Хамид Монтазери, старший вице-президент по программному обеспечению и искусственному интеллекту в Locus Robotics – Интервью

Как старший вице-президент по программному обеспечению и искусственному интеллекту в Locus Robotics, Хамид Монтазери имеет более 30 лет опыта руководства и масштабирования глобально распределенных команд. Он специализируется на модульной и масштабируемой архитектуре программного обеспечения и применении трансформирующих технологий, таких как облачные вычисления, IoT, большие данные и ИИ/МЛ. На протяжении своей карьеры Хамид поставлял дифференцированные решения и продукты для компаний, от стартапов до транснациональных корпораций, обеспечивая приложения в области автономной робототехники, интеллектуальной автоматизации складов и систем управления цепочками поставок, обслуживающих отрасли всего мира.

Locus Robotics проектирует и поставляет решения по автоматизации складов на основе ИИ, сочетая автономные мобильные роботы с интеллектуальным программным обеспечением. Их платформа, называемая LocusONE, оркестрирует флот роботов для выполнения задач, таких как выборка, размещение, транспортировка и операции на мезонине, увеличивая производительность в 2-3 раза, а также снижая затраты на труд. Система интегрируется без проблем в существующие складские среды и масштабируется гибко, позволяя операциям развертывать несколько роботов или тысячи без значительных нарушений.

Вы занимали руководящие должности в организациях, от CNN до Stanley Black & Decker, Dematic, KION Group и теперь Locus Robotics. Как это разнообразное путешествие сформировало ваше представление о том, где ИИ и робототехника могут оказать наибольшее влияние?

Занимая технические должности, которые тесно сотрудничают с ИИ и программным обеспечением более трех десятилетий, мое представление было сильно сформировано тем, как я стал свидетелем эволюции отрасли.

Когда я впервые начал работать, отрасль была на этапе, когда усилия по разработке программного обеспечения принимали переход от структурированного к объектно-ориентированному парадигме на языках программирования и от единого процесса монолита программного обеспечения к программным компонентам, которые могли работать на разных процессах операционной системы и использовать межпроцессное взаимодействие для достижения целей в распределенном режиме. Мы были на пороге значительного сдвига, удаляя программное обеспечение с конкретной машины и превращая его в распределенное, используя межпроцессное и/или сетевое взаимодействие. Со временем этот фокус сместился в другие области, стимулируя новые разработки от программирования базовых систем для использования возникающих сетевых и интернет-возможностей для увеличения масштабируемости систем, а также развертывания, хранения данных, что привело к окончательному развитию облачных вычислений.

Эти изменения были инструментальными для отрасли, поскольку они постепенно привнесли уровень вычислительной и хранилищной эластичности и представили новые возможности для ИИ и робототехники. Эти достижения продолжались, когда я продвигался по карьерной лестнице, и я получил возможность увидеть влияние, которое ИИ и робототехника могут оказать, особенно в отраслях управления цепочками поставок и логистики. Мы сейчас находимся на этапе, когда роботы обладают возможностью, в плане вычислений, хранения и ИИ, точно ориентироваться и работать в огромных высокоплотных средах, таких как склады, и оказывать значительное бизнес-влияние, включая снижение затрат, повышение пропускной способности, улучшение гибкости и повышение производительности труда.

Что означает “физический ИИ” в контексте автоматизации складов, и как он отличается от более традиционной робототехники или общих моделей ИИ?

Физический ИИ – это будущее логистики и автоматизации складов. Это основа, обеспечивающая автономную работу посредством комбинации реального времени восприятия, принятия решений и непрерывного обучения, позволяющая роботам мгновенно оптимизировать каждое решение.

С физическим ИИ роботы не просто оснащены интеллектом, который ограничивается только перемещением товаров в высоко структурированных и постоянно фиксированных конфигурациях. Они оснащены интеллектом, который выходит за рамки простого запоминания конкретной планировки склада и перемещения чего-либо из точки А в точку Б. Если что-то в их окружении меняется, они могут автоматически адаптироваться и изменить планирование, чтобы принять лучшие решения на основе текущих условий.

