Hamid Montazeri, Senior Vice President for Programvare og Kunstig Intelligens i Locus Robotics – Intervju-serie

Som Senior Vice President (SVP) for programvare og kunstig intelligens i Locus Robotics, bringer Hamid Montazeri over 30 års erfaring med å lede og skalerer globale distribuerte team. Han spesialiserer seg i modulær og skalerbar programvarearkitektur og anvendelse av transformative teknologier som sky, IoT, big data og AI/ML. Gjennom sin karriere har Hamid levert differensierte løsninger og produkter for selskaper som går fra startup til multinasjonale selskaper, og driver applikasjoner i autonome roboter, intelligente lagerautomatisering og leverandørkjeder som betjener industrier over hele verden.

Locus Robotics designer og leverer AI-drevne lagerautomatiseringsløsninger ved å kombinere autonome mobile roboter med intelligente programvare. Deres plattform, kalt LocusONE, orkestrerer flåter av roboter for å håndtere oppgaver som plukking, plassering, transport og mezzaninoperasjoner – og øker produktiviteten med to til tre ganger samtidig som det kuttes ned på arbeidskostnadene. Systemet integreres sammen med eksisterende lagermiljøer og skalerer fleksibelt, og muliggjør at operasjoner kan utforme en few roboter eller tusenvis uten større forstyrrelser.

DU har hatt lederroller i organisasjoner som går fra CNN til Stanley Black & Decker (SWK ), Dematic, KION Group og nå Locus Robotics. Hvordan har denne mangfoldige reisen formet din perspektiv på hvor AI og robotikk kan levere mest effekt?

Med tekniske roller som arbeider tett med AI og programvare i over tre tiår, har min perspektiv blitt sterkt formet av hvordan jeg har sett industrien utvikle seg.

Når jeg først startet, var industrien på et tidspunkt da programvareutviklingsinnsatsene omfavnet overgangen fra strukturert til objektorientert paradigme på programmeringsspråkfronten og fra enkeltprosess monolittisk programvare til programvarekomponenter som kunne kjøre på forskjellige operativsystemprosesser og utnytte prosesskommunikasjon for å oppnå mål på en distribuert måte. Vi var på randen av en stor forandring, og flyttet programvare bort fra å kjøres på en bestemt maskin til å bli distribuert ved hjelp av prosess- og/eller nettverkskommunikasjonsteknologier. Over tid, skiftet fokuset til forskjellige områder, og drev nye utviklinger fra programmering av underliggende systemer for å utnytte nye nettverks- og Internettmuligheter for å øke skalerbarheten til systemer, samt distribusjon, data lagring, som til slutt ledet til skyutvikling.

Disse endringene var avgjørende for industrien, da de inkrementelt brakte en viss grad av beregnings- og lagringselastisitet, og introduserte nye muligheter for AI og robotikk. Disse fremgangene fortsatte da jeg fremmet gjennom min karriere, og jeg fikk en førstehånds erfaring av den innvirkningen som AI og robotikk kan ha, spesielt innenfor leverandørkjeder og lagerindustrien. Vi er nå på et punkt der roboter besitter evnen, i terms of beregning, lagring og AI, til å nøyaktig navigere og operere i massive høytetthetsmiljøer med komplekse geometrier, som lager, og levere betydelig forretningsmessig innvirkning, inkludert reduserte kostnader, forbedret gjennomstrømming, forbedret fleksibilitet og forbedret arbeidsytelse.

Hva betyr “fysisk AI” i sammenheng med lagerautomatisering, og hvordan adskiller det seg fra mer tradisjonell robotikk eller generiske AI-modeller?

Fysisk AI er fremtiden for logistikk og lagerautomatisering. Det er ryggraden som driver autonome operasjoner gjennom en kombinasjon av sanntidspersepsjon, beslutningstaking og kontinuerlig læring, som gjør at roboter kan optimalisere hver enkelt beslutning.

