Hamid Montazeri, SVP of Software & AI at Locus Robotics – Interview Series

Som Senior Vice President (SVP) for Software og Kunstig Intelligens hos Locus Robotics, bringer Hamid Montazeri mere end 30 års erfaring med at lede og skala globalt distribuerede teams. Han specialiserer sig i modulær og skalerbar softwarearkitektur og anvendelsen af transformative teknologier som cloud, IoT, big data og AI/ML. Gennem sin karriere har Hamid leveret differentierede løsninger og produkter til virksomheder, der spænder fra startups til multinationale selskaber, og driver anvendelser i autonome robotter, intelligente lagerautomatisering og forsyningskædesystemer, der betjener industrier verden over.

Locus Robotics designer og leverer AI-drevne lagerautomatiseringsløsninger ved at kombinere autonome mobile robotter med intelligent software. Deres platform, kaldet LocusONE, orkestrerer robotflåder til at håndtere opgaver som picking, putaway, transport og mezzanine-operationer – og øger produktiviteten med to til tre gange, samtidig med at det reducerer arbejdsomkostningerne. Systemet integreres nærmest uden problemer i eksisterende lagermiljøer og kan skaleres fleksibelt, således at operationer kan udrulle få robotter eller tusinder uden større forstyrrelse.

Hvad har din rejse gennem ledelsesroller i organisationer som CNN, Stanley Black & Decker, Dematic, KION Group og nu Locus Robotics lært dig om, hvor AI og robotter kan levere den største effekt?

Da jeg har haft tekniske roller, der arbejder tæt med AI og software i mere end tre årtier, er min perspektiv blevet kraftigt præget af, hvordan jeg har set industrien udvikle sig.

Da jeg først startede, var industrien på et tidspunkt, hvor softwareudviklingsindsatsen var i færd med at gå over fra struktureret til objektorienteret paradigm på programmeringssprogfronten og fra enkeltprocess monolitisk software til softwarekomponenter, der kunne køre på forskellige operativsystemprocesser og udnytte interprocesskommunikation til at opnå mål på en distribueret måde. Vi var på randen af en større skift, hvor software blev flyttet væk fra at køre på en bestemt maskine til at blive distribueret ved hjælp af interprocess- og/eller netværkskommunikationsteknologier. Over tid skiftede fokus til andre områder, der drev nye udviklinger fra programmering af underliggende systemer til at udnytte fremvoksende netværks- og internetmuligheder til at øge systemernes skalerbarhed samt installation og dataopbevaring, hvilket førte til udviklingen af cloud.

Disse ændringer var afgørende for industrien, da de gradvist bragte en vis grad af beregnings- og opbevaringselasticitet med sig og introducerede nye muligheder for AI og robotter. Disse fremskridt fortsatte, da jeg skred frem i min karriere, og jeg fik en førstehåndsoplevelse af den effekt, som AI og robotter kan have, især inden for forsyningskæde- og logistikindustrierne. Vi er nu nået til et punkt, hvor robotter har evnen, i forhold til beregning, opbevaring og AI, til nøjagtigt at navigere og operere i massive højtdense miljøer med komplekse geometrier, såsom lagerhaller, og kan levere betydelig forretningsmæssig effekt, herunder reducerede omkostninger, forbedret gennemstrømning, forbedret fleksibilitet og forbedret arbejdsværdi.

Hvad betyder “fysisk AI” i sammenhængen med lagerautomatisering, og hvordan adskiller det sig fra mere traditionel robotteknologi eller generiske AI-modeller?

Fysisk AI er fremtiden for logistik og lagerautomatisering. Det er rygmarven, der driver autonome operationer gennem en kombination af realtidspercussion, beslutningstagning og kontinuerlig læring, der giver robotter mulighed for at optimere hver beslutning i realtid.

Med fysisk AI er robotterne ikke kun i stand til at flytte varer i højt strukturerede og faste miljøer. De er udstyret med intelligens, der går ud over at huske en bestemt lagerlayout og bringe noget fra punkt A til punkt B. Hvis tingene i deres miljø ændrer sig, kan de automatisk tilpasse og omplanlægge for at træffe de bedste beslutninger på basis af aktuelle forhold.

