Cam Myers, CreateMen perustaja ja toimitusjohtaja – Haastattelusarja

Cam Myers, CreateMen perustaja ja toimitusjohtaja, perusti yhtiön vuonna 2019 visioinaan modernisoida vaatetusteollisuutta edistyneen automaation avulla. San Franciscon lahden alueella toimiva Myers tuo monipuolisen taustan, joka kattaa sijoitusneuvonnan ADM Investment Partnershipissa, varhaisen johtamisen perustajajoukoissa Group Commercessa sekä liiketoimintarooleja Downtown Music Holdingsissa ja Publicis Grouppessa. Hän on myös Maailman talousfoorumin Global Innovators Communityn jäsen, mikä heijastaa hänen laajempaa sitoutumistaan teknologiaan perustuvaan teolliseen muutokseen.

CreateMe on tekoälyroboottinen yritys, joka kehittää uudenlaista vaatetusrakennetta korvaamalla perinteisen ompelun automaattisella, liimaperusteisella kokoonpanolla, jota ohjataan roboteilla, tietokoneen näöllä ja koneoppimisella. Yrityksen omaa valmistusjärjestelmää mahdollistaa nopeampi, paikallinen ja kestävämpi vaatetusvalmistus, jolloin浪 ja toimitusketjut lyhenevät ja yritys on edelläkävijä seuraavan sukupolven pehmeiden hyödykkeiden valmistuksessa.

Ennen CreateMen perustamista olit mukana perustamisjoukoissa, työskentelit sijoitus- ja neuvonantajarooleissa sekä olit mukana yrityksissä kuten DoubleClick ja Group Commerce. Miten tämä sekoitus teknologiaa, rahoitusta ja operatiivista kokemusta muovasi päätöstäsi perustaa CreateMe ja ottaa haltuun jotain yhtä monimutkaista kuin automaattinen vaatetusvalmistus?

Ennen CreateMeä tulin ylös teknologiajeneralistina, työskennellen ohjelmisto-, verkkokauppa-, sijoitus- ja varhaisen vaiheen operatiivisissa rooleissa. Olemalla mukana perustamisjoukoissa, kuten Group Commercessa, oli käytännön MBA. Sinun on pakko ajatella eri alojen yli ja nähdä, miten teknologia, talous ja operatiivinen toiminta todella vuorovaikuttavat todellisissa rajoitteissa.

Tämä näkökulma johti minuun toisenlaiseen johtopäätökseen vaatetuksesta. Verkkokauppa-alustoilla näin jatkuvasti samat epäonnistumiset toistuvat: alhainen myynti, raskas alennus ja suuret määrät varastoa, jotka lopulta kirjattiin pois tai lähetettiin kaatopaikalle. Useimmat ihmiset kuvasivat nämä myynti- tai ennustevirheiksi. Teknologiahenkisenä näin, että ne olivat oireita jostakin syvemmästä – valmistusjärjestelmistä, jotka eivät voineet reagoida todelliseen kysyntään.

Tämä tuli yhdistämällä nuo pisteet eri alojen yli. Vaatetus ei ollut rikkoontunut, koska jokin yksittäinen osa järjestelmästä oli huonosti hoidettu. Tajusimme, että tämä ei ollut mitään, mitä voisi säätää tai optimoida; se vaati puhtaan sivun, ensisijaisen uudelleenajattelun materiaaleista, koneista ja ohjelmistoista yhtenä järjestelmänä.

CreateMe syntyi tästä vakaumuksesta. Tämä oli perustavasti teknologiavirhe, ja sille tarvittiin teknologiaratkaisu. Olemalla monialainen se teki tämän näkyväksi alusta alkaen, ja siksi CreateMen lähestymistapa näyttää erilaiselta. Pyrimme käsittelemään vaatetusvalmistusta järjestelmien ja automaation haasteena ja rakentamaan alustan, joka voi muuttaa, miten teollisuus toimii todella.