Робототехника, не использующая физический ИИ, будет все больше ограничиваться в своей применимости. Интересно, что даже применение современных общих фундаментальных моделей не очень эффективно в создании физического ИИ, который решает потребности конкретной области применения. Когда вы смотрите на автоматизацию складов, цель состоит в том, чтобы процессы были как можно более эффективными, и общие модели не могут по-настоящему обеспечить это. Реальность с общими моделями заключается в том, что они не предназначены для эффективного решения таких вопросов, как эффективная навигация и взаимодействие с сотрудниками в складских средах. Физический ИИ, оснащенный специально разработанной моделью основы склада, обеспечивает целевую подход, гарантируя, что роботы работают с максимальной эффективностью и способны автоматически адаптироваться и корректировать, чтобы достичь лучшего результата во все времена.

Как системы робототехники, управляемые ИИ, адаптируются к постоянно меняющимся средам, таким как новые SKU, сдвигающиеся планировки или внезапные скачки спроса?

Эти области – все, где физический ИИ, оснащенный базовой моделью области, отличается. Когда спрос скачет, планировки меняются или вводятся новые SKU, роботы, оснащенные физическим ИИ, способны без проблем ориентироваться в постоянных изменениях.

Это причина, по которой роботы, оснащенные физическим ИИ, оптимальны для логистики. Этот целевой подход может фактически идти в ногу с постоянным потоком изменений, с которыми сталкивается отрасль.

Почему вы считаете, что специфический для области ИИ более эффективен, чем преследование широких фундаментальных моделей, когда речь идет о цепочках поставок и логистике?

Специфический для области ИИ наиболее эффективен для управления цепочками поставок и логистики в целом, но особенно внутри автоматизации складов.

Когда речь идет об автоматизации складов, наличие моделей, специфичных для области, – это то, что в конечном итоге выводит автоматизацию на новый уровень. Общая фундаментальная модель не предназначена для решения проблем, с которыми сталкиваются складские среды – таких как безопасность и навигация по сложным планировкам, – что означает, что, когда эти проблемы возникают, операторы продолжат сталкиваться с бременем этих препятствий.

Напротив, модели, специфичные для области, оснащены необходимой отраслевой экспертизой, чтобы понять, как фактически решить эти проблемы. Использование моделей, специфичных для области, снимает давление с операторов и автоматически привлекает отраслевую экспертизу, чтобы предложить и применить решения к проблемам, когда они возникают.

Какие измеримые результаты вы видели от развертывания физического ИИ на складах, будь то в пропускной способности, снижении простоев или снижении количества ошибок?

В Locus Robotics наши решения, оснащенные целевым физическим ИИ, принесли значительные результаты на складах наших клиентов, включая:

• Улучшение точности заказов до 99%
• Снижение количества ошибок с 0,04% до 0,01%
• Снижение простоев, развертывая объекты всего за недели вместо месяцев
• Повышение пропускной способности, позволяющее клиентам удвоить или утроить свою операционную пропускную способность

Как вы подходите к безопасности, надежности и человеческому надзору при развертывании автономных систем в высокообъемных операциях?

Когда вы автоматизируете высокообъемные операции, такие как склады, подход к безопасности, надежности и человеческому надзору начинается с решений, которые вы выбираете.

Эти области являются критическими на этапе проектирования и подчеркивают, почему те, кто хочет автоматизировать, должны отдавать приоритет решениям, которые предназначены специально во время процесса принятия решений.

В Locus Robotics наши автономные мобильные роботы (AMR) предназначены для соответствия и превышения отраслевых стандартов безопасности. Наши LocusBots используют многосенсорные системы безопасности с камерами и системой обнаружения и измерения расстояния (LiDAR), которые помогают им избегать столкновений и препятствий, сохраняя безопасность складских операций и работников.

