Hamid Montazeri, Senior Vice President van Software & AI bij Locus Robotics – Interviewreeks

Als Senior Vice President (SVP) van Software en Kunstmatige Intelligentie bij Locus Robotics, brengt Hamid Montazeri meer dan 30 jaar ervaring met het leiden en schalen van wereldwijd gedistribueerde teams. Hij specialiseert zich in modulaire en schaalbare software-architectuur en de toepassing van transformatieve technologieën zoals cloud, IoT, big data en AI/ML. Gedurende zijn carrière heeft Hamid gedifferentieerde oplossingen en producten geleverd voor bedrijven die variëren van start-ups tot multinationals, waarmee toepassingen in autonome robotica, intelligente magazijnautomatisering en supply chain-systemen worden aangedreven die wereldwijd diensten verlenen.

Locus Robotics ontwerpt en levert AI-gedreven magazijnautomatiseringsoplossingen door autonome mobiele robots te combineren met intelligente software. Hun platform, genaamd LocusONE, coördineert vloten van robots om taken zoals picking, opslag, transport en mezzanine-bewerkingen uit te voeren, waardoor de productiviteit met twee tot drie keer wordt verhoogd en de arbeidskosten worden verlaagd. Het systeem integreert naadloos in bestaande magazijnomgevingen en schaalt flexibel, waardoor operaties een paar robots of duizenden zonder grote verstoring kunnen inzetten.

U hebt leiderschapsrollen gehad bij organisaties die variëren van CNN tot Stanley Black & Decker, Dematic, KION Group en nu Locus Robotics. Hoe heeft die diverse reis uw perspectief gevormd op waar AI en robotica het meeste impact kunnen hebben?

Door technische rollen te hebben die nauw samenwerken met AI en software gedurende meer dan drie decennia, is mijn perspectief sterk beïnvloed door hoe ik de evolutie van de industrie heb meegemaakt.

Toen ik voor het eerst begon, was de industrie in een tijdperk waarin software-ontwikkelingsinspanningen de overgang van gestructureerd naar object-georiënteerd paradigma op het gebied van programmeertalen en van enkele procesmonolithische software naar softwarecomponenten die op verschillende besturingssysteemprocessen konden worden uitgevoerd en interprocescommunicatie konden gebruiken om doelen te bereiken in een gedistribueerde wijze, omarmden. We stonden op het punt van een grote verschuiving, waarbij software van het worden uitgevoerd op een specifieke machine naar gedistribueerd werd, waarbij interproces- en/of netwerkcommunicatietechnologieën werden gebruikt. In de loop van de tijd verschoof deze focus naar verschillende gebieden, waardoor nieuwe ontwikkelingen ontstonden van het programmeren van onderliggende systemen om opkomende netwerk- en internetmogelijkheden te benutten om de schaalbaarheid van systemen te vergroten, evenals implementaties, gegevensopslag, wat uiteindelijk leidde tot cloudontwikkeling.

Deze veranderingen waren instrumenteel voor de industrie, omdat ze stap voor stap een niveau van compute- en opslagelasticiteit brachten en nieuwe kansen introduceerden voor AI en robotica. Deze vooruitgang zette zich voort toen ik mijn carrière voortzette, en ik kreeg een eerste-handse blik op de impact die AI en robotica kunnen hebben, vooral binnen de supply chain- en logistieke industrie. We zijn nu op een punt waarop robots over de capaciteit beschikken, in termen van compute, opslag en AI, om nauwkeurig te navigeren en te functioneren in enorme, hoge-dichtheidsomgevingen met complexe geometrieën, zoals magazijnen, en om een grote zakelijke impact te hebben, waaronder verlaagde kosten, verbeterde doorvoer, verbeterde flexibiliteit en verbeterde arbeidsprestaties.

Wat betekent “fysieke AI” in de context van magazijnautomatisering, en hoe verschilt het van meer traditionele robotica of generieke AI-modellen?

Fysieke AI is de toekomst van logistiek en magazijnautomatisering. Het is de ruggengraat die autonome operaties aandrijft door een combinatie van real-time perceptie, besluitvorming en continue leren, waardoor robots elke beslissing kunnen optimaliseren.

Met fysieke AI zijn robots niet alleen in staat om goederen te verplaatsen in zeer gestructureerde en permanent vaste configuratie-omgevingen. Ze zijn uitgerust met intelligentie die verder gaat dan het onthouden van een specifiek magazijnlayout en iets van punt A naar punt B brengen. Als dingen in hun omgeving veranderen, kunnen ze automatisch aanpassen en de planning bijstellen om de beste beslissingen te nemen op basis van de huidige omstandigheden.