CreateMe omistaa nyt merkittävän patenttiohjelman robottiikan, materiaalitieteiden ja automaation alalla. Mitkä olivat varhaisimmat tekniset oivallukset, jotka vakuuttivat sinut siitä, että tämä ongelma on ratkaistavissa fyysisellä tekoälyllä?

Kun perustimme CreateMen vuonna 2019, uskoimme, että oli lopulta uskottava polku automatisoimaan vaatetusvalmistusta, mutta vain jos prosessi itsessään oli uudelleenajateltu. Kangas on muovautuva, tilasta riippuva materiaali. Se venyy, siirtyy ja muuttaa käyttäytymistään, kun sitä käsitellään. Pienet muutokset kasautuvat nopeasti. Nämä olosuhteissa avoimen silmukan ohjaus ja esiohjelmoitunut liike menevät rikki. Ongelma ei ollut robottiin tarkkuus. Se oli ymmärtää materiaalin tila tarpeeksi hyvin toimia sen mukaan.

Meidän ensimmäinen oikea edistysaskel tuli muuttamalla kokoonpanomallia. Korvaamalla jatkuva ompele liimakokoonpanolla voimme koota vaatteita staattisessa, kiinnitettyssä tilassa sen sijaan, että kangas olisi liikkeessä. Tämä poisti suuren osan muuttujaisuudesta ja salli, että kohdistus ja liittäminen voitiin hallita suoraan. Yhdistettynä perinteiseen koneen näköön, ML-pohjaiseen tietokoneen näköön, sääntöpohjaiseen logiikkaan ja robottiikkaan tämä teki luotettavan automaation mahdolliseksi määritellylle joukolle toimintoja. Se osoitti jotain tärkeää alusta alkaen: muovautuvat materiaalit voitiin käsitellä mekaanisesti, jos prosessi oli rakennettu oikein.

Nuo varhaiset järjestelmät tekivät myös rajoitukset selväksi. Perinteinen sääntöpohjainen koneen näkö toimii hyvin, kun geometria on yksinkertainen ja olosuhteet ovat tiukasti rajoitettuja. Ne eivät skaalaa vaatetusalan vaikeimpiin ongelmiin, erityisesti monimutkaisiin kolmiulotteisiin liittämisiin, joissa kangas muoto, suunta ja kosketus kehittyvät jatkuvasti tilassa. Lopputuotteiden automaatio näistä toimista ei ollut saavutettavissa silloin saatavilla olevilla havainnointi- ja mallinnustyökaluilla.

Siihen asti, kun fyysinen tekoäly on alkanut muuttaa yhtälöä. Edistysaskelit havainnoinnissa, aistimisessa ja ruumiillistetussa älykkyydessä mahdollistavat nyt ymmärtää muovautuvia materiaaleja kolmiulotteisesti ja sulkea silmän ja toiminnan välinen silmukka. Olemme vielä fyysisen tekoälyn soveltamisen alkuvaiheessa fyysiseen kokoonpanoon, mutta jo varhaiset toteutukset laajentavat jo nyt vaatteiden, kankaiden ja monimutkaisten 3D-liittämistoimien valikoimaa, jotka voidaan automatisoida vähäisen väliintulon kanssa. Sen sijaan, että käyttäisimme käyttäytymisen kirjaamista, järjestelmä voi yhä enemmän päättää materiaalin tilasta, sopeutua reaaliajassa ja suorittaa liittämistoimia loppuun asti. Jokainen liitetty toiminto tuottaa tietoa siitä, miten tekstiili reagoi voimaan, lämpöön ja geometriaan, mikä mahdollistaa suorituskyvyn parantamisen ja yleistämisen käytön kautta.

Pitkässä juoksussa meidän varhaiset työkalumme osoittivat toteutettavuuden. Fyysinen tekoäly on se, mikä avaa laajuuden ja skaalautuvuuden. Tämä edistysaskel – kirjatun automaation sijaan loppuun asti älykkään kokoonpanon – on se, mikä vakuutti meidät siitä, että tämä ongelma ei ollut vain ratkaistavissa, vaan myös laajentumiskykyinen vaatteiden ja materiaalien yli. Patenttiohjelmaamme leveys heijastaa tätä polkua. Ratkaistaaksesi muovautuvan materiaalin kokoonpanon vaadittiin keksintöjä robottiikan, materiaalitieteiden ja automaation alalla, ja fyysinen tekoäly avaa monimutkaisimmat liittämismuodot.

