Hamid Montazeri, SVP för programvara och AI på Locus Robotics – Intervju-serie

Som Senior Vice President (SVP) för programvara och artificiell intelligens på Locus Robotics, har Hamid Montazeri över 30 års erfarenhet av att leda och skala globalt distribuerade team. Han specialiserar sig på modulär och skalbar programvaruarkitektur och tillämpningen av transformerande teknologier som moln, IoT, stora data och AI/ML. Under sin karriär har Hamid levererat differentierade lösningar och produkter för företag som sträcker sig från startup till multinationella företag, som driver applikationer inom autonoma robotar, intelligenta lagerautomatisering och supply chain-system som servar industrier över hela världen.

Locus Robotics designar och levererar AI-drivna lagerautomatiseringslösningar genom att kombinera autonoma mobila robotar med intelligent programvara. Deras plattform, som kallas LocusONE, orkestrerar flottor av robotar för att hantera uppgifter som plockning, placering, transport och mezzaninoperationer – vilket ökar produktiviteten med två till tre gånger samtidigt som det minskar arbetskostnaderna. Systemet integreras sömlöst i befintliga lagermiljöer och skalar flexibelt, vilket möjliggör för operationer att distribuera ett fåtal robotar eller tusentals utan större störningar.

Du har haft ledande roller i organisationer som sträcker sig från CNN till Stanley Black & Decker (SWK ), Dematic, KION Group och nu Locus Robotics. Hur har den här mångfaldiga resan format din syn på var AI och robotik kan leverera den största påverkan?

Genom att ha tekniska roller som arbetar nära AI och programvara i över tre decennier, har min syn påverkats kraftigt av hur jag har sett branschen utvecklas.

När jag först började, var branschen i en tid då programvaruutvecklingsinsatserna accepterade övergången från strukturerad till objektorienterad paradigm på programmeringsspråkssidan och från en enskild processmonolitisk programvara till programvarukomponenter som kunde köras på olika operativsystemprocesser och utnyttja interprocesskommunikation för att uppnå mål på ett distribuerat sätt. Vi var på gränsen till en stor förändring, som flyttade programvara från att köras på en viss maskin till att bli distribuerad med hjälp av interprocess- och/eller nätverkskommunikationsteknologier. Över tiden skiftade fokus till olika områden, som drev nya utvecklingar från programmering av underliggande system för att utnyttja framväxande nätverks- och internetfunktioner för att öka systemens skalbarhet, samt distribution, datalagring, vilket ledde till slutlig molntutveckling.

Dessa förändringar var avgörande för branschen, eftersom de successivt förde med sig en viss grad av beräknings- och lagringselasticitet, och introducerade nya möjligheter för AI och robotik. Dessa framsteg fortsatte när jag avancerade i min karriär, och jag fick en första titt på den påverkan som AI och robotik kan ha, särskilt inom supply chain- och logistikbranschen. Vi är nu på en punkt där robotar besitter förmågan, i termer av beräkning, lagring och AI, att exakt navigera och operera i stora högdensitetsmiljöer, med komplexa geometrier, såsom lager, och leverera stora affärspåverkningar, inklusive minskade kostnader, förbättrad genomströmning, förbättrad flexibilitet och förbättrad arbetsprestanda.

Vad betyder “fysisk AI” i sammanhanget med lagerautomatisering, och hur skiljer det sig från mer traditionell robotik eller generiska AI-modeller?

Fysisk AI är framtiden för logistik och lagerautomatisering. Det är ryggraden som driver autonoma operationer genom en kombination av realtidsperception, beslutsfattande och kontinuerligt lärande, vilket tillåter robotar att omedelbart optimera varje beslut.

Med fysisk AI är robotarna inte bara utrustade för att flytta varor i högt strukturerade och permanenta konfigurationsmiljöer. De är utrustade med intelligens som går utöver att bara komma ihåg en specifik lagerlayout och hämta något från punkt A till punkt B. Om saker i deras miljö förändras, kan de automatiskt anpassa sig och omplanera för att fatta de bästa besluten baserat på aktuella förhållanden.

