لامپ، یک شرکت هوش مصنوعی مستقر در سانفرانسیسکو که در حال تعریف مجدد عملیات انبار است ، از 5.5 میلیون دلار بودجه بذر برای پیشبرد مأموریت خود در تعبیه مدل های زبان بینایی (VLMS) به طور مستقیم در محیط های انبار خبر داده است. دور ، به رهبری 1 سارپبا gtmfundبا 9 یاربا سرمایه گذاری های چینگونا ، و صندوق اوراق قرضه برای تسریع در توسعه پلت فرم اتوماسیون موجودی پیشگام Luminx.
در هسته خود ، Luminx در حال مقابله با یکی از پایدار ترین تنگناهای لجستیک است: عدم وجود دید در زمان واقعی و قابل اعتماد در موجودی. میلیارد ها سالانه از بین می روند بیش از حد ، کوتاه و آسیب دیده (سیستم عامل و D) ادعاها – که اغلب توسط فرآیندهای دستی منسوخ ، خطاهای اسکن بارکد و داده های تکه تکه شده رانده می شوند. Luminx قصد دارد این ناکارآمدی ها را با یک سیستم مبتنی بر AI-محور از بین ببرد که “می بیند” و دنیای انبار فیزیکی را در زمان واقعی درک می کند.
چه چیزی Luminx را از هم جدا می کند: مدل های زبان بینایی در لبه
بر خلاف سیستم های بینایی رایانه ای سنتی که نیاز به پردازش متمرکز و وابستگی به ابر دارند ، Luminx مستقر می شود مدل های بینایی زبان (VLMS) در دستگاه های لبه کم هزینه و ناهموار-سخت افزاری موبایل که می توانند بر روی لیفتراک ، اسکله ها یا به عنوان اسکنر دستی استفاده شوند.
اما دقیقاً مدل های زبان بینایی چیست و چرا آنها اهمیت دارند؟
مدلهای زبان بینایی یک کلاس ترکیبی از سیستم های یادگیری ماشین هستند که ادراک بینایی را فیوز می کنند (چشم انداز کامپیوتر) با درک زبان طبیعی (NLU)بشر این مدل ها می توانند صحنه های بصری را تفسیر کرده و در مورد آنها با استفاده از زبان توصیف یا استدلال کنند. به عنوان مثال ، یک VLM می تواند یک پالت کالا را تجزیه و تحلیل کند و نه تنها موارد و بارکدها “مورد سیب با بسته بندی پاره شده و برچسب گمشده ، احتمالاً غیرقابل اطمینان است.”
در مورد Luminx ، VLM به طور خاص برای محیط های انبار پر سر و صدا و در دنیای واقعی آموزش داده می شود-جایی که وسایل در پلاستیک پیچیده شده ، کج ، با سرعت و یا سوء استفاده می شوند. مدل های اختصاصی آنها می توانند محصولات ، شرایط و برچسب ها را در طیف گسترده ای از سناریوها شناسایی کرده و سپس آن یافته ها را به داده های ساختاری که مستقیماً در آن ادغام می شوند ، ترجمه کنند سیستم های مدیریت انبار (WMS)بشر
این تغییر از سیستم های بینایی منزوی به هوش چند مدلی-جایی که بینایی و زبان با هم کار می کنند-اتوماسیون بسیار پیشرفته تر و بینش عملیاتی را نسبت به آنچه که قبلاً ممکن بود انجام می دهد.
یک تیم رهبری اثبات شده
Luminx توسط مدیرعامل هدایت می شود الکس کاوه سنمار، که پیش از این وکسل را تأسیس کرده بود ، شرکتی با تمرکز بر ایمنی در محل کار AI ، و شربیت ، که در سال 2019 توسط HUMA به دست آمد. رکورد آهنگ Senemar در تجاری سازی محصولات AI در سراسر صنایع Luminx را بیش از یک نسخه ی نمایشی فناوری-این یک بستر آماده تجاری است.
پیوستن به وی CTO Reza (Mamrez) Javanmardi ، دکتری ، یک متخصص یادگیری ماشین که قبلاً در Voxel و یک جانباز تحقیقات چشم انداز رایانه بود. آنها با هم تیمی را با AI Deep AI ، Logistics و Engineering Microsoft ، Apple ، Intel ، Carnegie Mellon و Stanford جمع کرده اند.
تأثیر در دنیای واقعی
استقرارهای اولیه در حال حاضر پیشرفت های چشمگیری را نشان می دهند. ذخیره سازی سرد عمودی ، یکی از شرکای آزمایشی Luminx ، از دستاوردهای عمده کنترل کیفیت و بهره وری خبر داد. کوک رابرت باسکام ذکر شده ، “در کل حرفه من ، من هنوز با محصولی روبرو نشده ام که به طور مؤثر باعث افزایش کارآیی می شود و در عین حال باعث افزایش کیفیت و قابلیت اطمینان می شود.”
کت کالینز از 1 شارپ پایتخت ، یکی از سرمایه گذاران اصلی ، اضافه شده است. “مدل های بینایی که دارای لبه مستقر است ، دو سخت ترین تنگنا را در تدارکات می شکند-کمبود و نابینایی داده ها.”
چه چیزی برای luminx بعدی است
این بودجه از سه ابتکار اصلی پشتیبانی می کند:
- عمیق تر VLM R&D – ادامه پالایش مدلهای اختصاصی Luminx برای محیط های پیچیده انبار.
- استقرار لبه مقیاس -تقویت سازگاری پلاگین و بازی با سیستم های WMS ضمن بهبود عملکرد سخت افزار.
- شتاب رفتن به بازار – گسترش مشارکتهای تجاری ، به ویژه در مواد غذایی ، داروسازی ، خودرو و تدارکات بندری.
با ترکیب هوش مصنوعی چند مودال با محاسبات لبه، Luminx در حال تعریف مجدد آنچه در اتوماسیون انبار است. پلتفرم این شرکت فقط یک پوشش نیست-این یک لایه زیرساخت هوشمند است که هر سطح مجهز به دوربین را به یک گره هوشمند و پاسخگو در شبکه انبار تبدیل می کند.
چرا مهم است
از آنجا که زنجیره های عرضه همچنان در پیچیدگی تکامل می یابند ، ادغام محاسبات لبه ، بینایی رایانه و مدل های زبان بینایی نشان دهنده تغییر مهمی در نحوه مدیریت سیستم های لجستیک است. این فناوری ها ، هنگامی که به صورت کنسرت اعمال می شوند ، امکان جمع آوری ، تفسیر و اقدام به داده های بصری را در زمان واقعی فراهم می کنند – بدون اینکه به زیرساخت های متمرکز یا مداخله دستی متکی باشند.
رویکرد Luminx نشان دهنده روند وسیع تری در صنعت است: نزدیک کردن اطلاعات به نقطه کار. با ترکیب ادراک بصری با استدلال مبتنی بر زبان ، سیستم ها اکنون می توانند ناهنجاری ها را تشخیص دهند ، داده های محصول را تفسیر کنند و از تصمیم گیری دقیق تر در کجا و چه زمانی اهمیت دهند. این تغییر پتانسیل کاهش ناکارآمدی ، بهبود دقت داده ها و ایجاد فرآیندهای مات که قبلاً قابل اندازه گیری است ، دارد.
در حالی که تأثیر طولانی مدت این فناوری ها هنوز در حال آشکار شدن است ، لامپکار نشان می دهد که چگونه هوش مصنوعی کاربردی شروع به پرداختن به چالش های عملیاتی دیرینه در لجستیک از طریق یک لنز عملی و سطح سیستم می کند.