Vaatetusvalmistus on pitkään vastustanut täydellistä automaatiota pehmeiden hyödykkeiden monimutkaisuuden vuoksi. Mitkä läpimurrot mahdollistivat CreateMelle lopulta ylittää tämän kynnyksen?

CreateMelle ylittääkseen automaatio-kynnyksen on johtanut kaksi liittyvää muutosta: miten vaatteita koostetaan fyysisesti ja miten koneet havaitsevat ja toimivat kankaan kanssa sen aikana.

Ensimmäinen läpimurto oli arkkitehtoninen. Siirtymällä ompeleesta liimakokoonpanoon poistimme tarpeen päästä kankaan molemmille puolille valmistuksen aikana. Vaatteita voidaan rakentaa yksipuolisella pääsyllä, staattisessa, kiinnitettyssä tilassa, sen sijaan, että ne olisi taitettu, käännety ja jännitetty ompelukoneen läpi. Tämä vähensi merkittävästi manipulaatiokompleksisuutta ja poisti suuren osan muuttujaisuudesta. Kankaan tuen ja yhden puolen pääsyn ansiosta kohdistus ja liittäminen muodostuivat hallittaviksi ongelmiksi, ja perinteinen koneen näkö ja robottiikka voivat luotettavasti automatisoida merkittävän osan vaatetusvalmistuksesta.

Tämä lähestymistapa selkiytti myös jäljelle jäävän haasteen. Siirryttäessä monimutkaisempiin kolmiulotteisiin liittämisiin, joissa pinnat kohtaavat muuttuvissa kulmissa ja materiaalin käyttäytyminen muuttuu, kun kosketusta tehdään, sääntö- ja perinteinen koneen näkö -pohjaiset lähestymistavat saavuttivat rajoittensa. Lopputuotteiden automaatio ylitti vaatteiden ja tekstiilien koko vaihtelun vaati adaptiivista havainnon ja ohjausta.

Siihen asti, kun fyysinen tekoäly on alkanut muuttaa yhtälöä. Edistysaskelit havainnoinnissa, aistimisessa ja ruumiillistetussa älykkyydessä mahdollistavat nyt ymmärtää kankaan geometrian ja materiaalin tilan kolmiulotteisesti ja reagoida reaaliajassa valmistuksen aikana. CreateMessa jopa varhaiset soveltamiset näistä kyvyistä laajentavat jo nyt vaatteiden, kankaiden ja monimutkaisten 3D-liittämistoimien valikoimaa, jotka voidaan automatisoida vähäisen väliintulon kanssa. Prosessin uudelleenajattelu ja fyysinen tekoäly ovat se, mikä mahdollistaa automaation siirtymisen kapeasta automaatiosta loppuun asti toimivaksi järjestelmäksi, joka parantaa monimutkaisuuden kasvaessa.

MeRA™ esittelee modulaarisen, robotti-pohjaisen lähestymistavan vaatetusvalmistukseen. Miten tämä järjestelmä eroaa perinteisestä tehdasautomaatiosta?

MeRA™ eroaa perinteisestä tehdasautomaatiosta, koska se on suunniteltu nimenomaan vaatetusvalmistuksen rajoitteiden ympärille, eikä sovellettu muihin aloihin, jotka perustuvat jäykkiin osiin ja vakaasti määriteltyihin prosesseihin.

Perinteinen automaatio olettaa kiinteän geometrian, ennustettavat materiaalit ja rajoitetun muuttujaisuuden. Valmistusmuutokset hallitaan työkalu-intensiivisillä, mekaanisesti rajoitettuilla asetuksilla ja prosessi-erityisillä kiinnikkeillä. Tämä malli toimii, kun tuotteet harvoin muuttuvat. Se menee rikki vaatetusvalmistuksessa, jossa materiaalit ovat muovautuvia, tyylit vaihtelevat nopeasti ja tuotanto on suoritettava korkealla nopeudella taloudellisen kannattavuuden saavuttamiseksi.