Robotik som inte utnyttjar fysisk AI kommer att bli alltmer begränsad i sin tillämpbarhet. Intressant nog är även tillämpningen av moderna allmänna grundmodeller inte särskilt effektiv för att skapa den typ av fysisk AI som tillgodoser applikationsdomänens behov. När man tittar på lagerautomatisering, är målet att ha processer som är så effektiva som möjligt, och generiska modeller kan inte verkligen leverera detta. Verkligheten med generiska modeller är att de inte är utformade för att effektivt hantera domänspecifika problem som effektiv navigering och interaktion med medarbetare i lagermiljöer. Fysisk AI, utrustad med en särskilt utvecklad lagergrundmodell, erbjuder en ändamålsenlig approach som säkerställer att robotarna utför så effektivt som möjligt med förmågan att automatiskt anpassa sig och justera för att leverera det bästa resultatet vid alla tillfällen.

Hur anpassar sig AI-drivna robotiksystem till ständigt föränderliga miljöer, såsom nya artiklar, skiftande layouter eller plötsliga ökningar av efterfrågan?

Detta är områden där fysisk AI, utrustad med en underliggande domänspecifik modell, excellerar. När efterfrågan ökar, layouter förändras eller nya artiklar introduceras, är robotar som drivs av fysisk AI utrustade för att sömlöst navigera ständiga förändringar.

Detta är varför robotar som drivs av fysisk AI är optimala för logistik. Denna ändamålsenliga approach kan faktiskt hålla jämna steg med den ständiga fluktuationen som branschen vanligtvis möter.

Varför tror du att domänspecifik AI är mer effektiv än att jaga breda grundmodeller när det gäller supply chain och logistik?

Domänspecifik AI är mest effektiv för supply chain och logistik i allmänhet, men särskilt inom lagerautomatisering.

När det gäller lagerautomatisering är det att ha domänspecifika modeller som är vad som slutligen tar automatiseringen till nästa nivå. En allmän grundmodell är inte utformad för att hantera de utmaningar som lagermiljöer vanligtvis möter – som säkerhet och navigering i komplexa layouter – vilket innebär att operatörerna kommer att fortsätta att möta bördan av dessa hinder.

I kontrast är domänspecifika modeller utrustade med den nödvändiga branschkompetensen för att förstå hur man faktiskt löser dessa utmaningar. Att utnyttja domänspecifika modeller lyfter trycket från operatörerna och drar automatiskt till sig domänkompetens för att erbjuda och tillämpa lösningar på utmaningar när de uppstår.

Vilka mätbara resultat har du sett från att distribuera fysisk AI i lager, antingen i form av ökad genomströmning, minskad nedtid eller minskade felrater? 

På Locus Robotics har våra lösningar som drivs av ändamålsenlig fysisk AI levererat betydande resultat över våra kunders lager, inklusive:

• Ökad beställningsnoggrannhet till 99%
• Minskat felrater 04% till 0,01%
• Minskat nedtid genom att ta platser i drift på bara veckor istället för månader
• Ökad genomströmning som tillåter kunder att dubbla eller tredubbla sin operativa genomströmning

Hur närmar du dig säkerhet, tillförlitlighet och mänsklig övervakning när du distribuerar autonoma system i högvolymoperationer?

När man automatiserar högvolymoperationer som lager, börjar man med säkerhet, tillförlitlighet och mänsklig övervakning med de lösningar man väljer.

Detta är kritiska områden inom designprocessen och understryker varför de som vill automatisera bör prioritera lösningar som är ändamålsenliga under beslutsprocessen.

På Locus Robotics är våra autonoma mobila robotar (AMR) utformade för att uppfylla och överträffa branschens säkerhetsstandarder. Våra LocusBots använder multisensorsäkerhetssystem med kameror och ljusdetektering och -räkning (LiDAR) som hjälper dem att undvika kollisioner och hinder, vilket håller lageroperationer och arbetare säkra.

