Cam Myers, PDG et fondateur de CreateMe – Série d’entretiens

Cam Myers, PDG et fondateur de CreateMe, a lancé l’entreprise en 2019 avec une vision pour moderniser la fabrication d’habillement grâce à une automatisation avancée. Basé dans la région de la baie de San Francisco, il apporte une expérience diversifiée qui s’étend à la conseil en investissements chez ADM Investment Partnership, au leadership dans l’équipe fondatrice de Group Commerce, ainsi qu’à des rôles de développement commercial chez Downtown Music Holdings et Publicis Groupe (PU4.DE ). Il est également membre de la communauté des innovateurs mondiaux du Forum économique mondial, ce qui reflète son engagement plus large envers la transformation industrielle impulsée par la technologie.

CreateMe est une entreprise de robotique basée sur l’intelligence artificielle qui réinvente la façon dont les vêtements sont confectionnés en remplaçant la couture traditionnelle par un assemblage automatisé à base d’adhésifs, alimenté par la robotique, la vision par ordinateur et l’apprentissage automatique. Sa plateforme de fabrication propriétaire permet une production d’habillement plus rapide, plus localisée et plus durable, en réduisant les déchets et en raccourcissant les chaînes d’approvisionnement, tout en positionnant l’entreprise à la pointe de la fabrication de biens mous de nouvelle génération.

Avant de fonder CreateMe, vous faisiez partie d’équipes fondatrices, travailliez dans des rôles d’investissement et de conseil, et occupiez des postes dans des entreprises comme DoubleClick et Group Commerce. Comment cette combinaison de technologie, de finance et d’expérience opérationnelle a-t-elle façonné votre décision de lancer CreateMe et de relever un défi aussi complexe que la fabrication automatisée d’habillement ?

Avant CreateMe, je suis devenu un généraliste en technologie, travaillant à travers le logiciel, le commerce électronique, l’investissement et les rôles opérationnels de démarrage. Faire partie d’équipes de démarrage, y compris Group Commerce, a été un MBA sur le tas. Vous êtes forcé de réfléchir à travers les disciplines et de voir comment la technologie, l’économie et les opérations interagissent réellement sous des contraintes réelles.

Cette perspective m’a conduit à une conclusion différente sur l’habillement. À travers les startups de commerce électronique, j’ai continué à voir les mêmes échecs se répéter : faible taux de vente, forte remise et grands volumes de stocks finalement annulés ou envoyés à la décharge. La plupart des gens les considéraient comme des problèmes de merchandising ou de prévision. En les regardant à travers une lentille technologique, il était clair qu’ils étaient des symptômes de quelque chose de plus profond – des systèmes de fabrication qui ne pouvaient pas répondre à la demande réelle.

L’insight est venue de la connexion de ces points à travers les disciplines. L’habillement n’était pas cassé parce que n’importe quelle partie du système était mal gérée. Nous avons réalisé que ce n’était pas quelque chose que l’on pouvait régler ou optimiser ; cela nécessitait une réflexion de base, une réflexion de première instance sur les matériaux, les machines et les logiciels en tant que système unique.

CreateMe est né de cette conviction. C’était fondamentalement un problème technologique, et il nécessitait une solution technologique. Être interdisciplinaire est ce qui l’a rendu visible en premier lieu, et c’est pourquoi l’approche de CreateMe semble différente. Nous nous sommes efforcés de traiter la fabrication d’habillement comme un défi de systèmes et d’automatisation, et de construire une plateforme capable de changer la façon dont l’industrie fonctionne réellement.

CreateMe détient désormais un portefeuille important de brevets dans les domaines de la robotique, de la science des matériaux et de l’automatisation. Quels étaient les premiers aperçus techniques qui vous ont convaincu que ce problème était soluble avec l’IA physique ?