MeRA™ perustuu vastakkaisiin oletuksiin. Vaatetusvalmistus vaatii järjestelmän, joka pystyy käsittelemään pehmeitä materiaaleja, jatkuvaan muuttuvuuteen ja usein muuttuviin tuotteisiin ilman tuotannon keskeytymistä. Tämän saavuttamiseksi MeRA™ käyttää modulaarista, ohjelmisto-määriteltyä kokoonpanoarkkitehtuuria. Jokainen moduuli suorittaa erillisen toiminnon ja voidaan määritellä uudelleen, kopioida tai uudelleenohjata, kun tuotteet, kankaat tai määrät muuttuvat. Valmistusmuutokset tapahtuvat digitaalisesti, ohjelmistossa, eikä fyysisen uudelleenohjauksen kautta.

Arkkitehtonisesti MeRA™ on suunniteltu maksimoimaan sekä nopeutta että ohjausta. Kokoonpano pidetään kahdessa ulottuvuudessa niin kauan kuin mahdollista, missä näkö, kohdistus ja liike ovat nopeimpia ja tarkin, ennen siirtymistä tarkasti hallittuihin kolmiulotteisiin toimiin, jotka vaativat muodonmuutosta tai liittämistä. Perinteinen automaatio työntää osia kiinteisiin 3D-työsoluihin; MeRA™ minimoi 3D-monimutkaisuuden suunnittelun kautta säilyttääkseen läpäisynopeuden.

Yhdistettynä digitaaliseen liimakokoonpanoon MeRA™ korvaa mekaanisesti rajoitetun liittämisen ohjelmoitavalla, yksipuolisella toiminnolla. Ei ole tarpeen kääntää vaatteita, hallita jatkuva jännitys tai päästä kankaan molemmille puolille prosessin aikana. Tämä vähentää syklin aikaa, laskee virheiden määrää ja mahdollistaa nopean digitaalisen valmistusmuutoksen vaatteiden ja tekstiilien yli.

Pitkässä juoksussa perinteinen automaatio koodaa prosessin laitteistoon. MeRA™ määrittelee prosessin ohjelmistossa ja sovittaa sen materiaaliin. Tämä siirtymä – fyysisestä uudelleenohjauksesta digitaaliseen muutokseen ja kiinteistä työvirroista modulaariseen kokoonpanoon – on se, mikä mahdollistaa MeRA:lle toimia vaatetusvaatimusten nopeudella ja muuttuvuudella.

Pixel™ korvaa ompelun mikroliimakokoonpanolla. Mitkä uudet suunnittelu- tai suorituskyvyn mahdollisuudet tämä avaa vaatetusbrändeille?

Pixel™ määrittelee uudelleen vaatetusvalmistuksen saumassa. Korvaamalla ompelun digitaalisesti ohjatuilla mikroliimakokoonpanoilla brändit saavat paljon suuremman tarkin ja johdonmukaisuuden, mikä johtaa vaatteisiin, jotka ovat sileämpiä, vahvempia ja mukavampia käyttää. Koska prosessi on ohjelmisto-määritelty, saumat muuttuvat suunnittelupinnaksi eikä rajoitukseksi, mikä mahdollistaa venyvyyden, kosteuden hallinnan, lämpönsäätelyn ja kevyen vahvistuksen suunnitella suoraan vaatteen rakenteeseen.

Nämä edut ulottuvat vaatteen suorituskyvyn ulkopuolelle. Sama digitaalinen ohjaus, joka mahdollistaa suorituskyvyn, myös mahdollistaa vaatteen suunnittelun loppumisen alusta alkaen. Thermo(re)set™ -liimakokoonpanon ansiosta sidokset voidaan kääntää, mikä mahdollistaa automaattisen purkamisen ja laajamittaisen tekstiilien kierrätyksen. Brändeille Pixel™ tekee suunnittelun, suorituskyvyn ja kestävyyden yhtenäisiksi tuloksiksi itse valmistuksesta, eikä kilpaileviksi prioriteeteiksi, jotka lisätään jälkikäteen.