Tillförlitlighet är också kärnan i vad vi gör. För lageroperatörer är det en realitet att förhandla om efterfrågeökningar, men vi tror att detta inte behöver vara en smärtfaktor. På Locus Robotics tillåter vår robot-tjänst-modell (RaaS) operatörer att automatisera sina lagermiljöer utan den initiala kostnaden eller tidsinvesteringen som automatisering vanligtvis kräver. Istället möjliggör våra lösningar för operatörer att automatiskt skala upp eller ned för att möta aktuella efterfrågan, vilket säkerställer att de alltid är utrustade för att anpassa sig till ökningar när de uppstår.

I högvolymoperationer kommer mänsklig övervakning alltid att krävas, men nyckeln till framgångsrik automatisering är att utnyttja lösningar som kan ta på sig större ansvar. En viktig differentiering av Locus AMR är vår kombination av diskret händelse-simulerings-tekniker (DES) med detaljerade robotautonomimodeller, vilket tillåter operatörer att utforma koncept för operationer och simulera den mest effektiva användningen av botar inom sina miljöer, vilket hjälper till att strömlinjeforma plocktid och säkerställa att beställningar skickas i tid – två kritiska komponenter för alla operatörer.

Vilka utmaningar uppstår när man integrerar AI-drivna robotik med befintliga lagersystem och ERP-system, och hur hanterar du dem?

Implementeringstiden för integrationen ses vanligtvis som den största utmaningen som kommer med automatisering. Operatörer måste undersöka sina befintliga tekniska stackar och överväga att flytta bort från föråldrade legacy-system. Med tanke på att AI använder stora mängder data, vill de också undersöka sin befintliga infrastruktur för att säkerställa att den kan motstå och stödja AI-modeller.

Beroende på de lösningar de väljer, kan operatörer hamna i en situation där deras övergång kräver en stor tidsåtagande, eftersom de kan behöva migrera system och genomgå omfattande utbildning för sin arbetsstyrka.

Locus Robotics syftar till att ta bort tiden som en utmaning för operatörer. Våra AMR är utformade för att integreras sömlöst med dessa system, vilket hjälper kunder att undvika den dyra initiala tidsinvesteringen som krävs för övergång och utbildning med andra lösningar på marknaden.

Hur skalbara är dessa lösningar över olika lager och geografier, och hur mycket anpassning krävs vanligtvis?

Den enkla skalbarheten är vad som gör flexibel automatisering så idealisk för lagermiljöer. Traditionella automatiseringssystem kräver betydande initiala kostnader och långsiktiga tidsåtaganden.

Automatisering som använder en RaaS-modell, som Locus Robotics, tillåter lager att distribuera och anpassa sin flottstorlek baserat på efterfrågan. Det betyder att när efterfrågan sjunker och stiger, kan operatörer skala sin verksamhet enligt.

Som en global ledare inom lagerautomatisering är våra lösningar skalbara över alla geografier för våra kunder. Våra instrumentpaneler erbjuder realtidsinsikter i viktiga lagerprestandamätningar – som enheter och plock per timme samt arbetarproduktivitet. Denna enhetliga syn ger operatörer möjlighet att enkelt skala lösningar över miljöer, för att möta operativa behov baserat på specifika lagerkrav.

Med Locus Robotics-lösningar är anpassning enkelt tillgodosedd utan någon ansträngning från kunderna; saker är utformade för att hjälpa varje enskild kund att skala baserat på deras unika behov. 

Hur förändrar dessa teknologier rollen för mänskliga arbetare i lager, och vilken typ av kompetensutveckling eller förändringshantering krävs?

AMR definierar om standardlagerpositioner för mänskliga arbetare genom att skapa säkrare arbetsmiljöer och öppna upp nya möjligheter för den mänskliga arbetsstyrkan.