Надежность также является основой того, что мы делаем. Для операторов складов последовательно согласовывать скачки спроса является реальностью их бизнеса, но мы считаем, что это не должно быть болевым местом. В Locus Robotics наша модель “робототехника как услуга” (RaaS) позволяет операторам автоматизировать свои складские среды без первоначальных затрат или временных инвестиций, обычно необходимых для автоматизации. Вместо этого наши решения позволяют операторам автоматически масштабироваться вверх или вниз, чтобы удовлетворить текущий спрос, гарантируя, что они всегда оснащены для адаптации к скачкам, когда бы они ни возникли.

В высокообъемных операциях человеческий надзор всегда будет необходим, но ключ к успешной автоматизации заключается в использовании решений, способных взять на себя большие обязанности. Одним из ключевых отличий роботов Locus является сочетание методов дискретного событийного моделирования (DES) с подробными моделями автономности роботов, что позволяет операторам проектировать концепции операций и точно моделировать наиболее эффективное использование роботов в их среде, помогая оптимизировать время выбора и гарантировать, что заказы отправляются вовремя – два важных компонента для всех операторов.

Какие проблемы возникают при интеграции робототехники, управляемой ИИ, с существующими системами управления складами и ERP, и как вы решаете их?

Время реализации интеграции обычно рассматривается как самая большая проблема, которая возникает при автоматизации. Операторы будут должны изучить существующие технологические стэки и рассмотреть возможность отказа от устаревших систем наследия. Учитывая, что ИИ использует огромные объемы данных, они также захотят изучить свою существующую инфраструктуру, чтобы убедиться, что она способна выдержать и поддержать модели ИИ.

В зависимости от решений, которые они выбирают, операторы могут оказаться в ситуации, когда их переход требует значительных временных инвестиций, поскольку им может потребоваться перенести системы и пройти обширную подготовку для своей рабочей силы.

Locus Robotics стремится удалить время как проблему для операторов. Наши AMR предназначены для бесшовной интеграции с этими системами, помогая клиентам избежать дорогостоящего первоначального временного инвестиции, необходимого для перехода и обучения, который другие решения на рынке требуют.

Насколько масштабируемы эти решения в разных складах и географиях, и сколько настройки обычно требуется?

Легкая масштабируемость – это то, что делает гибкую автоматизацию идеальной для складских сред. Традиционные системы автоматизации требуют значительных первоначальных затрат и долгосрочных временных инвестиций.

Автоматизация, использующая модель “робототехника как услуга” (RaaS), как Locus Robotics, позволяет складам развертывать и бесшовно корректировать размер своего флота на основе спроса. Это означает, что, когда спрос колеблется, операторы могут масштабировать свои операции соответственно во всех своих складах.

Как глобальный лидер в области автоматизации складов, наши решения масштабируемы во всех географиях для наших клиентов. Наши панели управления предлагают данные в реальном времени о ключевых показателях производительности склада – таких как единицы и выборки в час, а также производительность работников. Этот унифицированный обзор позволяет операторам легко масштабировать решения в разных средах, удовлетворяя операционные потребности на основе конкретных требований склада.

С решениями Locus Robotics настройка легко обеспечивается без каких-либо усилий со стороны клиентов; все предназначено для того, чтобы помочь каждому клиенту масштабироваться на основе своих уникальных потребностей.

Как эти технологии меняют роль человеческих работников на складах, и какой вид повышения квалификации или изменений в управлении необходим?

AMR полностью переопределяют стандартные складские позиции для человеческих работников, создавая более безопасные рабочие среды и открывая новые возможности для человеческой рабочей силы.

Locus Robotics предоставляет уникально интуитивный подход к взаимодействию между AMR и сотрудниками и делает обучение и управление изменениями для развертывания и эксплуатации роботизированной автоматизации очень простым для операторов. Например, когда мы развертываем LocusBots на объекте, обучение может позволить сотрудникам начать работать с роботами всего за 10 минут или меньше – что означает, что операторы и сотрудники не должны беспокоиться о том, что их сдерживают стрессовые и длительные обучения.