On paljon hypeä fyysisestä tekoälystä tällä hetkellä. Missä fyysinen tekoäly toimii todella tänään, ja missä todellisuus vielä jää odotuksia?

Fyysinen tekoäly toimii tänään, kun ongelmat on rakennettu älykkyyden sijaan brutaaliin voimaan. Näemme todellista edistystä ympäristöissä, joissa havainnon, oppimisen ja ohjauksen käytetään yhdessä suunniteltujen järjestelmien sisällä – paikoissa, joissa tehtävät ovat toistuvia, mutta edelleen vaativat sopeutumista, ja joissa kone voi todella havainnoida ja päättää, mitä on tärkeää.

Missä odotukset vielä jäävät todellisuuden jälkeen, on yleispätevä, ruumiillistunut älykkyys. Pehmeät, muovautuvat materiaalit ovat yhä yksi vaikeimmista ongelmista robottiikassa, koska ne esittävät osittain havainnoitavissa olevia, epälineaarisia käyttäytymisiä ja jatkuvaan muuttuvuutta. Fyysinen tekoäly ei ole valmiina korvaavaa ihmisen taituruutta, eikä se onnistu itsestään kaoottisissa tai perinteisissä ympäristöissä.

Käytännössä ero tulee suunnittelusta. Fyysinen tekoäly toimii, kun fyysinen prosessi on tarkoituksella uudelleenajateltu vähentämään epävarmuutta – kun pääsy on yksinkertaista, tilat ovat havainnoitavissa ja muuttuvuus on hallittu arkkitehtuurin kautta eikä ohiteta. Nämä olosuhteissa oppimisjärjestelmät voivat sopeutua ja parantaa. Ilman tätä tekoäly on usein vain korvaamassa huonoa fyysistä suunnittelua.

Tämä on linssi, jonka sovellamme CreateMessa. Emme kohdella fyysistä tekoälyä lyhenteenä valmistuksen monimutkaisuuden ylitse. Käsittelemme sitä skaalautuvana kerroksena, joka toimii vain silloin, kun perustuva kokoonpanojärjestelmä on uudelleenajateltu alusta alkaen. Opimme, että fyysinen tekoäly skaalautuu, kun fyysinen maailma on suunniteltu sallimaan älykkyyden tehdä oikeaa työtä.

Tullit, geopolitiikka ja toimitusketjujen haavoittuvuus muuttuvat rakenteellisiksi ongelmiksi. Miten teknologiat kuten MeRA™ muuttavat taloutta tuomalla valmistusta takaisin Yhdysvaltoihin?

Pitkään ulkoistaminen oli taloudellisesti järkevää kapean työvoimakustannuksen perusteella, ja se on edelleen joissakin tuotteissa ja määrissä. Haaste on, että malli tulee myös mukana rakenteellisilla huonoilla puolilla: pitkät toimitusajat, huono kysyntä- ja tarjontasopimus, ylitarjonta, kirjanpidon poistot ja kasvava altis tulleille, geopolitiikalle ja logistiikkaongelmille. Nämä kustannukset olivat usein piilotettuina tai siedettiin, kunnes viimeaikaiset iskut pakottivat tarkastelun lähemmin.

MeRA™ -kaltaiset teknologiat muuttavat taloutta tekemällä toimintamallin toimivaksi Yhdysvalloissa. MeRA™ vähentää riippuvuutta manuaalisesta työvoimasta ja korvaa sen korkean tuotannon automaatiolla, joka voidaan suorittaa tiiviissä, uudelleenmääriteltävissä olevassa jalanjäljessä. Se on tärkeää kotimaassa, jossa työvoima on kallista ja joustavuus on arvokkaampaa kuin pelkästään mittakaava.

