Intervjuer
Oana Jinga, medgrundare, Chief Commercial and Product Officer på Dexory – Intervjuserie
Lägg till Unite.AI bland dina föredragna källor på Google
Oana Jinga, medgrundare, Chief Commercial and Product Officer på Dexory, är en erfaren ledare inom teknik och affärsutveckling med en bakgrund som spänner över robotik, detaljhandels‑teknik, strategiska partnerskap och produktutveckling. Hon medgrundade företaget som ursprungligen hette BotsAndUs år 2015 och var Chief Commercial Officer innan hon tog på sig sin nuvarande ledande roll på Dexory. Parallellt med att bygga företaget tillbringade Jinga mer än sex år på Google, där hon ledde detaljhandels‑partnerskap i Storbritannien och senare ansvarade för strategiska partnerskap inom detaljhandelssektorn i EMEA. Tidigare i sin karriär hade hon kommersiella, marknadsförings-, lojalitets‑ och affärsutvecklingsroller på O2 (Telefónica UK) samt positioner inom marknadsföring och PR. Hon har också varit UK Co‑Lead för Xoogler.co och stödjer ett community av Google‑alumner, grundare, investerare och startup‑operatörer.
Dexory är ett brittiskt robotik‑ och AI‑företag som fokuserar på att leverera realtidsintelligens till lager‑ och logistikverksamheter. Dess DexoryView‑plattform kombinerar autonoma robotar, datorseende, spatial AI, avancerad analys och digital tvilling‑teknik för kontinuerligt att fånga vad som händer inne i ett lager och jämföra den fysiska inventeringen med befintliga lagersystem. Dexory uppger att deras robotar kan skanna mer än 10 000 platser per timme och skapa en levande digital representation som hjälper operatörer att identifiera felplacerade eller skadade varor, övervaka utnyttjandet av utrymme, förbättra lagerprecisionen och avslöja operativa ineffektiviteter. Företaget positionerar sin teknik som ett intelligenslager för allt mer autonoma lager, med implementeringar i Europa, Asien och USA samt kunder som omfattar stora globala logistik‑ och industriföretag.
Du medgrundade BotsAndUs 2015 efter att ha byggt din karriär inom kommersiell utveckling och strategiska partnerskap på företag som O2 och Google. Vad observerade du och dina medgrundare i lagerverksamheter som övertygade er om att fokusera verksamheten på logistik och så småningom utveckla den till Dexory?
Vi såg att lager blev alltmer komplexa och automatiserade, men att många operatörer fortfarande saknade en exakt, realtidsbild av vad som fysiskt hände på lagergolvet. Inventeringskontroller var fortfarande mycket manuella, tidskrävande och ofta fristående från de system som fattade kritiska operativa beslut. Vi insåg att robotik kunde överbrygga detta gap genom att kontinuerligt samla in data från den fysiska världen och omvandla den till handlingsbar intelligens.
För en lageroperatör som överväger Dexory, kan du gå igenom ett typiskt införande, från att kartlägga anläggningen och schemalägga autonoma skanningar till att omvandla den insamlade datan till handlingsbara insikter via DexoryView?
Införandet är utformat för att vara snabbt och minimalt störande – vi talar om 2–5 dagar med 1–2 personer från vårt team som kartlägger platsen och bygger den digitala tvillingen så att våra autonoma robotar kan navigera i utrymmet och samla in data utan att kräva stora infrastrukturella förändringar. Robotarna börjar sedan köra schemalagda uppdrag med en omedelbar avkastning på investeringen, samlar in data över hela anläggningen, som bearbetas och visualiseras i DexoryView. Operatörer kan snabbt identifiera avvikelser, undersöka problem och fatta beslut baserade på en uppdaterad digital representation av deras lager.
Dexorys autonoma mobila robot kan skanna hela lagerhyllor på höjder upp till 18 metrar. Vilka ingenjörs-, sensor- och artificiell intelligens‑utmaningar var nödvändiga att lösa för att kunna operera exakt och säkert i den skalan?
Utmaningen är inte bara att nå 18 meter, utan att samla in exakt och konsekvent data medan roboten rör sig autonomt i en upptagen lagermiljö. Det kräver en kombination av robust mekanisk konstruktion med lokalisering, sensorer och datorseende som kan fungera pålitligt under olika ljusförhållanden, hyllkonfigurationer och inventarietyper. Säkerhet är grundläggande, så hela systemet är konstruerat för att operera förutsägbart bredvid människor och befintlig lagerutrustning.
Dexorys robotar har nu skannat mer än en miljard lagerplatser världen över. Hur förbättrar skalan och mångfalden i den verkliga datan plattformens datorseende, avvikelsedetektion och förutsägande förmågor?
Vi har faktiskt samlat den största datamängden av fysisk lagerdata, vilket ger oss en unik position att verkligen lära av den och bygga våra egna lagermodeller. Skala är viktigt eftersom varje lager har olika layouter, produkter, förpackningar och driftsförhållanden, vilket skapar ett otroligt diversifierat verkligt dataset. Den bredden hjälper oss kontinuerligt förbättra hur plattformen tolkar lagermiljöer, identifierar avvikelser och skiljer meningsfulla operativa problem från brus. Med tiden blir detta grunden för alltmer förutsägande intelligens, vilket hjälper kunder att förstå inte bara vad som händer, utan vad som sannolikt kommer att hända härnäst.