Robotica die geen fysieke AI gebruikt, zal steeds meer beperkt zijn in haar toepasbaarheid. Interessant is dat zelfs de toepassing van moderne algemene foundation-modellen niet erg effectief is in het creëren van het type fysieke AI dat toepassingsdomeinbehoeften aanpakt. Wanneer je naar magazijnautomatisering kijkt, is het doel om processen zo efficiënt mogelijk te maken en generieke modellen kunnen dit echt niet leveren. De realiteit met generieke modellen is dat ze niet zijn ontworpen om efficiënt om te gaan met domeinspecifieke zorgen zoals efficiënte navigatie en interactie met medewerkers in magazijnomgevingen. Fysieke AI, uitgerust met een speciaal ontwikkeld magazijnfoundation-model, biedt een doelgerichte aanpak die ervoor zorgt dat robots zo efficiënt mogelijk functioneren met de mogelijkheid om automatisch aan te passen en aan te passen om het beste resultaat te leveren op alle momenten.

Hoe passen AI-gedreven robotica-systemen zich aan aan constant veranderende omgevingen, zoals nieuwe SKU’s, veranderende lay-outs of plotselinge stijgingen in de vraag?

Deze gebieden zijn allemaal waar fysieke AI, uitgerust met een onderliggend domeinfoundation-model, uitblinkt. Naarmate de vraag stijgt, lay-outs veranderen of nieuwe SKU’s worden geïntroduceerd, zijn robots die zijn uitgerust met fysieke AI in staat om naadloos te navigeren in constante verandering.

Dit is waarom robots die zijn uitgerust met fysieke AI optimaal zijn voor logistiek. Deze doelgerichte aanpak kan eigenlijk de constante flux die de industrie typisch tegenkomt, bijhouden.

Waarom gelooft u dat domeinspecifieke AI effectiever is dan het najagen van brede foundation-modellen wanneer het gaat om supply chain en logistiek?

Domeinspecifieke AI is het meest effectief voor supply chain en logistiek in het algemeen, maar vooral binnen magazijnautomatisering.

Wanneer het gaat om magazijnautomatisering, is het hebben van domeinspecifieke modellen wat uiteindelijk de automatisering naar het volgende niveau tilt. Een algemeen foundation-model is niet ontworpen om de uitdagingen aan te pakken die magazijnomgevingen typisch tegenkomen – zoals veiligheid en navigeren in complexe lay-outs – wat betekent dat operators blijven worstelen met de last van deze obstakels.

Daarentegen zijn domeinspecifieke modellen uitgerust met de noodzakelijke industrie-expertise om te begrijpen hoe deze uitdagingen daadwerkelijk kunnen worden opgelost. Het gebruik van domeinspecifieke modellen verlicht de druk op operators en trekt automatisch domein-expertise aan om oplossingen aan te bieden en toe te passen op uitdagingen naarmate ze ontstaan.

Welke meetbare resultaten hebt u gezien van het inzetten van fysieke AI in magazijnen, of het nu gaat om doorvoer, reductie van downtime of foutpercentages? 

Bij Locus Robotics hebben onze oplossingen, die zijn uitgerust met doelgerichte fysieke AI, impactvolle resultaten geleverd bij onze klanten, waaronder:

• Verbetering van de bestelaccuratesse tot 99%
• Verlaging van de foutpercentages 04% tot 0,01%
• Verlaging van de downtime door sites live te zetten in slechts weken in plaats van maanden
• Verbetering van de doorvoer, waardoor klanten hun operationele doorvoer kunnen verdubbelen of verdrievoudigen

Hoe gaat u te werk met veiligheid, betrouwbaarheid en menselijke toezicht bij het inzetten van autonome systemen in high-volume operaties?

Wanneer het gaat om het automatiseren van high-volume operaties zoals magazijnen, begint het aanpakken van veiligheid, betrouwbaarheid en menselijke toezicht allemaal met de oplossingen die u selecteert.

Deze gebieden zijn kritisch in het ontwerpproces en onderstrepen waarom diegenen die overwegen om te automatiseren, prioriteit moeten geven aan oplossingen die doelgericht zijn tijdens het beslissingsproces.

Bij Locus Robotics zijn onze autonome mobiele robots (AMRs) ontworpen om te voldoen aan en te overtreffen de industrienormen voor veiligheid. Onze LocusBots gebruiken multi-sensorveiligheidssystemen met camera’s en lichtdetectie en -bepaling (LiDAR) die helpen om botsingen en obstakels te vermijden en magazijnoperaties en -werknemers veilig te houden.