Lorsque nous avons fondé CreateMe en 2019, nous croyions qu’il y avait enfin un chemin crédible pour l’automatisation de la fabrication d’habillement, mais uniquement si le processus lui-même était repensé. Le tissu est un matériau déformable, dépendant de l’état. Il s’étire, se déplace et change de comportement lorsqu’il est manipulé. De petites variations s’additionnent rapidement. Dans ces conditions, le contrôle en boucle ouverte et le mouvement préprogrammé se décomposent. Le problème n’était pas la précision du robot. C’était de comprendre l’état du matériau suffisamment pour agir dessus.

Nos premiers progrès réels sont venus de la modification du modèle d’assemblage. En remplaçant la couture continue par un assemblage à base d’adhésifs, nous pouvions assembler les vêtements dans un état statique, fixé, plutôt que lorsqu’ils étaient en mouvement. Cela a supprimé une source majeure de variabilité et a permis l’alignement et le raccordement d’être contrôlés directement. Combiné avec la vision traditionnelle par ordinateur, la vision par ordinateur basée sur l’apprentissage automatique, la logique basée sur des règles et la robotique, cela a rendu l’automatisation fiable possible pour un ensemble défini d’opérations. Cela a prouvé quelque chose d’important dès le départ : les matériaux déformables pouvaient être manipulés mécaniquement si le processus était structuré correctement.

Ces premiers systèmes ont également rendu les limites claires. La vision traditionnelle par ordinateur basée sur des règles fonctionne bien lorsque la géométrie est simple et les conditions sont étroitement contraintes. Elle ne s’étend pas aux problèmes les plus difficiles de l’habillement, en particulier les joints complexes tridimensionnels où la forme du tissu, l’orientation et le contact évoluent continuellement dans l’espace. L’automatisation complète de ces opérations n’était simplement pas réalisable avec les outils de perception et de modélisation disponibles à l’époque.

C’est là que l’IA physique a commencé à changer l’équation. Les progrès de la perception, de la détection et de l’intelligence incarnée rendent maintenant possible de comprendre les matériaux déformables en trois dimensions et de fermer la boucle entre la vision, la décision et l’action. Nous sommes encore dans les premiers stades de l’application de ces modèles à l’assemblage physique, mais même les premières mises en œuvre sont déjà en train d’élargir la gamme de vêtements, de tissus et d’opérations de jointure complexes qui peuvent être automatisées. Au lieu de scripter le comportement, le système peut de plus en plus raisonner sur l’état du matériau, s’adapter en temps réel et exécuter les opérations de jointure de bout en bout. Chaque opération de jointure génère des données sur la façon dont un textile répond à la force, à la chaleur et à la géométrie, ce qui permet d’améliorer les performances et de généraliser à travers l’utilisation.

En résumé, nos premiers outils ont prouvé la faisabilité. L’IA physique est ce qui débloque la complétude et l’échelle. Cette progression, de l’automatisation scriptée à l’assemblage intelligent de bout en bout, est ce qui nous a convaincus que le problème n’était pas seulement soluble, mais extensible à travers les vêtements et les matériaux. La largeur de notre portefeuille de brevets reflète ce chemin. Résoudre l’assemblage de matériaux déformables a nécessité des inventions dans la robotique, la science des matériaux et l’automatisation, avec l’IA physique ouvrant les formes les plus complexes de jointure.

La fabrication d’habillement a longtemps résisté à l’automatisation complète en raison de la complexité des biens mous. Quels sont les progrès qui ont permis à CreateMe de franchir enfin ce seuil ?

Pour CreateMe, franchir le seuil de l’automatisation a été motivé par deux changements liés : la façon dont les vêtements sont assemblés physiquement et la façon dont les machines perçoivent et agissent sur le tissu pendant cet assemblage.