Lager förlitar sig ofta på lagerhanteringssystem, ERP‑plattformar och manuella inventarieförteckningar. Hur hanterar Dexory avvikelser mellan vad deras robotar fysiskt observerar och vad de befintliga systemen rapporterar?
Dexory ger en oberoende bild av den fysiska verkligheten och jämför den med vad befintliga lagersystem tror bör finnas där. Genom integration med system som WMS‑ och ERP‑plattformar kan DexoryView visa avvikelser mellan digitala register och det fysiska lagret så att team snabbt kan undersöka och åtgärda dem. Vi ersätter inte dessa kärnsystem utan ger dem en mycket mer exakt och tidsenlig källa till verklig intelligens samtidigt som vi samordnar dem.
Fysisk AI diskuteras ofta i samband med humanoida robotar, medan Dexory har utvecklat ett starkt specialiserat system för lagerintelligens. Varför är uppgiftsspecifika robotar för närvarande bättre lämpade för logistik, och var förväntar du dig de största framstegen inom fysisk AI under det kommande decenniet?
Inom logistik är pålitlighet, säkerhet och mätbar avkastning viktigare än att bygga en robot som kan göra allt, vilket är anledningen till att uppgiftsspecifika system är så kraftfulla idag. Specialbyggda robotar kan optimeras för en specifik miljö, vilket gör dem mer robusta mot kraven i verkliga lageroperationer och bättre kapabla att prestera konsekvent under förändrade förhållanden. De kan leverera värde i skala utan att lagren måste omdesigna sina processer kring tekniken. Under det kommande decenniet förväntar jag mig att fysisk AI blir allt mer autonom och adaptiv, där maskiner går från att utföra fördefinierade uppgifter till att förstå omgivningar och hjälpa till att bestämma bästa åtgärd.
Förutom att göra inventering snabbare, var ser kunder det största operativa värdet av realtidslagerintelligens, exempelvis genom utnyttjande av utrymme, påfyllning, säkerhet, efterlevnad eller försörjningskedjans motståndskraft?
Det största värdet kommer från att ge operatörer insyn som de helt enkelt inte kunde uppnå med periodiska manuella kontroller. Realtidslagerintelligens kan avslöja underutnyttjat utrymme, inventeringsavvikelser, påfyllningsproblem och operativa flaskhalsar mycket tidigare, vilket gör att team kan agera innan de blir kostsamma problem. I slutändan möjliggör det att lager blir mer effektiva och motståndskraftiga eftersom besluten baseras på vad som faktiskt händer på golvet.
Hur långt kan lagerintelligens utvecklas från att identifiera problem som felplacerad inventering, skadade varor eller osäkra lagringsförhållanden till att rekommendera eller autonomt initiera korrigerande åtgärder?
Vi ser att lagerintelligens utvecklas från insyn till rekommendation och så småningom mot alltmer autonomt beslutsfattande. Första steget är att förstå den fysiska miljön tillräckligt exakt för att identifiera ett problem, sedan lägga till kontext från andra system för att rekommendera den mest effektiva åtgärden. När förtroendet för dessa system ökar kommer det att finnas möjligheter att vissa åtgärder initieras automatiskt, samtidigt som människor behåller kontrollen över beslut med större påverkan.
När lager blir alltmer automatiserade, vilka roller kommer fortfarande vara unikt lämpade för människor, och hur bör företag förbereda anställda för att effektivt samarbeta med robotar, digitala tvillingar och AI‑drivna beslutsystem?
Automation bör avlägsna repetitiva, fysiskt krävande uppgifter och ge människor mer tid att fokusera på omdöme, problemlösning och hantering av undantag. De mest värdefulla rollerna kommer i allt högre grad att innebära tolkning av information, komplexa beslut och förbättring av hur verksamheten drivs snarare än manuell datainsamling. Företag måste därför investera i digital kompetens och hjälpa anställda att förstå hur AI och robotik kan användas som verktyg som förstärker deras expertis.
Du har förespråkat att göra robotik mer tillgänglig för kvinnligt talang. Vilka praktiska förändringar behövs för att locka fler kvinnor till sektorn?
Vi måste bredda både vägarna in i robotik och uppfattningen om hur en karriär i branschen ser ut. Sektorn omfattar nu ingenjörskonst, mjukvara, data‑vetenskap, produktdesign, drift, UX, kommersiell strategi, implementering och kundframgång, och denna bredd måste kommuniceras tydligare. Ökad synlighet för kvinnor och personer med olika bakgrunder genom fallstudier, talarmöjligheter och offentliga exempel kan hjälpa framtida talanger att se de många olika karriärvägar som finns, tillsammans med tidigare exponering och tydligare inträdesvägar till området. Att locka kvinnor är dock bara en del av utmaningen, eftersom företag också måste bygga inkluderande miljöer där kvinnor kan avancera till seniora och ledande roller, och säkerställa att fokus inte bara ligger på representation på inträdesnivå utan på att möjliggöra långsiktiga, hållbara karriärer i robotik.
Tack för den fantastiska intervjun, läsare som vill lära sig mer om detta robotikföretag bör besöka Dexory.