Robotter, der ikke anvender fysisk AI, vil være mere og mere begrænsede i deres anvendelighed. Interessant nok er selv anvendelsen af moderne generelle grundmodeller ikke særlig effektive til at skabe den type fysisk AI, der tilgodeser anvendelsesdomænebehov. Når man ser på lagerautomatisering, er målet at have processer, der er så effektive som muligt, og generiske modeller kan ikke rigtigt levere dette. Virkeligheden med generiske modeller er, at de ikke er designet til at håndtere domænespecifikke bekymringer, såsom effektiv navigation og interaktion med medarbejdere i lagermiljøer. Fysisk AI, der er udstyret med en særligt udviklet lagergrundmodel, giver en formålsspecifik tilgang, der sikrer, at robotterne udfører deres opgaver så effektivt som muligt med mulighed for at tilpasse og justere for at levere det bedste resultat på alle tidspunkter.

Hvordan tilpasser AI-drevne robot-systemer sig til konstant skiftende miljøer, såsom nye varenumre, skiftende layout eller pludselige udsving i efterspørgsel?

Disse områder er alle områder, hvor fysisk AI, udstyret med en underliggende domænegrundmodel, excellerer. Når efterspørgslen stiger, layout ændrer sig eller nye varenumre introduceres, er robotter, der er udstyret med fysisk AI, i stand til at navigere i konstant forandring.

Dette er også årsagen til, at robotter, der er drevet af fysisk AI, er optimale til logistik. Denne formålsspecifikke tilgang kan faktisk følge med den konstante flux, som industrien typisk oplever.

Hvorfor tror du, at domænespecifik AI er mere effektiv end at jagte brede grundmodeller, når det kommer til forsyningskæde og logistik?

Domænespecifik AI er mere effektiv til forsyningskæde og logistik i almindelighed, men især inden for lagerautomatisering.

Når det kommer til lagerautomatisering, er det at have domænespecifikke modeller, der ultimativt tager automatisering til næste niveau. En generel grundmodel er ikke designet til at håndtere de udfordringer, som lagermiljøer typisk står over for – som sikkerhed og navigation i komplekse layout – hvilket betyder, at operatørerne vil fortsætte med at være belastet af disse hindringer.

Til gengæld er domænespecifikke modeller udstyret med den nødvendige industrieeksperimentering til at forstå, hvordan man kan løse disse udfordringer. Ved at udnytte domænespecifikke modeller lettes presset på operatørerne, og domæneeksperimenteringen trækkes automatisk til for at tilbyde og anvende løsninger på udfordringer, så snart de opstår.

Hvilke målbare resultater har du set fra at implementere fysisk AI i lagerhaller, enten i form af gennemstrømning, reduktion af nedtid eller fejlrate? 

Hos Locus Robotics har vores løsninger, der er drevet af formålsspecifik fysisk AI, leveret betydelige resultater på tværs af vores kunders lagerhaller, herunder:

• Forbedring af ordretilfredshed til 99%
• Reduktion af fejlrate 04% til 0,01%
• Reduktion af nedtid ved at tage steder i brug på blot uger i stedet for måneder
• Forbedring af gennemstrømning, så kunder kan fordoble eller tredoble deres operationelle gennemstrømning

Hvordan tilgår du sikkerhed, pålidelighed og menneskelig tilsyn, når du implementerer autonome systemer i højvolumenoperationer?

Når man automatiserer højvolumenoperationer som lagerhaller, begynder det hele med de løsninger, man vælger.

Disse områder er kritiske under designprocessen og understreger, hvorfor de, der søger at automatisere, bør prioritere løsninger, der er formålsspecifikke under beslutningsprocessen.

Hos Locus Robotics er vores autonome mobile robotter (AMR) designet til at opfylde og overgå industrienormer for sikkerhed. Vores LocusBots udnytter multi-sensor sikkerhedssystemer med kameraer og lysdetektion og -afstandsmåling (LiDAR), der hjælper dem med at undgå kollisioner og hindringer og holde lageroperationer og arbejdere sikre.