La première percée a été architecturale. En passant de la couture à l’assemblage à base d’adhésifs, nous avons éliminé le besoin d’accéder aux deux côtés du tissu pendant l’assemblage. Les vêtements peuvent être construits en utilisant un accès unilatéral, dans un état statique, fixé, plutôt que d’être pliés, retournés et tendus à travers une machine à coudre. Cela a considérablement réduit la complexité de la manipulation et a supprimé une source majeure de variabilité. Avec le tissu supporté et accessible d’un seul côté, l’alignement et le raccordement sont devenus des problèmes contrôlables, et la vision traditionnelle par ordinateur et la robotique pouvaient automatiser de manière fiable une partie importante de la construction du vêtement.

Cette approche a également clarifié le défi restant. Lorsque nous sommes passés à des joints tridimensionnels plus complexes – où les surfaces se rencontrent à des angles changeants et le comportement du matériau change lors du contact – les approches basées sur des règles et la vision traditionnelle par ordinateur ont atteint leurs limites. L’automatisation complète de l’ensemble de la variabilité des vêtements et des textiles nécessitait une perception et un contrôle plus adaptatifs.

C’est là que l’IA physique joue un rôle critique. Les progrès de la perception, de la détection et du contrôle incarné rendent possible d’interpréter la géométrie du tissu et l’état du matériau en trois dimensions et de répondre en temps réel pendant l’assemblage. Chez CreateMe, même les premières applications de ces capacités sont en train d’élargir la gamme de vêtements, de tissus et d’opérations de jointure complexes qui peuvent être automatisées avec une intervention minimale.

En résumé, la conception du processus – l’assemblage à base d’adhésifs, l’accès unilatéral et l’assemblage statique – a rendu l’automatisation réalisable. L’IA physique est ce qui permet à cette automatisation de se rapprocher de l’exploitation de bout en bout et de s’étendre à la variabilité réelle, permettant à la fabrication d’habillement de dépasser l’automatisation étroite et de se diriger vers des systèmes qui s’améliorent à mesure que la complexité augmente.

MeRA ™ introduit une approche d’assemblage modulaire et robotique pour la production de vêtements. Comment ce système diffère-t-il fondamentalement de l’automatisation traditionnelle de l’usine ?

MeRA ™ diffère fondamentalement de l’automatisation traditionnelle de l’usine car il a été conçu autour des contraintes spécifiques de la fabrication d’habillement, plutôt que d’être adapté à partir d’industries construites sur des pièces rigides et des processus stables.

L’automatisation conventionnelle suppose une géométrie fixe, des matériaux prévisibles et une variabilité limitée. Le changement de configuration est géré par des réglages intensifs en outillage, des configurations mécaniquement contraintes et des processus spécifiques de fixation. Ce modèle fonctionne lorsque les produits changent rarement. Il se brise dans l’habillement, où les matériaux sont déformables, les styles tournent rapidement et la production doit fonctionner à haute vitesse pour être économiquement viable.

MeRA ™ part de hypothèses opposées. La fabrication d’habillement nécessite un système capable de gérer des matériaux mous, une variation constante et des changements de configuration fréquents sans arrêter la production. Pour cela, MeRA ™ utilise une architecture d’assemblage modulaire et définie par logiciel. Chaque module effectue une opération discrète et peut être reconfiguré, dupliqué ou redéployé à mesure que les produits, les tissus ou les volumes changent. Le changement de configuration se produit numériquement, dans le logiciel, plutôt que par reconfiguration physique.

Sur le plan architectural, MeRA ™ est conçu pour maximiser à la fois la vitesse et le contrôle. L’assemblage est maintenu en deux dimensions le plus longtemps possible, où la vision, l’alignement et le mouvement sont les plus rapides et les plus précis, avant de passer à des opérations tridimensionnelles étroitement contrôlées uniquement lorsque la formation ou le jointure nécessite. L’automatisation traditionnelle pousse les pièces à travers des cellules de travail fixes en trois dimensions ; MeRA ™ minimise la complexité en trois dimensions par conception pour préserver le débit.