Locus Robotics erbjuder en unikt intuitiv approach till AMR-associate-interaktion och gör det enkelt för operatörer att utbilda och driva robotikautomatisering. Till exempel, när man distribuerar LocusBots på plats, kan utbildning göra det möjligt för medarbetare att börja arbeta med robotarna på 10 minuter eller mindre – vilket betyder att operatörer och anställda inte behöver oroa sig för att bli hindrade av stressiga och tidskrävande och dyra utbildningar.

AMR kan minska bördan av fysiskt arbetskrävande uppgifter, minimera risken för skada och mänsklig trötthet. Genom att ta över ansvar som lyft av tunga föremål och långväga resor inom lagret, förbättrar AMR förhållandena för mänskliga arbetare genom att ta på sig det mesta av uppgifterna som kräver ansträngande ansträngning. De kan också lindra mänskliga arbetare från mer repetitiva ansvar, som plockning, och ge möjlighet att fokusera på mer komplexa uppgifter.

Att införa AMR i lagret är en stor möjlighet att förbättra roller för mänskliga arbetare. De som vill automatisera bör också fokusera på att identifiera kompetensutvecklingsmöjligheter som detta medför för deras mänskliga arbetsstyrka, för att utforska högre ansvar och identifiera områden där helt nya roller kan införas, inklusive positioner som arbetar direkt med botarna, som analytiker som övervakar botprestandadata.

Kan du dela vilka typer av AI-modeller och tillvägagångssätt som driver dessa system, och om de opererar mer på kanten eller i molnet? 

På Locus Robotics fokuserar våra AI-lösningar på tre egenskaper: fysisk (AI inbäddad i lagret och utformad för att anpassa sig till dess miljö), tillförlitlig (AI som kan förklara sina beslut) och holistisk (AI som orkestrerar lagret som ett system, snarare än att bara driva en enskild bot eller uppgift). För oss handlar det om att bygga AI som verkligen förstår lagret och kan leverera verkliga resultat för våra kunders miljöer.

Data är grunden för alla modeller, och Locus djupa branschkompetens, kombinerat med vår skattkista av realvärldens data – inklusive nästan 6 miljarder enheter plockade – gör det möjligt för oss att bygga domänspecifika modeller och utveckla system som är utformade för att vara lager-först.

På Locus Robotics använder vi AI både på kanten och i molnet: våra AMR använder kant-AI för att uppnå vad fysisk och tillförlitlig AI kräver, medan vår “lager-brett system för register till system för åtgärder”-strategi och lager-grundmodell arbetar med den skalbara beräkningskraft som molnet erbjuder.

Om fem år, vilka stora framsteg eller förändringar förväntar du dig inom AI-driven robotik för logistik och supply chain?

Den största förändringen vi kommer att se är att fysisk AI kommer att dominera. När företag fortsätter att undersöka avkastningen på investeringen (ROI) de får från sina AI-investeringar, kommer operatörer att noggrant bedöma resultaten de ser från automatisering.

Vi kan förvänta oss att de som har lagt budget bakom automatisering med lösningar som inte är ändamålsenliga inte kommer att se den ROI i sina lager som de hoppas på. Lösningar som inte drivs av fysisk AI saknar den nödvändiga förståelsen för att excellera i dessa miljöer. Detta kommer att sporra operatörer att prioritera att lägga budget bakom fysisk AI-lösningar, som kan optimera varje beslut i realtid och leverera de resultat de söker.

I takt med att fysisk AI ökar, kommer vi också att se att robotik inom logistik och supply chain flyttar bort från generiska/generella grundmodeller och fokuserar på att utveckla domänspecifika modeller. Som nämnts tidigare, kommer operatörer att söka sätt att öka sin ROI, och lösningar som utnyttjar domänspecifika modeller är en kritisk del av detta.

För att AI ska lyckas, kommer vi att se att branschen får en bättre förståelse för varför vi måste investera i AI som dra nytta av och inkorporera äkta domänkompetens. Enligt detta, kommer vi att fokusera på att lägga utveckling och resurser bakom AI som är utformad för att trivas inom supply chain- och logistikmiljöer.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Locus Robotics.