Samalla tavoin MeRA™ siirtää vaatetusvalmistuksen dexterity-pohjaisesta ompelusta staattiseen, liimakokoonpanoon. Tämä poistaa riippuvuuden harvinaisista, korkeasti koulutetuista ompelijöistä ja korvaa sen rooleilla, jotka ovat nopeampia kouluttaa ja helpompia skaalata Yhdysvalloissa. Tämä muuttaa työvoiman rakenteellisesta pullonkaulasta hallittavaksi syöttöksi, mikä on kriittistä minkä tahansa realistisen uudelleen sijoittamisen strategian kannalta.

Avainmuutos ei ole siinä, että kaikki tuotanto tuodaan takaisin. Käytännössä jopa pieni lähimarkkinoiden tuotannon kerros – usein 5-10 %: n osuus – voi muuttaa koko toimitusketjun taloutta. Tämä joustava kapasiteetti mahdollistaa brändien reagoida todelliseen kysyntään, ajaa voittajia ja välttää ylituotantoa useita kuukausia etukäteen. MeRA™ tekee tämän kerroksen taloudellisesti kannattavaksi tukemalla nopeaa digitaalista valmistusmuutosta, pienempiä eräkokoja ja johdonmukaista tuotantoa ilman erikoistuneiden työvoimien riippuvuutta.

Tässä kontekstissa uudelleen sijoittaminen loppuu olemasta binäärisenä tai poliittisena päätöksenä. Teknologiat kuten MeRA™ tekevät siitä portfoliopäätöksen. Ulkomaisten valmistus jatkaa rooliaa mittakaavan ja kustannustehokkuuden kannalta, mutta automaattinen, lähimarkkinoiden kapasiteetti muuttuu strategiseksi vipuvipuvipuksi nopeudelle, kestävyydelle ja pääomatehokkuudelle. Tuloksena on tasapainotettu toimitusketju, jossa jopa rajoitettu Yhdysvaltain tuotanto voi vähentää merkittävästi riskiä ja parantaa koko taloutta.

Miten vaatetusbrändit tulisi ajatella erilaisesti tuotesuunnittelusta, kun valmistuksen rajoitukset eivät ole enää samat kuin perinteisissä leikkaa-ja-ompeluympäristöissä?

Perinteinen vaatetusvalmistus heijastaa vallitsevaa logiikkaa leikkaa-ja-ompeluteollisuudelle: kaksipuolinen pääsy, neulan läpäisy, saumojen salliminen ihmisten käsille ja rakennusmenetelmät optimoitu manuaaliseen toistuvuuteen. Nämä eivät ole vaatteiden sisäisiä vaatimuksia; ne ovat perinteisten valmistusmenetelmien tuotteita.

Automaattinen, liimakokoonpano esittelee erilaisen suunnittelulogikan. Suunnittelussa automaatiota varten oletetaan yksipuolista pääsyä, digitaalisesti ohjatun liiman deponointia ja erittäin toistuvaa suoritusta. Tämä mahdollistaa pienemmät sisäiset saumamuuttujat, tarkemmat liimapinnat ja matalammat kokoonpanot, jotka ovat sekä rakenteellisesti vahvoja että esteettisesti puhtaampia kuin ompelut vastineet.

Tämä lähestymistapa laajentaa myös materiaalivapautta. Toisin kuin saumateippi, joka on tyypillisesti korkean lämpötilan ja pääasiassa rajoitettu synteettisiin, deponoitu liima sallii automaation laajan valikoiman kankaita, mukaan lukien orgaaniset ja herkkä materiaalit, kuten kashmir, silkki, villa ja nahka. Materiaalivalinta siirtyy “mitä voidaan luotettavasti ommella” kohti “mitä palvelee tuotetta parhaiten”.

Tässä kontekstissa suunnittelussa automaatiota varten ei ole rajoittavaa; se on generatiivista. Luovaa aikomusta, esteettistä ilmaisua ja valmistuslogiikkaa on yhdistetty alusta alkaen. Suunnittelu muuttuu sekä tarkemmaksi että ilmaisuvoimaisemmaksi, kun automaatio hoitaa johdonmukaisuuden ja suorituksen, ja suunnittelijat keskittyvät muotoon, toiminnallisuuteen ja erottautumiseen.