Associé à la liaison adhésive numérique, MeRA ™ remplace le jointure mécaniquement contraint par une opération programmable et unilatérale. Il n’y a pas besoin de retourner les vêtements, de gérer la tension continue ou d’accéder aux deux côtés du processus. Cela réduit le temps de cycle, diminue le taux d’erreur et permet un changement de configuration numérique rapide à travers les vêtements et les textiles.

En résumé, l’automatisation traditionnelle code le processus dans le matériel. MeRA ™ définit le processus dans le logiciel et l’adapte au matériau. Ce changement – de la reconfiguration physique au changement de configuration numérique, et des flux de travail fixes à l’assemblage modulaire – est ce qui permet à MeRA ™ de fonctionner à la vitesse et à la variabilité requises par la fabrication d’habillement.

Pixel ™ remplace la couture par un assemblage à base d’adhésifs microscopiques. Au-delà de la vitesse et de l’efficacité, quels nouveaux possibilités de conception ou de performance cela ouvre-t-il pour les marques d’habillement ?

Pixel ™ redéfinit la construction de l’habillement au niveau de la couture. En remplaçant la couture par un assemblage à base d’adhésifs contrôlé numériquement, les marques gagnent une précision et une cohérence bien plus grandes, ce qui se traduit par des vêtements plus lisses, plus solides et plus confortables à porter. Puisque le processus est défini par logiciel, les coutures deviennent une surface de conception plutôt qu’une contrainte, permettant à l’étirement, à la gestion de l’humidité, à la régulation thermique et au renforcement léger d’être intégrés directement dans la structure du vêtement.

Ces avantages s’étendent au-delà de la façon dont un vêtement se comporte sur le corps. La même commande numérique qui permet la performance permet également aux vêtements d’être conçus pour la fin de vie dès le départ. Avec notre formule d’adhésif Thermo(re)set ™, les liaisons peuvent être inversées, permettant un démontage automatisé et un recyclage textile à grande échelle. Pour les marques, Pixel ™ rend la conception, la performance et la circularité des résultats intégrés de la construction elle-même, et non des priorités concurrentes superposées après coup.

Il y a beaucoup d’hype autour de l’IA physique en ce moment. De votre point de vue, où l’IA physique fonctionne-t-elle réellement aujourd’hui, et où la réalité est-elle toujours en retard sur les attentes ?

L’IA physique fonctionne aujourd’hui lorsque les problèmes sont structurés pour l’intelligence plutôt que pour la force brute. Nous voyons des progrès réels dans les environnements où la perception, l’apprentissage et le contrôle sont déployés ensemble à l’intérieur de systèmes conçus – des endroits où les tâches sont répétitives mais nécessitent encore une adaptation, et où la machine peut réellement observer et raisonner sur ce qui compte.

Là où les attentes dépassent encore la réalité, c’est autour de l’intelligence générale incarnée. Les matériaux mous et déformables restent l’un des problèmes les plus difficiles de la robotique car ils introduisent une observabilité partielle, un comportement non linéaire et une variation constante. L’IA physique n’est pas un remplacement direct de la dextérité humaine, et elle ne réussit pas dans des environnements chaotiques ou hérités par défaut.

En pratique, la différence vient de la conception. L’IA physique fonctionne lorsque le processus physique a été délibérément repensé pour réduire l’incertitude – lorsque l’accès est simplifié, les états sont observables et la variabilité est gérée par l’architecture plutôt que négligée. Dans ces conditions, les systèmes d’apprentissage peuvent s’adapter et s’améliorer. Sans cela, l’IA est souvent juste en train de compenser une mauvaise conception physique.

C’est la lentille que nous appliquons chez CreateMe. Nous ne traitons pas l’IA physique comme un raccourci pour contourner la complexité de la fabrication. Nous la traitons comme une couche d’échelle qui ne fonctionne qu’une fois que le système d’assemblage sous-jacent a été repensé à partir de premiers principes. La leçon que nous avons apprise est simple : l’IA physique s’étend lorsque le monde physique a été conçu pour laisser l’intelligence faire un véritable travail.

