Hamid Montazeri, Vicepræsident for Software og Kunstig Intelligens hos Locus Robotics – Intervju-serie

Som Vicepræsident (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 supply chain-systemer, der betjener brancher verden over.

Locus Robotics designer og leverer AI-drevne lagerautomatiseringsløsninger ved at kombinere autonome mobile robotter med intelligent software. Deres platform, kaldet LocusONE, orkestrerer flåder af robotter til at håndtere opgaver som plukning, lagring, transport og mezzaninoperationer – hvilket øger produktiviteten med to til tre gange, samtidig med at det reducerer arbejdskostningerne. Systemet integrerer næsten uden problemer i eksisterende lagermiljøer og skalerer fleksibelt, hvilket muliggør, at operationer kan udrulle få robotter eller tusinder uden større forstyrrelser.

Du har haft ledelsesroller i organisationer, der spænder fra CNN til Stanley Black & Decker (SWK ), Dematic, KION Group og nu Locus Robotics. Hvordan har denne diverse rejse formet din perspektiv på, hvor AI og robotteknologi kan levere den største effekt?

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

Da jeg først startede, var industrien på et tidspunkt, hvor softwareudviklingsindsats var i færd med at gå fra struktureret til objektorienteret paradigm på programmeringssprogfronten og fra enkeltprocess monolitisk software til softwarekomponenter, der kunne køre på forskellige operativsystemprocesser og udnytte inter-processkommunikation til at opnå mål på en distribueret måde. Vi var på randen af en stor ændring, hvor software gik fra at køre på en bestemt maskine til at blive distribueret ved hjælp af inter-process- og/eller netværkskommunikationsteknologier. Over tid ændrede fokus sig 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 installationer, 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 robotteknologi. Disse fremskridt fortsatte, da jeg skred frem i min karriere, og jeg fik en førstehåndsoplevelse af den effekt, som AI og robotteknologi kan have, især inden for supply chain og logistikbranchen. Vi er nu nået til et punkt, hvor robotter besidder evnen, i forhold til beregning, opbevaring og AI, til at navigere og fungere præcist i massive højtdensitetsmiljøer med komplekse geometrier, såsom lagerhaller, og kan levere betydelig forretningsmæssig effekt, herunder reducerede omkostninger, forbedret gennemløbstid, øget fleksibilitet og forbedret arbejdskvalitet.

Hvad betyder ”fysisk AI” i sammenhæng 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 rygraden, der driver autonome operationer gennem en kombination af realtidspercussion, beslutningstagning og kontinuerlig læring, hvilket giver robotter mulighed for at optimere hver enkelt beslutning i realtid.

Med fysisk AI er robotterne ikke kun designet til at flytte varer i højt strukturerede og faste konfigurationsmiljøer. 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 baggrund af aktuelle forhold.

Robotteknologi, der ikke udnytter fysisk AI, vil være mere og mere begrænset i sin anvendelighed. Interessant nok er selv anvendelsen af moderne generelle grundmodeller ikke særlig effektiv 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 rigtig levere dette. Sandheden 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 lagergrundmodell, tilbyder en formålsspecifik tilgang, der sikrer, at robotterne udfører deres opgaver så effektivt som muligt med evnen til at tilpasse og justere for at levere den 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 domænegrundmodell, excellerer. Når efterspørgslen stiger, layout ændrer sig eller nye varenumre introduceres, er robotter, der er udstyret med fysisk AI, i stand til at navigere konstante ændringer uden problemer.

Dette er årsagen til, at robotter, der er udstyret med fysisk AI, er optimeret til logistik. Denne formålsspecifikke tilgang kan faktisk holde trit med den konstante flux, som branchen typisk oplever.

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

Domænespecifik AI er mest effektiv til supply chain og logistik i almindelighed, men især inden for lagerautomatisering.

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

Til gengæld er domænespecifikke modeller udstyret med den nødvendige brancheekspertise til at forstå, hvordan man løser disse udfordringer. Ved at udnytte domænespecifikke modeller løftes trykket af operatører, og domæneekspertise trækkes automatisk til for at tilbyde og anvende løsninger til udfordringer, så snart de opstår.

Hvilke målbare resultater har du set fra at udrulle fysisk AI i lagerhaller, hvad angår gennemløbstid, nedgang i downtime eller fejlrat? 

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 ordre-nøjagtighed til 99%
• Reduceret fejlrate 04% til 0,01%
• Reduceret downtime ved at tage websteder i brug på blot uger i stedet for måneder
• Forbedret gennemløb, der giver kunder mulighed for at fordoble eller tredoble deres operationelle gennemløb

Hvordan tilgår du sikkerhed, pålidelighed og menneskelig oversigt, når du udruller autonome systemer i højvolumen-operationer?

Når man automatiserer højvolumen-operationer 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 branchestandarder for sikkerhed. Vores LocusBots udnytter flersensor-sikkerhedssystemer med kameraer og lysdetektion og -afstandsmåling (LiDAR), der hjælper dem med at undgå kollisioner og hindringer, og holder lageroperationer og medarbejdere sikre.