Med fysisk AI er roboter ikke bare utstyrt for å flytte varer i høyt strukturerte og permanent faste konfigurasjoner. De er utstyrt med intelligens som går ut over å huske en bestemt lageroppsett og bringe noe fra punkt A til punkt B. Hvis ting i deres miljø endrer seg, kan de automatisk tilpasse og omplanlegge for å ta de beste beslutningene basert på nåværende forhold.

Robotikk som ikke utnytter fysisk AI vil bli stadig mer begrenset i sin anvendelighet. Interessant nok er selv anvendelsen av moderne generelle grunnmodeller ikke høyt effektive i å skape den type fysisk AI som møter anvendingsdomenebehov. Når du ser på lagerautomatisering, er målet å ha prosesser som er så effektive som mulig, og generiske modeller kan ikke virkelig levere dette. Virkeligheten med generiske modeller er at de ikke er designet for å håndtere domenespesifikke bekymringer som effektiv navigasjon og samhandling med medarbeidere i lagermiljøer. Fysisk AI, utstyrt med en spesialutviklet lagergrunnmodell, gir en formålbygd tilnærming som sikrer at roboter utfører så effektivt som mulig med evnen til å automatisk tilpasse og justere for å levere den beste utfallet til alle tider.

Hvordan tilpasser AI-drevne robotikksystemer seg til konstant endrende miljøer, som nye SKU-er, skiftende oppsett eller plutselige økninger i etterspørsel?

Disse områdene er alle områder der fysisk AI, utstyrt med en underliggende domene grunnmodell, utmerker seg. Når etterspørsel øker, oppsett endrer seg eller nye SKU-er introduseres, er roboter utstyrt med fysisk AI i stand til å sømløst navigere konstant endring.

Dette er hvorfor roboter utstyrt med fysisk AI er optimale for logistikk. Denne formålbygde tilnærmingen kan faktisk holde tritt med den konstante flux som industrien vanligvis møter.

Hvorfor tror du at domenespesifik AI er mer effektivt enn å jage bredt grunnmodeller når det gjelder leverandørkjeder og logistikk?

Domenespesifik AI er mest effektivt for leverandørkjeder og logistikk generelt, men spesielt innenfor lagerautomatisering.

Når det gjelder lagerautomatisering, er å ha domenespesifikke modeller det som til slutt tar automatisering til neste nivå. En generell grunnmodell er ikke designet for å håndtere utfordringene som lagermiljøer vanligvis møter – som sikkerhet og navigasjon i komplekse oppsett – hvilket betyr at operatører vil fortsette å møte byrden av disse hindringene.

I motsetning til dette er domenespesifikke modeller utstyrt med den nødvendige bransjeekspertisen for å forstå hvordan å løse disse utfordringene. Utnytting av domenespesifikke modeller løfter presset av operatører og trekker automatisk domeneekspertise for å tilby og anvende løsninger på utfordringer som oppstår.

Hva målbare resultater har du sett fra å deployere fysisk AI i lager, enten i gjennomstrømming, nedgang i nedtid eller feilrater? 

At Locus Robotics, våre løsninger som er drevet av formålbygd fysisk AI, har levert innvirkende resultater over våre kunders lager, inkludert:

• Forbedring av ordre-nøyaktighet til 99%
• Redusert feilrater 04% til 0.01%
• Redusert nedtid ved å ta steder i live på bare uker i stedet for måneder
• Forbedret gjennomstrømming som tillater kunder å doble eller triple sin operasjonelle gjennomstrømming

Hvordan nærmer du deg sikkerhet, pålitelighet og menneskelig tilsyn når du deployer autonome systemer i høyvolum operasjoner?

Når du automatiserer høyvolum operasjoner som lager, starter du med å se på løsningene du velger.

Disse områdene er kritiske i designprosessen og understreker hvorfor de som ønsker å automatisere bør prioritere løsninger som er formålbygde under beslutningsprosessen.

At Locus Robotics, er våre autonome mobile roboter (AMR-er) designet for å møte og overgå industrielle sikkerhetsstandarder. Våre LocusBots utnytter multi-sensor sikkerhetssystemer med kameraer og lysdeteksjon og -avstandsmåling (LiDAR) som hjelper dem å unngå kollisjoner og hindringer, og holder lageroperasjoner og arbeidere trygge.