Avec les droits de douane, les risques géopolitiques et la fragilité de la chaîne d’approvisionnement devenant des problèmes structurels, comment des technologies comme MeRA ™ changent-elles l’économie de la réimplantation de la fabrication aux États-Unis ?

Pendant longtemps, la délocalisation avait du sens sur une base étroite de coût de main-d’œuvre, et elle le fait encore pour certains produits et volumes. Le défi est que le modèle vient également avec des inconvénients structurels : des délais de livraison longs, une mauvaise correspondance entre l’offre et la demande, un excès de stocks et une exposition croissante aux droits de douane, aux risques géopolitiques et aux perturbations logistiques. Ces coûts étaient souvent cachés ou tolérés jusqu’à ce que les récents chocs obligent à y regarder de plus près.

Des technologies comme MeRA ™ changent l’économie en rendant un modèle opérationnel différent viable aux États-Unis. MeRA ™ réduit la dépendance à la main-d’œuvre manuelle et la remplace par une production automatisée à haut débit qui peut fonctionner dans un emplacement compact et reconfigurable. Cela compte à l’échelle nationale, où la main-d’œuvre est coûteuse et la flexibilité est plus précieuse que la pure échelle.

De même, MeRA ™ déplace la production d’habillement de la couture basée sur la dextérité vers l’assemblage à base d’adhésifs statique. Cela supprime la dépendance à la main-d’œuvre de couture hautement qualifiée et la remplace par des rôles qui sont plus rapides à former et plus faciles à mettre à l’échelle aux États-Unis. Cela transforme la main-d’œuvre d’un goulet d’étranglement structurel en une entrée gérable, ce qui est critique pour toute stratégie de réimplantation réaliste.

Le changement clé n’est pas de ramener tout. Dans la pratique, même une couche modeste de production de proximité – souvent 5 à 10 % du volume – peut matériellement changer l’économie de l’ensemble de la chaîne d’approvisionnement. Cette capacité de production flexible permet aux marques de répondre à la demande réelle, de poursuivre les gagnants et d’éviter la surproduction des mois à l’avance. MeRA ™ rend cette couche économiquement viable en soutenant un changement de configuration numérique rapide, des tailles de lots plus petites et une sortie cohérente sans dépendre de bassins de main-d’œuvre spécialisés.

Dans ce contexte, la réimplantation cesse d’être une décision binaire ou politique. Des technologies comme MeRA ™ la transforment en un choix de portefeuille. La fabrication offshore joue toujours un rôle pour l’échelle et l’efficacité de coût, mais la capacité de production automatisée et de proximité devient un levier stratégique pour la vitesse, la résilience et l’efficacité du capital. Le résultat est une chaîne d’approvisionnement plus équilibrée, où même une production limitée aux États-Unis peut réduire considérablement les risques et améliorer l’économie globale.

Comment les marques d’habillement devraient-elles repenser la conception de produits lorsque les contraintes de fabrication ne sont plus les mêmes qu’elles l’étaient dans les environnements de coupe et de couture traditionnels ?

La conception traditionnelle de l’habillement reflète la logique dominante de la fabrication de coupe et de couture : accès aux deux côtés, pénétration de l’aiguille, tolérances de couture dimensionnées pour les mains humaines et méthodes de construction optimisées pour la répétitivité manuelle. Ce ne sont pas des exigences inhérentes aux vêtements ; ce sont des artefacts de la façon dont les vêtements ont été fabriqués.

L’assemblage automatisé à base d’adhésifs introduit une logique de conception différente. Concevoir pour l’automatisation signifie supposer un accès unilatéral, une dépôt d’adhésif contrôlé numériquement et une exécution très répétitive. Cela permet des tolérances de couture internes plus petites, des lignes de colle plus précises et des assemblages de plus bas profil qui sont à la fois solides sur le plan structurel et plus propres que les équivalents cousus.

