Intervjuer
Oana Jinga, medgründer og Chief Commercial and Product Officer i Dexory – Intervjuserie
Legg til Unite.AI blant dine foretrukne kilder på Google
Oana Jinga, medgründer og Chief Commercial and Product Officer i Dexory, er en erfaren leder innen teknologi og kommersielle områder med bakgrunn fra robotikk, detaljhandelsteknologi, strategiske partnerskap og produktutvikling. Hun var med på å grunnlegge selskapet som opprinnelig het BotsAndUs i 2015, og fungerte som Chief Commercial Officer før hun påtok seg sin nåværende lederrolle i Dexory. Ved siden av å bygge selskapet tilbrakte Jinga mer enn seks år i Google, hvor hun ledet detaljhandels‑partnerskap i Storbritannia og senere hadde ansvar for strategiske partnerskap på tvers av detaljhandelssektoren i EMEA. Tidligere i karrieren hadde hun kommersielle, markeds‑, lojalitets‑ og forretningsutviklingsroller i O2 (Telefónica UK), samt stillinger innen markedsføring og PR. Hun har også vært med‑leder for Xoogler.co i Storbritannia, og støttet et fellesskap av Google‑alumni, gründere, investorer og oppstartsoperatører.
Dexory er et britisk robotikk‑ og AI‑selskap som fokuserer på å bringe sanntidsintelligens til lager‑ og logistikkoperasjoner. Plattformen DexoryView kombinerer autonome roboter, datamaskinsyn, romlig AI, avansert analyse og digital tvilling‑teknologi for kontinuerlig å fange hva som skjer inne i et lager og sammenligne fysisk lagerbeholdning med eksisterende lagersystemer. Dexory hevder at robotene kan skanne mer enn 10 000 lokasjoner per time, og skaper en levende digital representasjon som hjelper operatører med å identifisere feilplassert eller skadet lager, overvåke romutnyttelse, forbedre lagerpresisjon og avdekke driftsineffektivitet. Selskapet posisjonerer teknologien som et intelligenslag for stadig mer autonome lager, med implementeringer i Europa, Asia og USA, og kunder som inkluderer store globale logistikk‑ og industribedrifter.
Du medgründet BotsAndUs i 2015 etter å ha bygget din karriere innen kommersiell utvikling og strategiske partnerskap i selskaper som O2 og Google. Hva observerte du og dine medgründere i lagerdriften som overbeviste dere om å fokusere virksomheten på logistikk og til slutt utvikle den til Dexory?
Vi så at lagerne ble stadig mer komplekse og automatiserte, men mange operatører manglet fortsatt en nøyaktig, sanntidsoversikt over hva som fysisk foregikk på lagergulvet. Lagerkontroller var fortsatt svært manuelle, tidkrevende og ofte frakoblet fra systemene som tok kritiske driftsbeslutninger. Vi innså at robotikk kunne bygge bro over dette gapet ved kontinuerlig å samle inn data fra den fysiske verden og omdanne dem til handlingsrettet intelligens.
For en lageroperatør som vurderer Dexory, kan du gå gjennom et typisk implementeringsforløp, fra kartlegging av anlegget og planlegging av autonome skanninger til å omdanne de innsamlede dataene til handlingsrettede innsikter via DexoryView?
Implementeringen er laget for å være rask og minimalt forstyrrende – vi snakker om 2–5 dager med 1–2 av vårt team som kartlegger stedet og bygger den digitale tvillingen, slik at våre autonome roboter kan navigere i området og samle inn data uten store infrastrukturendringer. Deretter starter robotene planlagte oppdrag med umiddelbar avkastning på investeringen, samler inn data fra hele anlegget som behandles og visualiseres i DexoryView. Operatører kan raskt identifisere avvik, undersøke problemer og ta beslutninger basert på en oppdatert digital representasjon av lageret.
Dexorys autonome mobile robot kan skanne lagerreoler i full høyde opptil 18 meter. Hvilke ingeniør-, sensor‑ og kunstig intelligens‑utfordringer måtte løses for å operere nøyaktig og trygt i den skalaen?
Utfordringen er ikke bare å nå 18 meter, men å fange nøyaktige og konsistente data mens roboten beveger seg autonomt gjennom et travelt lager. Dette krever en kombinasjon av robust maskinteknikk med lokalisering, sensorer og datamaskinsyn som kan fungere pålitelig under ulike lysforhold, reoloppsett og lagertyper. Sikkerhet er grunnleggende, så hele systemet er konstruert for å operere forutsigbart sammen med mennesker og eksisterende lagerutstyr.
Dexorys roboter har nå skannet mer enn én milliard lagerlokasjoner verden over. Hvordan forbedrer skalaen og mangfoldet i dette virkelige datasettet plattformens datamaskinsyn, avviksdeteksjon og prediktive evner?
Vi har faktisk samlet det største datasettet av fysisk lagerdata, noe som gir oss en svært unik posisjon til å lære av det og bygge våre egne lagermodeller. Skala er viktig fordi hvert lager introduserer ulike oppsett, produkter, emballasje og driftsforhold, noe som skaper et utrolig variert virkelighetsdatasett. Denne bredden hjelper oss kontinuerlig med å forbedre hvordan plattformen tolker lageromgivelser, identifiserer avvik og skiller meningsfulle driftsproblemer fra støy. Over tid danner dette grunnlaget for stadig mer prediktiv intelligens, som hjelper kundene å forstå ikke bare hva som skjer, men hva som sannsynligvis vil skje neste.