AMR могут снизить бремя физически тяжелых задач, минимизируя риск травм и усталости человеческих работников. Принимая на себя ответственность за задачи, такие как подъем тяжелых объектов и длинные расстояния внутри склада, AMR улучшают условия для человеческих работников, беря на себя основную часть задач, которые требуют интенсивных усилий. Они также могут облегчить человеческим работникам более повторяющиеся задачи, такие как выборка, предоставляя возможность сосредоточиться на более сложных задачах.

Введение AMR на склад является отличной возможностью для улучшения ролей человеческих работников. Те, кто хочет автоматизировать, также должны сосредоточиться на выявлении возможностей для повышения квалификации, которые это приносит для их человеческой рабочей силы, чтобы исследовать более высокие обязанности и выявить области, где могут быть введены совершенно новые роли, включая позиции, которые работают напрямую с роботами, такие как аналитики, которые контролируют производительность роботов.

Можете ли вы поделиться, какие виды моделей и подходов ИИ обеспечивают эти системы, и работают ли они больше на краю или в облаке?

В Locus Robotics наши решения ИИ фокусируются на трех характеристиках: физических (ИИ, встроенный в склад и предназначенный для адаптации к его окружению), заслуживающих доверия (ИИ, способный объяснить свои решения) и целостных (ИИ, оркестрирующий склад как систему, а не просто обеспечивающий силу для одного робота или задачи). Для нас это о том, чтобы строить ИИ, который действительно понимает склад и может доставить реальные результаты для сред наших клиентов.

Данные являются основой любой модели, и глубокая отраслевая экспертиза Locus, в сочетании с нашим огромным количеством реальных данных – включая почти 6 миллиардов единиц, выбранных – позволяет нам строить модели, специфичные для области, и разрабатывать системы, предназначенные для склада.

В Locus Robotics мы используем ИИ как на краю, так и в облаке: наши AMR используют ИИ на краю для выполнения того, что требует физический и заслуживающий доверия ИИ, в то время как наши стратегии “системы записей в систему действий” и модель основы склада полагаются на масштабируемую вычислительную мощность, обеспечиваемую облаком.

Оглядываясь вперед на пять лет, какие основные достижения или сдвиги вы ожидаете в робототехнике, управляемой ИИ, для логистики и цепочек поставок?

Самый большой сдвиг, который мы увидим, заключается в том, что физический ИИ будет доминировать. Когда бизнес продолжит изучать возврат инвестиций (ROI), который они получают от своих инвестиций в ИИ, операторы внимательно оценят результаты, которые они видят от автоматизации.

Мы можем ожидать, что те, кто инвестировал бюджет в автоматизацию с помощью решений, которые не предназначены специально, не увидят ROI на своих складах, на который они надеются. Решения, не оснащенные физическим ИИ, лишены необходимого понимания, чтобы преуспеть в этих средах. Это побудит операторов отдавать приоритет инвестированию бюджета в решения физического ИИ, которые могут оптимизировать каждое решение в реальном времени и доставить результаты, которые они ищут.

Вместе с ростом физического ИИ мы также увидим, что робототехника в логистике и цепочках поставок перейдет от общих фундаментальных моделей к фокусу на разработке моделей, специфичных для области. Как упоминалось, операторы будут искать способы увеличения своего ROI, и решения, которые используют модели, специфичные для области, являются важной частью этого.

Для успеха ИИ мы увидим, что отрасль получит лучшее понимание того, почему мы должны инвестировать в ИИ, который пользуется и включает в себя настоящую экспертизу области. Следовательно, мы сосредоточимся на инвестировании разработки и ресурсов в ИИ, предназначенный для процветания в средах цепочки поставок и логистики.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Locus Robotics.