Puisque l’adhésif est déposé plutôt que cousu, les concepteurs peuvent travailler en confiance avec des bords complexes et irréguliers, des géométries fluides et des conversions ou des laminations de tissus qui seraient difficiles ou impossibles à reproduire avec la couture. La complexité visuelle n’a plus besoin d’être soutenue par la masse physique. Le résultat est un langage de construction plus minimaliste et raffiné qui est natif de l’automatisation plutôt que adapté du travail manuel.

Cette approche élargit également la liberté des matériaux. Contrairement au ruban de couture, qui est généralement à haute température et largement limité aux synthétiques, l’adhésif déposé permet l’automatisation sur une large gamme de tissus, y compris les organiques et les matériaux délicats tels que la cachemire, la soie, la laine et le cuir. La sélection des matériaux passe de « ce qui peut être cousu de manière fiable » à « ce qui sert le mieux le produit ».

Dans ce contexte, concevoir pour l’automatisation n’est pas restrictif ; c’est génératif. L’intention créative, l’expression esthétique et la logique de fabrication sont alignées dès le départ. La conception devient à la fois plus précise et plus expressive, l’automatisation gérant la cohérence et l’exécution tandis que les concepteurs se concentrent sur la forme, la fonction et la différenciation.

Quelle est l’apparence du rôle humain à l’intérieur d’une usine d’habillement hautement automatisée, et quels sont les nouveaux compétences qui deviennent critiques à mesure que la robotique prend en charge les tâches répétitives ?

Dans une usine d’habillement hautement automatisée, le rôle humain passe de l’exécution manuelle répétitive à l’exploitation, à la supervision et à l’amélioration des systèmes d’assemblage automatisés de bout en bout. Au lieu de longues lignes de couture, de petites équipes sont organisées autour de cellules robotiques, avec des techniciens de fabrication, des superviseurs de cellules et des spécialistes de processus responsables des performances, de la qualité et du temps d’activité sur l’ensemble du flux de production.

Les techniciens de fabrication travaillent sur le terrain avec la robotique, les systèmes de vision et les équipements de liaison à base d’adhésifs. Ils surveillent les cellules robotiques, règlent les chemins de dépôt et les paramètres de liaison, gèrent les interactions de matériaux à travers différents tissus et interviennent lorsque la variabilité ou les cas de bord se présentent. L’assurance qualité est continue plutôt que prise au hasard : les systèmes de vision inspectent le placement, l’alignement et la cohérence de la liaison en temps réel, tandis que les humains surveillent les seuils, interprètent les anomalies et décident quand et comment ajuster le processus.

Ce modèle livre une qualité et une reproductibilité nettement supérieures à la production manuelle. La dépôt et le placement automatisés réduisent la variabilité, tandis que la QA numérique permet une exécution cohérente sur chaque unité plutôt que de s’appuyer sur l’inspection en aval. Le jugement humain est appliqué là où il ajoute le plus de valeur – en évaluant les exceptions, en affinant les tolérances et en améliorant les performances du système au fil du temps.

Cela nécessite un modèle de formation et de développement des compétences délibéré, intégré directement dans les opérations de fabrication. Les travailleurs sont formés pour lire les tableaux de bord de production, interpréter les données de vision et de capteurs, comprendre les indicateurs de qualité de la liaison et collaborer en toute sécurité avec les systèmes robotiques. Ils apprennent comment le comportement de l’adhésif, les propriétés des matériaux et les paramètres du processus interagissent, et comment ces variables se manifestent dans les données de QA.