Miten ihmisen rooli näyttää itsessään korkeasti automatisoidussa vaatetusvalmistustehtaassa, ja mitkä uudet taidot tulevat kriittisiksi, kun robottiikka ottaa haltuun toistuvat tehtävät?

Korkeasti automatisoidussa vaatetusvalmistustehtaassa ihmisen rooli siirtyy toistuvasta manuaalisesta suorituksesta automaattisten kokoonpanojärjestelmien operointiin, valvontaan ja parantamiseen loppuun asti. Sen sijaan, että pitkiä ompelulinjoja, pienemmät tiimit järjestetään robotti-soluja ympärille, ja valmistusteknikot, solun valvojat ja prosessiasiantuntijat ovat vastuussa suorituskyvystä, laadusta ja käytettävyydestä koko tuotantoprosessin ajan.

Valmistusteknikot työskentelevät käsin robottiikan, visiointijärjestelmien ja liimakokoonpanolaitekaluston kanssa. He valvovat robotti-soluja, säätävät deponointipolkuja ja liimakokoonpanoparametreja, hallitsevat materiaalivaihdosta eri kankaiden välillä ja puuttuvat, kun muuttuvuus tai reunatapaukset ilmenevät. Laadunvarmistus on jatkuva eikä näyteperäistä: visiointijärjestelmät tarkkailevat sijoittelua, kohdistusta ja liiman yhdenmukaisuutta reaaliajassa, kun taas ihmiset valvovat kynnysarvoja, tulkitsevat poikkeamia ja päättävät, milloin ja miten prosessia on muutettava.

Tämä malli toimii materiaalista korkeamman laadun ja johdonmukaisuuden saavuttamiseksi kuin manuaalinen tuotanto. Automaattinen deponointi ja sijoittelu vähentävät muuttuvuutta, kun taas digitaalinen laadunvalvonta mahdollistaa johdonmukaisen suorituksen jokaisessa yksikössä, eikä riipu alasvirran tarkastelusta. Ihmisen arvio on sovellettu siellä, missä se lisää eniten arvoa – arvioimalla poikkeamia, tarkentamalla toleransseja ja parantamalla järjestelmän suorituskykyä ajan myötä.

Toteuttaaksesi tämän vaaditaan tietoisen koulutus- ja uudelleenkoulutusmallin, joka on upotettu suoraan valmistusoperaatioihin. Työntekijät koulutetaan lukemaan tuotantodashboardia, tulkitsemaan visio- ja anturidataa, ymmärtämään liiman laadun mittareita ja turvallista yhteistyötä robotti-järjestelmien kanssa. He oppivat, miten liiman käyttäytyminen, materiaalin ominaisuudet ja prosessiparametrit vuorovaikuttavat, ja miten nämä muuttujat näkyvät laadunvalvontatiedoissa.

Ajan myötä uudelleenkoulutus etenee perusjärjestelmätoiminnasta syvemmän prosessiomistajuuteen. Järjestelmällisen työpaikalla olevan koulutuksen, sertifioinnin kaltaisten moduulien ja mentoroinnin kautta teknikot kehittävät taitoja juurisyy-analyysissä, ennaltaehkäisevässä ylläpidossa ja jatkuvassa parantamisessa. Tuloksena on teknisesti taitava työvoima, joka pystyy ylläpitämään korkealaatuista, toistuvaa tuotantoa mittakaavassa – yksi, jossa automaatio kohottaa sekä tuotteen johdonmukaisuutta että ihmisen kykyä, eikä korvaa sitä.

Etäältä viisi-kymmenen vuoden päästä, miten näet fyysisen tekoälyn muuttavan ei vain vaatetusta, vaan valmistusta laajemmin – ja missä haluat CreateMelle olla suurin vaikutus?