Betrouwbaarheid staat ook centraal in wat we doen. Voor magazijnoperators is het constant onderhandelen over vraagpieken een realiteit van het bedrijf waarin ze zitten, maar we geloven dat dit niet noodzakelijkerwijs een pijnlijk punt hoeft te zijn. Bij Locus Robotics stelt ons robotics-as-a-service (RaaS)-model operators in staat om hun magazijnomgevingen te automatiseren zonder de voorafgaande kosten of tijdsinvestering die automatisering typisch vereist. In plaats daarvan stellen onze oplossingen operators in staat om automatisch op te schalen of af te schalen om te voldoen aan de huidige vraag, waardoor ze altijd zijn uitgerust om te reageren op vraagpieken wanneer deze optreden.

In high-volume operaties zal menselijke toezicht altijd nodig zijn, maar de sleutel tot succesvolle automatisering is het gebruik van oplossingen die grotere verantwoordelijkheden kunnen dragen. Een belangrijke differentiator van Locus’ AMRs is onze combinatie van discrete gebeurtenissimulatietechnieken met gedetailleerde robotautonomiemodellen, waardoor operators concepten van operaties kunnen ontwerpen en nauwkeurig simuleren hoe ze de meest efficiënte gebruik van bots in hun omgeving kunnen gebruiken, waardoor ze de pikttijd kunnen stroomlijnen en ervoor kunnen zorgen dat bestellingen op tijd worden verzonden – twee cruciale componenten voor alle operators.

Welke uitdagingen doen zich voor bij het integreren van AI-gedreven robotica met bestaande magazijnbeheer- en ERP-systemen, en hoe gaat u hiermee om?

De implementatietijd van de integratie wordt meestal gezien als de grootste uitdaging die optreedt bij het automatiseren. Operators zullen hun bestaande technologie-stacks moeten onderzoeken en overwegen om over te stappen van verouderde legacy-systemen. Gezien AI enorme hoeveelheden gegevens gebruikt, zullen ze ook hun bestaande infrastructuur willen onderzoeken om ervoor te zorgen dat deze de AI-modellen kan ondersteunen.

Afhankelijk van de oplossingen die ze selecteren, kunnen operators terechtkomen in een situatie waarin hun overgang een grote tijdsinvestering vereist, aangezien ze mogelijk systemen moeten migreren en uitgebreide training moeten ondergaan voor hun personeel.

Locus Robotics streeft ernaar om tijd als een uitdaging voor operators weg te nemen. Onze AMRs zijn ontworpen om naadloos te integreren met deze systemen, waardoor klanten de dure voorafgaande tijdsinvestering kunnen vermijden die andere oplossingen op de markt vereisen.

Hoe schaalbaar zijn deze oplossingen over verschillende magazijnen en geografische gebieden, en hoeveel aanpassing is typisch vereist?

De eenvoudige schaalbaarheid is wat flexibele automatisering zo ideaal maakt voor magazijnomgevingen. Traditionele automatiseringssystemen vereisen aanzienlijke voorafgaande kosten en langetermijntijdsinvesteringen.

Automatisering die gebruikmaakt van een RaaS-model, zoals Locus Robotics, stelt magazijnen in staat om hun vlootgrootte te implementeren en naadloos aan te passen op basis van de vraag. Dit betekent dat operators hun operaties kunnen schalen naarmate de vraag eb en vloedt.

Als wereldleider in magazijnautomatisering zijn onze oplossingen schaalbaar over alle geografische gebieden voor onze klanten. Onze dashboards bieden real-time inzichten in sleutelmagazijnprestatie-metrieken – zoals eenheden en picks per uur, evenals de productiviteit van de werknemers. Deze geïntegreerde zichtbaarheid stelt operators in staat om gemakkelijk oplossingen over omgevingen te schalen, waardoor operationele behoeften kunnen worden vervuld op basis van specifieke magazijnvereisten.

Met de oplossingen van Locus Robotics kan aanpassing gemakkelijk worden geaccommodeerd zonder enige inspanning van de klant; dingen zijn ontworpen om elke individuele klant te helpen schalen op basis van hun unieke behoeften. 

Hoe veranderen deze technologieën de rol van menselijke werknemers in magazijnen, en welk type bijscholing of veranderingsbeheer is nodig?

AMRs zijn het standaardmagazijnproces voor menselijke werknemers aan het herschrijven door veiligere werkomgevingen te creëren en nieuwe kansen te openen voor de menselijke werkkracht.