Lagre er ofte avhengige av lagerstyringssystemer, ERP‑plattformer og manuelle lagerregistre. Hvordan avstemmer Dexory avvik mellom det robotene fysisk observerer og det eksisterende systemene rapporterer?
Dexory gir en uavhengig oversikt over den fysiske virkeligheten og sammenligner den med hva eksisterende lagersystemer mener skal være der. Ved å integrere med systemer som WMS‑ og ERP‑plattformer, kan DexoryView avdekke avvik mellom digitale registre og det fysiske lageret, slik at team raskt kan undersøke og løse dem. Vi erstatter ikke disse kjernesystemene, men gir dem en langt mer nøyaktig og tidsriktig kilde til virkelighetsintelligens samtidig som vi koordinerer dem.
Fysisk AI blir ofte diskutert i sammenheng med humanoide roboter, mens Dexory har utviklet et høyt spesialisert system for lagerintelligens. Hvorfor er oppgavespesifikke roboter i dag bedre egnet for logistikk, og hvor forventer du de største fremskrittene innen fysisk AI i løpet av det neste tiåret?
Innen logistikk er pålitelighet, sikkerhet og målbar avkastning viktigere enn å bygge en robot som kan gjøre alt, og derfor er oppgavespesifikke systemer så kraftige i dag. Formålsbygde roboter kan optimaliseres for et bestemt miljø, noe som gjør dem mer robuste mot kravene i virkelige lageroperasjoner og bedre i stand til å levere konsistent ytelse under skiftende forhold. De kan skape verdi i stor skala uten at lageret må redesigne driften rundt teknologien. I løpet av det neste tiåret forventer jeg at fysisk AI blir stadig mer autonom og tilpasningsdyktig, med maskiner som går fra å utføre forhåndsdefinerte oppgaver til å forstå omgivelser og bidra til å bestemme den beste handlingen.
Utover å gjøre lageropptelling raskere, hvor ser kundene den største operative verdien fra sanntids lagerintelligens, enten gjennom romutnyttelse, påfylling, sikkerhet, etterlevelse eller forsyningskjedenes robusthet?
Den største verdien kommer fra å gi operatører en synlighet de simpelthen ikke kunne oppnå gjennom periodiske manuelle kontroller. Sanntids lagerintelligens kan avdekke underutnyttet plass, lageravvik, påfyllingsproblemer og driftsflaskehalser mye tidligere, slik at team kan handle før de blir kostbare problemer. Til syvende og sist gjør dette lageret mer effektivt og robust fordi beslutninger baseres på det som faktisk skjer på gulvet.
Hvor langt kan lagerintelligens utvikles fra å identifisere problemer som feilplassert lager, skadet vare eller usikre lagringsforhold til å anbefale eller autonomt iverksette korrigerende tiltak?
Vi ser at lagerintelligens utvikler seg fra synlighet, til anbefaling, og til slutt mot stadig mer autonom beslutningstaking. Første steg er å forstå det fysiske miljøet nøyaktig nok til å identifisere et problem, deretter legge til kontekst fra andre systemer for å anbefale den mest effektive responsen. Etter hvert som tilliten til disse systemene øker, vil det bli muligheter for at enkelte handlinger kan settes i gang automatisk, samtidig som mennesker beholder kontrollen over beslutninger med høyere påvirkning.
Etter hvert som lager blir stadig mer automatiserte, hvilke roller vil fortsatt være unikt egnet for mennesker, og hvordan bør selskaper forberede ansatte på å jobbe effektivt sammen med roboter, digitale tvillinger og AI‑drevne beslutningssystemer?
Automatisering bør fjerne repeterende, fysisk krevende oppgaver og gi folk mer tid til å fokusere på vurdering, problemløsning og håndtering av unntak. De mest verdifulle rollene vil i økende grad innebære tolkning av informasjon, komplekse beslutninger og forbedring av driftsprosesser fremfor manuell datainnsamling. Selskaper må derfor investere i digitale ferdigheter og hjelpe ansatte med å forstå hvordan AI og robotikk kan brukes som verktøy som forsterker deres kompetanse.
Du har tatt til orde for å gjøre robotikk mer tilgjengelig for kvinnelig talent. Hvilke praktiske endringer er nødvendige for å tiltrekke flere kvinner til sektoren?
Vi må utvide både veiene inn i robotikk og oppfatningen av hvordan en karriere i bransjen ser ut. Sektoren omfatter nå ingeniørfag, programvare, datavitenskap, produktdesign, drift, UX, kommersiell strategi, implementering og kundesuksess, og denne bredden må kommuniseres tydeligere. Økt synlighet for kvinner og personer med ulik bakgrunn gjennom case‑studier, taler‑muligheter og offentlige eksempler kan hjelpe fremtidig talent med å se de mange ulike karriereveiene som finnes, i tillegg til tidlig eksponering og klarere inngangsveier til feltet. Å tiltrekke kvinner er imidlertid bare en del av utfordringen; selskaper må også bygge inkluderende miljøer hvor kvinner kan avansere til senior‑ og lederroller, og sikre at fokuset ikke bare er på representasjon på inngangsnivå, men på å legge til rette for langsiktige, bærekraftige karrierer i robotikk.
Takk for det flotte intervjuet; lesere som ønsker å lære mer om dette robotikk‑selskapet bør besøke Dexory.