Näkemys on, että fyysisen tekoälyn suurin mahdollisuus valmistuksessa seuraavien viiden-kymmenen vuoden aikana on tehtävissä, joissa on suurin muuttuvuus ja monimutkaisuus, eikä alueilla, jotka ovat jo hyvin palveluja kovan automaation toimittajille. Yksi haasteellisimmista ongelmista on, missä materiaalit ovat pehmeitä, joustavia tai kolmiulotteisia, ja missä todellisen maailman muuttuvuus on historiallisesti rajoittanut automaatiota.

Tämä haaste on selkein esimerkki vaatetusvalmistuksessa. Vaatetus ei ole ainoa esimerkki, mutta sama dynamiikka on kuluttajaelektroniikassa, jossa on joustavia komponentteja, lääkinnällisissä tuotteissa, kalusteissa ja auton sisätiloissa. Näiden luokkien yli vaatetusvalmistus ja pehmeiden hyödykkeiden kokoonpano edustavat korkeimman työvoimakustannuksen ja ovat valmistusprosessin vähiten automatisoituja osia.

Meidän näkökulmastamme fyysisen tekoälyn varhainen edistysaskel on ohjattu hyvin pystyyn järjestelmiin. Mekaaninen suunnittelu ja robottiin muodot ovat sovitettu tiettyihin sovelluksiin ja materiaaleihin, eikä yleistettyjä ruumiillistumia. Se, mikä skaalautuu näiden pystyjen yli, ei ole laitteisto, vaan älykkyys: havainnon, ohjauksen ja oppimisen järjestelmät, jotka mahdollistavat koneiden ymmärtää muovautuvia materiaaleja, kohdistaa monimutkaisia reunoja, sopeutua muuttuvuuteen ja suorittaa liimakokoonpanoa luotettavasti.

Pitkällä aikavälillä uskomme, että yleisemmät ja humanoid-ruumiillistumiset tulevat yhä yleisemmiksi, kun ruumiillistunut älykkyys kypsyää ja käyttöönotto kiihtyy. Kun humanoid-robotit siirtyvät koepiloteista miljooniin, ja mahdollisesti kymmeniin miljooniin, käyttöönottoon seuraavien kymmenen vuoden aikana, tekstiilien ulkopinnat ja pehmeät ulkopinnat tulevat oleellisiksi ihmisen ja koneen välimaastojärjestelmiksi. Tämän kysynnän tyydyttäminen mittakaavassa vaatii liimakokoonpanon, joka on automaatio-yhteensopiva, mikä avaa uuden teollisen kategorian älykkäiden pehmeiden materiaalien valmistuksessa.

Tämä on konteksti, jossa CreateMen visio sijaitsee.

CreateMen visio on johtaa pehmeiden materiaalien kokoonpanon muutosta. Tehdä automaattinen kokoonpano tekstiileistä ja joustavista materiaaleista yhtä ohjelmoitavissa, skaalautuvissa ja sopeutuvissa kuin ohjelmisto. Vaikka mekaaniset ja robottiin toteutukset vaihtelevat pystyyn lähiaikoina, perushaaste on yhdenmukainen: pehmeiden materiaalien käsittely ja ompelu hallitsevat työvoimakustannuksen ja vastustavat perinteistä automaatiota.

Mitä yhdistää nämä markkinat, on jaettu fyysinen tekoälyn kykyjoukko – järjestelmät, jotka ohjaavat havainnon, muovautuvien materiaalien manipulointia, reunan kohdistusta, liiman logiikkaa ja sopeutuvaa kokoonpanoa kankaiden ja muotojen yli. Osoittamalla tämän kyvyn vaatetusvalmistuksessa, yhdessä vaativimmista valmistusympäristöistä, CreateMe pyrkii avaamaan automaation laajemman joukon teollisuuden aloja ja mahdollistamaan sekä seuraavan sukupolven pehmeiden hyödykkeiden valmistusta että pehmeät rajapinnat, jotka yhä enemmän ympäröivät älykkäitä koneita.

Kiitos hienosta haastattelusta ja yksityiskohtaisista vastauksistasi. Lukijat, jotka haluavat oppia lisää, voivat vierailla CreateMessa.