业行为的不稳定性，带来了提前进入连计算机都还没有 "了解 "的领域的危险。但是，一般人都期望计算机总是能提供一个答案，从而总是能计算出正确的答案。
因此，对于基于人工智能的环境，需要以类似于现代工作场所许多流程的方式进行质量保证，由适当的员工或主管进行审查和其他控制。当算法的实际输出中加入一些必要的信息时，这种对智能算法的 "监督 "就到位了。这些至少是。