Interviews
Oana Jinga, medstifter, Chief Commercial and Product Officer hos Dexory – Interviewserie
Føj Unite.AI til dine foretrukne kilder på Google
Oana Jinga, medstifter, Chief Commercial and Product Officer hos Dexory, er en erfaren teknologisk og kommerciel leder med en baggrund inden for robotteknik, detailteknologi, strategiske partnerskaber og produktudvikling. Hun var med til at grundlægge virksomheden, oprindeligt kendt som BotsAndUs, i 2015, hvor hun fungerede som Chief Commercial Officer, før hun overtog sin nuværende ledelsesrolle hos Dexory. Ved siden af at opbygge virksomheden tilbragte Jinga mere end seks år hos Google, hvor hun ledede detailpartnerskaber i Storbritannien og senere havde ansvaret for strategiske partnerskaber på tværs af detailsektoren i EMEA. Tidligere i sin karriere havde hun kommercielle, marketing-, loyalitets- og forretningsudviklingsroller hos O2 (Telefónica UK) samt stillinger inden for marketing og public relations. Hun har også været UK Co-Lead for Xoogler.co, som støtter et fællesskab af Google‑alumni, grundlæggere, investorer og startup‑operatører.
Dexory er en britisk robot- og AI-virksomhed, der fokuserer på at levere realtidsintelligens til lager- og logistikoperationer. Dens DexoryView‑platform kombinerer autonome robotter, computer vision, spatial AI, avanceret analyse og digital tvilling‑teknologi for løbende at indfange, hvad der foregår inde i et lager, og sammenligne den fysiske beholdning med eksisterende lagersystemer. Dexory hævder, at deres robotter kan scanne mere end 10.000 lokationer pr. time, hvilket skaber en live digital repræsentation, der hjælper operatører med at identificere forkert placeret eller beskadiget lager, overvåge pladsudnyttelse, forbedre lagerpræcision og afsløre operationelle ineffektiviteter. Virksomheden positionerer sin teknologi som et intelligenslag for stadigt mere autonome lagre, med implementeringer i Europa, Asien og USA samt kunder, der inkluderer store globale logistik- og industrivirksomheder.
Du grundlagde BotsAndUs i 2015 efter at have bygget din karriere inden for kommerciel udvikling og strategiske partnerskaber i virksomheder som O2 og Google. Hvad observerede du og dine medstiftere i lagerdriften, som overbeviste jer om at fokusere virksomheden på logistik og til sidst udvikle den til Dexory?
Vi så, at lagrene blev stadig mere komplekse og automatiserede, men mange operatører manglede stadig en præcis, realtidsoversigt over, hvad der fysisk foregik på lagergulvet. Lageroptællinger var stadig meget manuelle, tidskrævende og ofte frakoblet de systemer, der træffer kritiske operationelle beslutninger. Vi indså, at robotteknologi kunne bygge bro over dette hul ved løbende at indsamle data fra den fysiske verden og omdanne dem til handlingsorienteret intelligens.
For en lageroperatør, der overvejer Dexory, kan du beskrive et typisk implementeringsforløb, fra kortlægning af faciliteterne og planlægning af autonome scanninger til at omdanne de indsamlede data til handlingsorienteret indsigt via DexoryView?
Implementeringen er designet til at være hurtig og minimalt forstyrrende – vi taler om 2–5 dage med 1–2 af vores team, der kortlægger stedet og bygger den digitale tvilling, så vores autonome robotter kan navigere i rummet og indsamle data uden at kræve større infrastrukturændringer. Robotterne begynder derefter at udføre planlagte missioner med en øjeblikkelig ROI for løsningen, indsamler data i hele faciliteterne, som behandles og visualiseres i DexoryView. Operatører kan hurtigt identificere uoverensstemmelser, undersøge problemer og træffe beslutninger baseret på en opdateret digital repræsentation af deres warehouse.
Dexorys autonome mobile robot kan scanne fuldhøjde lagerreoler op til 18 meter. Hvilke ingeniør-, sensor- og kunstig intelligens‑udfordringer måtte løses for at operere præcist og sikkert i den skala?
Udfordringen er ikke blot at nå 18 meter, men at indsamle præcise, konsistente data, mens robotten bevæger sig autonomt gennem et travlt lagermiljø. Det kræver en kombination af robust mekanisk ingeniørkunst med lokalisering, sensorer og computer vision, der kan fungere pålideligt under forskellige lysforhold, reolkonfigurationer og lagertyper. Sikkerhed er grundlæggende, så hele systemet er designet til at operere forudsigeligt sammen med mennesker og eksisterende lagerudstyr.
Dexorys robotter har nu scannet mere end én milliard lagerlokationer på verdensplan. Hvordan forbedrer omfanget og mangfoldet af disse virkelige data platformens computer vision, anomali‑detektion og forudsigelses‑kapaciteter?
Vi har faktisk indsamlet det største datasæt af fysiske lagerdata, hvilket giver os en helt unik position til virkelig at lære af det og bygge vores egne lagermodeller. Skala er vigtigt, fordi hvert lager introducerer forskellige layout, produkter, emballage og driftsforhold, hvilket skaber et utroligt mangfoldigt virkeligt datasæt. Denne bredde hjælper os løbende med at forbedre, hvordan platformen fortolker lageromgivelser, identificerer anomalier og skelner mellem meningsfulde operationelle problemer og støj. Over tid skaber dette grundlaget for stadig mere forudsigende intelligens, som hjælper kunderne med at forstå ikke kun, hvad der sker, men hvad der sandsynligvis vil ske næste gang.