Pålidelighed er også en kernefunktion i vores arbejde. For lageroperatører er det en realitet at forhandle om efterspørgselsudsving, men vi mener, at dette ikke behøver at være et punkt, der giver problemer. Hos Locus Robotics giver vores robot-til-tjeneste (RaaS)-model operatørerne mulighed for at automatisere deres lagermiljøer uden den forhåndsgående omkostning eller tidsinvestering, som automatisering normalt kræver. I stedet giver vores løsninger operatørerne mulighed for at automatisere deres lagermiljøer og skalerer op eller ned for at møde aktuelle efterspørgsler, så de altid er udstyret til at tilpasse sig udsving, når de opstår.

I højvolumenoperationer vil menneskelig tilsyn altid være nødvendigt, men nøglen til succesfuld automatisering er at udnytte løsninger, der kan tage på sig større ansvar. En vigtig differentiator for Locus’ AMR’er er vores kombination af diskret begivenhedssimulerings (DES) teknikker med detaljerede robotautonomimodeller, der giver operatørerne mulighed for at designe koncepter for operationer og nøjagtigt simulere den mest effektive brug af robotter i deres miljøer, hvilket hjælper med at strømline pick-tid og sikre, at ordrer afsendes på tid – to afgørende komponenter for alle operatører.

Hvilke udfordringer opstår, når man integrerer AI-drevne robotter med eksisterende lagerstyrings- og ERP-systemer, og hvordan tilgår du dem?

Implementeringstiden for integration er typisk set som den største udfordring, der følger med automatisering. Operatørerne vil nødt til at undersøge deres eksisterende teknologistack og overveje at flytte væk fra forældede legacy-systemer. Da AI bruger store mængder data, vil de også ønske at undersøge deres eksisterende infrastruktur for at sikre, at den kan klare og understøtte AI-modeller.

Afhængigt af de løsninger, de vælger, kan operatørerne ende i en situation, hvor deres overgang kræver en stor tidsinvestering, da de muligvis skal migrere systemer og gennemgå omfattende træning for deres arbejdskraft.

Locus Robotics har til formål at fjerne tiden som en udfordring for operatørerne. Vores AMR’er er designet til at integrere nærmest uden problemer med disse systemer, hvilket hjælper kunderne med at undgå den dyre forhåndsgående tidsinvestering, der kræves for overgang og træning af andre løsninger på markedet.

Hvor skalerbare er disse løsninger på tværs af forskellige lagerhaller og geografier, og hvor meget tilpasning er typisk nødvendig?

Den lette skalerbarhed er, hvad der gør fleksibel automatisering så ideel til lagermiljøer. Traditionelle automatiseringssystemer kræver betydelige forhåndsgående omkostninger og langvarig tidsinvestering.

Automatisering, der anvender en RaaS-model, som Locus Robotics, giver lagerhaller mulighed for at udrulle og tilpasse deres robotflåde størrelse baseret på efterspørgsel. Det betyder, at når efterspørgslen ebber og floder, kan operatørerne skalerer deres operationer efterfølgende på tværs af deres lagerhaller.

Som en global leder i lagerautomatisering er vores løsninger skalerbare på tværs af alle geografier for vores kunder. Vores dashboards giver indsigt i nøglelagerperformance-målinger – som f.eks. enheder og pick pr. time samt arbejderproduktivitet. Denne samlede indsigt giver operatørerne mulighed for at let skalerer løsninger på tværs af miljøer og opfylde operationelle behov baseret på specifikke lagerkrav.

Med Locus Robotics-løsninger er tilpasning let og kræver ingen indsats fra kunderne; tingene er designet til at hjælpe hver enkelt kunde med at skalerer baseret på deres unikke behov.

Hvordan ændrer disse teknologier rollen af menneskelige arbejdere i lagerhaller, og hvilken type kompetenceudvikling eller ændringsstyring er nødvendig?

AMR’er definerer fuldstændigt standardlagerstillinger for menneskelige arbejdere om, ved at skabe sikrere arbejdsmiljøer og åbne op for nye muligheder for den menneskelige arbejdskraft.