Locus Robotics biedt een uniek intuïtieve benadering van AMR-associate-interactie en maakt medewerkerstraining / veranderingsbeheer voor het implementeren en exploiteren van robotica-automatisering een zeer lichte opgave voor operators. Bijvoorbeeld, wanneer LocusBots ter plaatse worden geïmplementeerd, kan training medewerkers in staat stellen om binnen 10 minuten of minder te beginnen met werken met de robots – wat betekent dat operators en medewerkers niet hoeven te worstelen met stressvolle en tijdrovende en dure training.

AMRs kunnen de last van fysiek arbeidsintensieve taken verlichten, het risico van letsel en menselijke werknemer-vermoeidheid minimaliseren. Door verantwoordelijkheden over te nemen zoals het tillen van zware voorwerpen en langdurige reizen binnen het magazijn, verbeteren AMRs de omstandigheden voor menselijke werknemers door de zwaarste taken over te nemen. Ze kunnen ook menselijke werknemers verlossen van meer repetitieve verantwoordelijkheden, zoals picking, en bieden een kans om de focus te verleggen naar complexere taken.

Het introduceren van AMRs in het magazijn is een geweldige kans om de rollen van menselijke werknemers te verbeteren. Diegenen die overwegen om te automatiseren, moeten zich ook richten op het identificeren van de kansen voor bijscholing die dit biedt voor hun menselijke werkkracht om hogere verantwoordelijkheden te onderzoeken en gebieden te identificeren waar geheel nieuwe rollen kunnen worden geïntroduceerd, waaronder posities die rechtstreeks met de bots werken, zoals analisten die de prestaties van de bots bewaken.

Kunt u delen welke soorten AI-modellen en -benaderingen deze systemen aandrijven, en of ze meer aan de rand of in de cloud werken? 

Bij Locus Robotics richten onze AI-oplossingen zich op drie kenmerken: fysiek (AI ingebed in het magazijn en ontworpen om aan te passen aan de omgeving), betrouwbaar (AI dat zijn beslissingen kan verklaren) en holistisch (AI dat het magazijn als systeem orkestreert in plaats van alleen een enkele bot of taak aan te sturen). Voor ons gaat het erom om AI te bouwen die het magazijn echt begrijpt en echte resultaten kan leveren voor de omgeving van onze klanten.

Gegevens vormen de basis van elk model, en de diepe industrie-expertise van Locus, in combinatie met onze schat aan real-world gegevens – waaronder bijna 6 miljard eenheden die zijn gepickt – stellen ons in staat om domeinspecifieke modellen te bouwen en systemen te ontwikkelen die zijn ontworpen om magazijn-eerst te zijn.

Bij Locus Robotics gebruiken we AI zowel aan de rand als in de cloud: onze AMRs gebruiken edge-AI om te bereiken wat fysieke en betrouwbare AI eist, terwijl onze “magazijnbrede systeem van records tot systeem van acties”-strategieën en magazijnfoundation-modellen gebruikmaken van de schaalbare rekenkracht die de cloud biedt.

Kijkend naar de toekomst, vijf jaar vooruit, welke grote vooruitgang of verschuivingen verwacht u in AI-gedreven robotica voor logistiek en supply chains?

De grootste verschuiving die we zullen zien, is dat fysieke AI zal domineren. Naarmate bedrijven hun return on investment (ROI) van hun AI-investeringen onderzoeken, zullen operators nauwkeurig de resultaten evalueren die ze zien van het automatiseren.

We kunnen verwachten dat diegenen die budget hebben toegewezen aan het automatiseren met oplossingen die niet doelgericht zijn, niet de ROI in hun magazijnen zullen zien die ze hopen. Oplossingen die niet zijn aangedreven door fysieke AI ontbreken het noodzakelijke begrip om uit te blinken in deze omgevingen. Dit zal operators ertoe aanzetten om prioriteit te geven aan het toewijzen van budget aan fysieke AI-oplossingen, die elke beslissing in real-time kunnen optimaliseren en de resultaten kunnen leveren die ze zoeken.

Naast de opkomst van fysieke AI zullen we ook zien dat robotica in logistiek en supply chain zich verplaatst van generieke / algemene foundation-modellen naar het ontwikkelen van domeinspecifieke modellen. Aangezien operators manieren zoeken om hun ROI te verhogen, zijn oplossingen die domeinspecifieke modellen gebruiken een cruciaal onderdeel van dit.

Om AI te laten slagen, zullen we zien dat de industrie een beter begrip krijgt van waarom we moeten investeren in AI die profiteert van en domein-expertise incorporeert. Dienvolgens zullen we ons richten op het toewijzen van ontwikkeling en middelen aan AI die zijn ontworpen om te floreren in supply chain- en logistieke omgevingen.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Locus Robotics bezoeken.