Au fil du temps, la formation progresse de l’exploitation de base du système à une propriété plus approfondie du processus. Grâce à une formation structurée sur le tas, des modules de certification et un mentorat, les techniciens développent des compétences en analyse de cause racine, en maintenance préventive et en amélioration continue. Le résultat est une main-d’œuvre techniquement fluente capable de maintenir une production de haute qualité et reproductible à grande échelle – une où l’automatisation élève à la fois la cohérence du produit et la capacité humaine plutôt que de la remplacer.

En regardant cinq à dix ans dans le futur, comment voyez-vous l’IA physique façonnant non seulement l’habillement, mais la fabrication plus largement – et où voulez-vous que CreateMe ait l’impact le plus important ?

Notre point de vue est que la plus grande opportunité pour l’IA physique dans la fabrication au cours des cinq à dix prochaines années réside dans les tâches présentant la variabilité et la complexité les plus élevées, et non dans les domaines déjà bien servis par l’automatisation rigide. Parmi les problèmes les plus difficiles se trouvent ceux où les matériaux sont mous, flexibles ou tridimensionnels, et où la variabilité réelle a historiquement limité l’automatisation.

Ce défi est le plus aigu dans l’assemblage de matériaux mous. L’habillement est l’exemple le plus clair, mais la même dynamique existe dans les produits électroniques grand public avec des composants flexibles, dans les produits médicaux, dans les meubles et dans les intérieurs automobiles. À travers ces catégories, la couture et l’assemblage de biens mous représentent le contenu de main-d’œuvre le plus élevé et restent les parties les moins automatisées du processus de fabrication.

De notre point de vue, les premiers progrès de l’IA physique seront impulsés par des systèmes fortement verticalisés. La conception mécanique et les formes de robotique seront adaptées à des applications et des matériaux spécifiques, plutôt que des incarnations généralisées. Ce qui s’étend à travers ces verticals, ce n’est pas le matériel, mais l’intelligence : la perception, le contrôle et les systèmes d’apprentissage qui permettent aux machines de comprendre les matériaux déformables, d’aligner des bords complexes, de s’adapter à la variabilité et d’exécuter des opérations de jointure à base de liaisons de manière fiable.

Sur les dix prochaines années et au-delà, nous croyons que des incarnations plus généralisées et humanoïdes deviendront de plus en plus prévalentes à mesure que l’intelligence incarnée mûrit et que le déploiement s’accélère. À mesure que les robots humanoïdes passent de pilotes à des millions, et potentiellement des dizaines de millions, d’unités déployées au cours de la prochaine décennie, les peaux et les couches externes en textile deviendront des systèmes d’interface homme-machine critiques. Répondre à cette demande à grande échelle nécessitera une fabrication de matériaux mous native de l’automatisation, ouvrant une nouvelle catégorie industrielle dans la fabrication intelligente de matériaux mous.

C’est dans ce contexte que la vision de CreateMe s’inscrit.

La vision de CreateMe est de conduire la transformation de l’assemblage de matériaux mous. De rendre l’assemblage automatisé de textiles et de matériaux flexibles aussi programmable, évolutif et adaptable que le logiciel. Même si les mises en œuvre mécaniques et robotiques varieront par secteur d’activité à court terme, le défi sous-jacent reste constant : la manipulation de matériaux mous et la couture dominent le contenu de main-d’œuvre et résistent à l’automatisation traditionnelle.

Ce qui unit ces marchés, c’est un ensemble de capacités d’IA physique partagées – les systèmes qui régissent la perception, la manipulation de matériaux déformables, l’alignement des bords, la logique de liaison et l’assemblage adaptatif à travers les tissus et les formes. En prouvant cette capacité dans l’habillement, l’un des environnements de fabrication les plus exigeants, CreateMe vise à débloquer l’automatisation à travers un ensemble plus large d’industries et à permettre à la fois la prochaine génération de fabrication de biens mous et les interfaces souples qui entoureront de plus en plus les machines intelligentes.

Merci pour cette grande interview et vos réponses détaillées, les lecteurs qui souhaitent en savoir plus peuvent visiter CreateMe.