Pålitelighet er også i kjernen av hva vi gjør. For lageroperatører er det en realitet å forhandle etterspørselsøkninger, men vi tror ikke at dette behøver å være et smertepunkt. At Locus Robotics, tillater vårt robot-til-tjeneste (RaaS)-modell operatører å automatisere sine lagermiljøer uten den opprinnelige kostnaden eller tidsinvesteringen som automatisering vanligvis krever. I stedet muliggjør våre løsninger at operatører kan automatisk skalerer opp eller ned for å møte nåværende etterspørsel, og sikrer at de alltid er utstyrt for å tilpasse seg økninger når de oppstår.

I høyvolum operasjoner, vil menneskelig tilsyn alltid være nødvendig, men nøkkel til vellykket automatisering er å utnytte løsninger som kan ta på seg større ansvar. En nøkkel til Locus’ AMR-er er vår kombinasjon av diskret hendelsessimulering (DES) og detaljerte robotautonomimodeller, som tillater operatører å designe konsepter for operasjoner og nøyaktig simulere den mest effektive bruken av roboter i deres miljø, og hjelper til å strømlinje plukketid og sikre at ordrer sendes på tid – to kritiske komponenter for alle operatører.

Hva utfordringer oppstår ved å integrere AI-drevne robotikk med eksisterende lagerstyrings- og ERP-systemer, og hvordan adresserer du dem?

Integreringsimplementeringstid er vanligvis sett på som den største utfordringen som kommer med å automatisere. Operatører må se på eksisterende teknologistacker og vurdere å flytte bort fra utdaterte legacy-systemer. Gitt at AI bruker store mengder data, vil de også ønske å se på deres eksisterende infrastruktur for å sikre at den kan tåle og støtte AI-modeller.

Avhengig av løsningene de velger, kan operatører ende opp i en situasjon der overgangen krever en stor tidsinvestering, da de kan trenge å migrere systemer og gjennomgå omfattende opplæring for sin arbeidsstyrke.

Locus Robotics har som mål å fjerne tiden som en utfordring for operatører. Våre AMR-er er designet for å integrere sammen med disse systemene, og hjelper kunder å unngå den dyre opprinnelige tidsinvesteringen som andre løsninger på markedet krever.

Hvor skalerbare er disse løsningene over forskjellige lager og geografier, og hvor mye tilpasning er vanligvis nødvendig?

Den enkle skalerbarheten er hva som gjør fleksibel automatisering så ideell for lagermiljøer. Tradisjonelle automatiseringssystemer krever betydelige opprinnelige kostnader og langvarig tidsinvestering.

Automatisering som utnytter et RaaS-modell, som Locus Robotics, tillater lager å deployere og sømløst justere størrelsen på deres flåte basert på etterspørsel. Det betyr at når etterspørsel ebber og floder, kan operatører skalerer sine operasjoner etter behov over sine lager.

Som en global leder i lagerautomatisering, er våre løsninger skalerbare over alle geografier for våre kunder. Våre dashboards tilbyr sanntidsinnsikt i nøkkel lager-ytelsesmetrikker – som enheter og plukk per time, samt arbeiderproduktivitet. Denne samlede visningen muliggjør at operatører enkelt kan skalerer løsninger over miljøer, og møter operasjonelle behov basert på spesifikke lagerkrav.

Med Locus Robotics-løsninger, er tilpasning lett å håndtere uten noen innsats fra kundene; ting er designet for å hjelpe hver enkelt kunde å skalerer basert på deres eget unike behov. 

Hvordan endrer disse teknologiene rollen til menneskelige arbeidere i lager, og hva slags oppskilling eller endringsledelse er nødvendig?

AMR-er definerer fullstendig om standard lagerstillinger for menneskelige arbeidere ved å skape tryggere arbeidsmiljøer og åpne opp nye muligheter for den menneskelige arbeidsstyrken.