Pålidelighed er også en kernefunktion i, hvad vi gør. 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-service (RaaS)-model operatører mulighed for at automatisere deres lagermiljøer uden den oprindelige omkostning eller tidsinvestering, som automation normalt kræver. I stedet giver vores løsninger operatører mulighed for at skala op eller ned for at møde aktuelle efterspørgsel, hvilket sikrer, at de altid er udstyret til at tilpasse sig udsving, når de opstår.

I højvolumen-operationer vil menneskelig oversigt altid være nødvendig, men nøglen til succesfuld automation er at udnytte løsninger, der kan tage på sig større ansvar. En vigtig differentiator for Locus’ AMR’er er vores kombination af diskret begivenheds-simulerings (DES) teknikker med detaljerede robot-autonomimodeller, der giver operatører mulighed for at designe driftskoncepter og nøjagtigt simulere den mest effektive brug af robotter i deres miljøer, hvilket hjælper med at strømlinje pluktid og sikre, at ordrer afsendes på tid – to afgørende komponenter for alle operatører.

Hvilke udfordringer opstår der ved at integrere 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 kommer med automation. Operatører vil være nødt til at undersøge deres eksisterende teknologistak og overveje at flytte væk fra forældede legacy-systemer. Givet, at AI bruger store mængder data, vil de også ønske at undersøge deres eksisterende infrastruktur for at sikre, at den kan håndtere og understøtte AI-modeller.

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

Locus Robotics sigter mod at fjerne tiden som en udfordring for operatører. Vores AMR’er er designet til at integrere næsten uden problemer med disse systemer, hvilket hjælper kunder med at undgå den dyre oprindelige 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 normalt nødvendig?

Den lette skalerbarhed er, hvad der gør fleksibel automation så ideel til lagermiljøer. Traditionelle automationsystemer kræver betydelige oprindelige omkostninger og langvarige tidsinvesteringer.

Automation, der udnytter en RaaS-model, som Locus Robotics, giver lagerhaller mulighed for at udrulle og næsten uden problemer tilpasse deres flådestørrelse baseret på efterspørgsel. Det betyder, at når efterspørgslen ebber og floder, kan operatører skala deres operationer i overensstemmelse med deres lagerhaller.

Som en global leder i lagerautomation er vores løsninger skalerbare på tværs af alle geografier for vores kunder. Vores dashboards giver realtidsindsigt i nøglelagerperformance-metrics – som enheder og pluk per time samt medarbejderproduktivitet. Denne samlede synlighed giver operatører mulighed for at let skala løsninger på tværs af miljøer for at møde operationelle behov baseret på specifikke lagerkrav.

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

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

AMR’er definerer fuldstændigt de traditionelle lagerstillinger for menneskelige medarbejdere om ved at skabe sikrere arbejdsmiljøer og åbne op for nye muligheder for den menneskelige arbejdskraft.

Locus Robotics tilbyder en unikt intuitiv tilgang til AMR-medarbejder-interaktion og gør medarbejdertræning/ændringsstyring for udrulning og drift af robotautomation til en meget let opgave for operatører. For eksempel, når LocusBots udrulles på stedet, kan træning give medarbejderne mulighed for at starte med at arbejde med robotterne på 10 minutter eller mindre – hvilket 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 løftning af tunge genstande og langdistance-rejser inden for lageret, forbedrer AMR’er betingelserne for menneskelige medarbejdere ved at overtage de opgaver, der kræver anstrengelse. De kan også lette menneskelige medarbejdere fra mere repetitive ansvar, såsom plukning, og give mulighed for fokus til at skifte til mere komplekse opgaver.

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

Kan du dele, hvilke 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, der kan 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 branchekundskaber kombineret med vores skatte af realverdensdata – herunder næsten 6 milliarder enheder 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 optegnelser til system af handlinger”-strategier og lagergrundmodell udnytter den skalerbare beregningskraft, som skyen giver.

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

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 operatører nøje vurdering af resultaterne, de ser fra at automatisere.

Vi kan forvente, at de, der har placeret budget bag automation med løsninger, der ikke er formålsspecifikke, ikke vil se den afkast, de håber på, i deres lagerhaller. Løsninger, der ikke er drevet af fysisk AI, mangler den nødvendige forståelse til at udføre godt i disse miljøer. Dette vil fremkalde operatører 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 stigningen i fysisk AI vil vi også se robotter i logistik og supply chain bevæge sig væk fra generiske/generelle grundmodeller og fokusere på udvikling af domænespecifikke modeller. Da operatører søger at øge deres afkast, er løsninger, der udnytter domænespecifikke modeller, en kritisk del af dette.

Til at AI skal lykkes, vil vi se branchen opnå en bedre forståelse af, hvorfor vi må investere i AI, der kan drage fordel af og inkorporere ægte domæneekspertise. Herefter vil vi fokusere på at placere udvikling og ressourcer bag AI, der er designet til at trives i supply chain- og logistikmiljøer.

Tak for det store interview, læsere, der ønsker at lære mere, bør besøge Locus Robotics.