Locus Robotics giver en unikt intuitiv tilgang til AMR-associate-interaktion og gør medarbejdertræning/ændringsstyring for at udrulle og operere robotautomatisering til en meget let opgave for operatørerne. F.eks. kan træning, når LocusBots udrulles på stedet, give medarbejderne mulighed for at starte med at arbejde med robotterne på 10 minutter eller mindre – det betyder, at operatører og medarbejdere ikke behøver at bekymre sig om at blive holdt tilbage af stressende og tidskrævende og dyre træning.

AMR’er kan reducere byrden af fysisk krævende opgaver, minimere risikoen for skader og menneskelig træthed. Ved at overtage ansvar for opgaver som løft af tunge genstande og langdistancerejser inden for lageret, kan AMR’er forbedre forholdene for menneskelige arbejdere ved at overtage de opgaver, der kræver stor anstrengelse. De kan også lette menneskelige arbejdere fra mere repetitive ansvar, som f.eks. picking, og give mulighed for at fokusere på mere komplekse opgaver.

Indføring af AMR’er i lageret er en stor mulighed for at forbedre roller for menneskelige arbejdere. De, der søger at automatisere, bør også fokusere på at identificere kompetenceudviklingsmulighederne, som dette bringer for deres menneskelige arbejdskraft, og finde ud af, hvor nye roller kan introduceres, herunder stillinger, der arbejder direkte med robotterne, som f.eks. analytikere, der overvåger robotperformance-data.

Kan du dele, hvilke typer AI-modeller og -tilgange driver disse systemer, og om de opererer mere på kanten eller i skyen? 

Hos Locus Robotics fokuserer vores AI-løsninger på tre egenskaber: fysisk (AI indbygget i lageret og designet til at tilpasse sig dets miljø), troværdig (AI i stand til at forklare sine beslutninger) og holistisk (AI, der orkestrerer lageret som et system i stedet for kun at drive en enkelt robot eller opgave). For os handler det om at bygge AI, der virkelig forstår lageret og kan levere reelle resultater for vores kunders miljøer.

Data er grundlaget for enhver model, og Locus’ dybe industrieeksperimentering kombineret med vores skatte af virkelige data – herunder næsten 6 milliarder enheder, der er plukket – giver os mulighed for at bygge domænespecifikke modeller og udvikle systemer, der er designet til at være lager-først.

Hos Locus Robotics udnytter vi AI både på kanten og i skyen: vores AMR’er udnytter kant-AI til at opnå, hvad fysisk og troværdig AI kræver, mens vores “lager-omfattende system af rekorder til system af handling”-strategier og lagergrundmodel arbejder med den skalerbare beregningskraft, som skyen giver.

Set fem år frem, hvilke større fremskridt eller ændringer forventer du i AI-drevne robotter for logistik og forsyningskæder?

Det største skift, vi vil se, er, at fysisk AI vil dominere. Da virksomheder fortsætter med at undersøge den afkast, de får fra deres AI-investeringer, vil operatørerne nøje undersøge resultaterne, de ser fra at automatisere.

Vi kan forvente, at de, der har placeret budget bag automatisering med løsninger, der ikke er formålsspecifikke, ikke vil se det afkast i deres lagerhaller, som de håber på. Løsninger, der ikke er drevet af fysisk AI, mangler den nødvendige forståelse til at udvikle sig i disse miljøer. Dette vil fremme operatørerne til at prioritere at placere budget bag fysisk AI-løsninger, der kan optimere hver beslutning i realtid og levere de resultater, de søger.

Sammen med opkomsten af fysisk AI vil vi også se, at robotter i logistik og forsyningskæde flytter sig væk fra generiske/generelle grundmodeller og fokuserer på at udvikle domænespecifikke modeller. Da operatørerne søger at øge deres afkast, vil de også søge måder at øge deres ROI på, og løsninger, der udnytter domænespecifikke modeller, er en kritisk del af dette.

Til at AI skal lykkes, vil industrien få en bedre forståelse af, hvorfor vi må investere i AI, der gavner og inkorporerer ægte domæneeksperimentering. Herefter vil vi fokusere på at placere udvikling og ressourcer bag AI, der er designet til at trives inden for forsyningskæde- og logistikmiljøer.