Locus Robotics tilbyr en unikt intuitiv tilnærming til AMR-associate-interaksjon og gjør medarbeideropplæring/endringsledelse for å deployere og operere robotautomatisering en veldig lett oppgave for operatører. For eksempel, når du deployer LocusBots på stedet, kan opplæring muliggjøre at medarbeidere kan begynne å arbeide med robotene på 10 minutter eller mindre – det betyr at operatører og ansatte ikke trenger å bekymre seg for å bli hindret av stressende og tidskrevende og dyre opplæring.

AMR-er kan redusere byrden av fysisk arbeidsintensive oppgaver, minimere risikoen for skade og menneskelig arbeidertrøtthet. Ved å overta ansvar som løfting av tunge objekter og langdistanse-reise innenfor lageret, forbedrer AMR-er forholdene for menneskelige arbeidere ved å overta de oppgavene som krever hardest innsats. De kan også lettelse menneskelige arbeidere fra mer repetitive ansvar, som plukking, og gi en mulighet til å fokusere på mer komplekse oppgaver.

Introduksjon av AMR-er i lageret er en god mulighet til å forbedre rollene for menneskelige arbeidere. De som ønsker å automatisere, bør også fokusere på å identifisere oppskillingmulighetene dette bringer for deres menneskelige arbeidsstyrke for å utforske høyere ansvar og identifisere områder hvor helt nye roller kan introduseres, inkludert stillinger som arbeider direkte med robotene, som analytikere som overvåker robotprestasjonsdata.

Kan du dele hva slags AI-modeller og -tilnærminger som driver disse systemene, og om de opererer mer på kanten eller i skyen? 

At Locus Robotics, fokuserer våre AI-løsninger på tre trekk: fysisk (AI innbygget i lageret og designet for å tilpasse seg miljøet), pålitelig (AI i stand til å forklare sine beslutninger) og helhetlig (AI som orkestrerer lageret som et system i stedet for å kun drive en enkelt robot eller oppgave). For oss handler det om å bygge AI som virkelig forstår lageret og kan levere virkelige resultater for våre kunders miljøer.

Data er grunnlaget for alle modeller, og Locus’ dypt bransjeekspertise, kombinert med vår skattkiste av virkelige data – inkludert nesten 6 milliarder enheter plukket – tillater oss å bygge domenespesifikke modeller og utvikle systemer designet for å være lager-først.

At Locus Robotics, utnytter vi AI både på kanten og i skyen: våre AMR-er utnytter kant-AI for å oppnå hva fysisk og pålitelig AI krever, mens våre “lager-omfattende system for åndsrekorder til åndsaksjoner” -strategier og lagergrunnmodell arbeider med den skalerbare beregningskraften som skyen tilbyr.

Ser du fremover fem år, hva slags store fremskritt eller endringer forventer du i AI-drevne robotikk for logistikk og leverandørkjeder?

Den største endringen vi vil se, er at fysisk AI vil dominere. Ettersom bedrifter fortsetter å se på avkastningen på investeringene (ROI) de får fra sine AI-investeringer, vil operatører nøye vurdere resultater fra å automatisere.

Vi kan forvente at de som har plassert budsjetter bak å automatisere med løsninger som ikke er formålbygde, ikke vil se den ROI i sine lager som de håper på. Løsninger som ikke er drevet av fysisk AI, mangler den nødvendige forståelsen for å utmerke seg i disse miljøene. Dette vil fremme operatører til å prioritere å plassere budsjetter bak fysisk AI-løsninger, som kan optimalisere hver beslutning i sanntid og levere resultater de søker.

I tillegg til økningen i fysisk AI, vil vi også se robotikk i logistikk og leverandørkjeder flytte bort fra generiske/grunnmodeller til å fokusere på å utvikle domenespesifikke modeller. Ettersom operatører søker å øke sin ROI, vil løsninger som utnytter domenespesifikke modeller være en kritisk del av dette.

For AI å lykkes, vil vi se industrien få en bedre forståelse av hvorfor vi må investere i AI som drar nytte av og inkorporerer ekte domeneekspertise. Derfor vil vi fokusere på å plassere utvikling og ressurser bak AI designet for å trives i leverandørkjeder og logistikk-miljøer.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Locus Robotics.