Lagre er ofte afhængige af warehouse management‑systemer, enterprise resource planning‑platforme og manuelle lagerregistre. Hvordan afstemmer Dexory uoverensstemmelser mellem, hvad deres robotter fysisk observerer, og hvad de eksisterende systemer rapporterer?
Dexory leverer en uafhængig visning af den fysiske virkelighed og sammenligner den med, hvad de eksisterende lagersystemer mener, bør være der. Ved at integrere med systemer som WMS‑ og ERP‑platforme kan DexoryView fremhæve uoverensstemmelser mellem digitale registre og det fysiske lager, så teams hurtigt kan undersøge og løse dem. Vi erstatter ikke disse kerne‑systemer, men giver dem en langt mere præcis og rettidig kilde til virkelighedsnær intelligens, samtidig med at vi koordinerer dem.
Fysisk AI diskuteres ofte i forbindelse med humanoide robotter, mens Dexory har udviklet et højt specialiseret system til lagerintelligens. Hvorfor er opgavespecifikke robotter i øjeblikket bedre egnet til logistik, og hvor forventer du de største fremskridt inden for fysisk AI i det næste årti?
Inden for logistik betyder pålidelighed, sikkerhed og målbar ROI mere end at bygge en robot, der kan gøre alt, hvilket er grunden til, at opgavespecifikke systemer er så kraftfulde i dag. Formålsbyggede robotter kan optimeres til et bestemt miljø, hvilket gør dem mere robuste over for kravene i virkelige lageroperationer og bedre i stand til at levere konsistente resultater under skiftende forhold. De kan levere værdi i stor skala uden at lagrene skal omdesigne deres processer omkring teknologien. I det næste årti forventer jeg, at fysisk AI bliver stadig mere autonom og adaptiv, så maskinerne går fra at udføre foruddefinerede opgaver til at forstå omgivelserne og hjælpe med at bestemme den bedste handling.
Udover at gøre lageroptællinger hurtigere, hvor ser kunderne den største operationelle værdi i realtids‑lagerintelligens, hvad enten det er gennem pladsudnyttelse, genopfyldning, sikkerhed, overholdelse eller forsyningskædens robusthed?
Den største værdi kommer fra at give operatører synlighed, som de simpelthen ikke kunne opnå gennem periodiske manuelle tjek. Realtids‑lagerintelligens kan afsløre underudnyttet plads, lagerafvigelser, genopfyldningsproblemer og operationelle flaskehalse meget tidligere, så teams kan handle, før de udvikler sig til kostbare problemer. I sidste ende gør det lagrene mere effektive og robuste, fordi beslutninger træffes på grundlag af, hvad der faktisk foregår på gulvet.
Hvor langt kan lagerintelligens udvikle sig fra at identificere problemer som forkert placeret lager, beskadigede varer eller usikre opbevaringsforhold til at anbefale eller autonomt iværksætte korrigerende handlinger?
Vi ser lagerintelligens udvikle sig fra synlighed til anbefaling og i sidste ende mod stadig mere autonom beslutningstagning. Det første skridt er at forstå det fysiske miljø præcist nok til at identificere et problem, hvorefter kontekst fra andre systemer tilføjes for at anbefale den mest effektive respons. Efterhånden som tilliden til disse systemer vokser, vil der opstå muligheder for, at visse handlinger kan iværksættes automatisk, mens mennesker bevarer kontrollen over beslutninger med større indvirkning.
Efterhånden som lagre bliver mere og mere automatiserede, hvilke roller vil forblive unikt egnede til mennesker, og hvordan bør virksomheder forberede medarbejdere på at arbejde effektivt sammen med robotter, digitale tvillinger og AI‑drevne beslutningssystemer?
Automatisering bør fjerne gentagne, fysisk krævende opgaver og give folk mere tid til at fokusere på dømmekraft, problemløsning og håndtering af undtagelser. De mest værdifulde roller vil i stigende grad involvere fortolkning af information, træffe komplekse beslutninger og forbedre driftsprocesserne frem for manuelt at indsamle data. Virksomheder skal derfor investere i digitale færdigheder og hjælpe medarbejderne med at forstå, hvordan AI og robotteknologi kan bruges som værktøjer, der supplerer deres ekspertise.
Du har talt for at gøre robotteknologi mere tilgængelig for kvindeligt talent. Hvilke praktiske ændringer er nødvendige for at tiltrække flere kvinder til sektoren?
Vi skal udvide både indgangsvejene til robotteknologi og opfattelsen af, hvordan en karriere i branchen ser ud. Sektoren spænder nu over ingeniørarbejde, software, data science, produktdesign, drift, UX, kommerciel strategi, implementering og kundesucces, og denne bredde skal kommunikeres tydeligere. Øget synlighed af kvinder og personer fra forskellige baggrunde gennem case‑studier, talermuligheder og offentlige eksempler kan hjælpe kommende talenter med at se de mange forskellige karriereveje, samtidig med at tidlig eksponering og klarere indgangsveje til feltet fremmes. Dog er det kun en del af udfordringen at tiltrække kvinder; virksomheder skal også opbygge inkluderende miljøer, hvor kvinder kan avancere til senior‑ og lederroller, så fokus ikke kun er på repræsentation på entry‑niveau, men på at muliggøre langsigtede, bæredygtige karrierer inden for robotteknologi.
Tak for det fantastiske interview; læsere, der ønsker at lære mere om denne robotvirksomhed, bør besøge Dexory.
