Η χρηματοδότηση της ρομποτικής έχει σε γενικές γραμμές χαλαρώσει από τις κορυφές της το 2021-2022, αλλά πολλά από τα ζητήματα που εκτέθηκαν από την πανδημία παραμένουν σταθερά. Η μεγαλύτερη ώθηση πίσ
ω
από τη χρηματοδότηση επιχειρηματικών συμμετοχών στην κατηγορία είναι η συνεχιζόμενη έλλειψη εργατικού δυναμικού. Αναλυτής Garner
προβλέπει ότι μέχρι το 2028
οι μισές μεγάλες επιχειρήσεις θα χρησιμοποιούν ρομπότ στην αποθήκη και στις διαδικασίες παρ
αγωγή
ς τους.
Ο άλλος βασικός παράγοντας που επιδιώκει η ρομποτική αποθήκης/logistics είναι ένα αποδεδειγμένο ιστορικό. Ενώ πολλές προσεγγίσεις στον αυτοματισμό έχουν επί του παρόντος θεωρητική απόδοση επένδυσης (ROI), τα ρομπότ αποθήκης είναι εκεί έξω και κάνουν τη δουλειά αυτή τη στιγμή, από το
Amazon
και κάτω.
Φαιά ουσία
είναι μεταξύ εκείνων με αποδεδειγμένο ιστορικό στον τομέα. Η εταιρεία της Νότιας Καλιφόρνια αναφέρει ότι τα συστήματά της παράγουν επί του παρόντος «2~4 φορές βελτίωση στην παραγωγικότητα της γραμμής παραγωγής [and a] 30% ή περισσότερο μείωση των αναλώσιμων απορριμμάτων». Μεγάλα ονόματα όπως η Boeing και η 3M χρησιμοποιούν αυτήν τη στιγμή τα συστήματά της.
Όλα αυτά παρά το γεγονός ότι η GrayMatter είναι μια νέα εταιρεία, η οποία ιδρύθηκε μόλις στην αρχή της πανδημίας το 2020.
«Ιδρύσαμε το GrayMatter για να ενισχύσουμε την παραγωγικότητα, δίνοντας παράλληλα προτεραιότητα στην ευημερία του εργατικού δυναμικού», λέει σε μια ανακοίνωση ο συνιδρυτής και διευθύνων σύμβουλος Ariyan Kabir. «Με τα συστήματα τεχνητής νοημοσύνης που βασίζονται στη φυσική μας, εκπληρώνουμε την αποστολή μας ενώ ξεκλειδώνουμε νέα επίπεδα απόδοσης και παραγωγικότητας. Με την υποστήριξη των επενδυτών μας, κάνουμε πραγματική διαφορά για τους εργαζόμενους στα καταστήματα και αντιμετωπίζουμε τις κρίσιμες ελλείψεις εργατικού δυναμικού στη μεταποίηση σήμερα».
Τι είναι, λοιπόν, ένα ρομποτικό σύστημα «βασισμένο στη φυσική»; Το GrayMatter αντιπαραβάλλει την προσέγγισή του από την καθαρά βασισμένη σε δεδομένα μέθοδο που χρησιμοποιούν άλλοι. Η εταιρεία εξηγεί:
Εξετάστε το πρόβλημα της πρόβλεψης της εξόδου της διαδικασίας με βάση την είσοδο. Εάν η έξοδος αναμένεται να αυξηθεί με την αύξηση της εισόδου, τότε ο υποκείμενος χώρος του μοντέλου είναι περιορισμένος και ένας μικρότερος όγκος δεδομένων μπορεί να το
εκπα
ιδεύσει. Δεν χρειάζεται να εξετάζουμε αυθαίρετα πολύπλοκα μοντέλα. Από την άλλη πλευρά, αυτό απαιτεί πιο πολύπλοκες αναπαραστάσεις και σχετικές μεθόδους παραγωγής λύσεων για τη διαχείριση περιορισμών για την παραγωγή αποδεκτών υπολογιστικών επιδόσεων. Δεν μπορούμε να εκπαιδεύσουμε ένα απλό νευρωνικό δίκτυο με παρατηρούμενα δεδομένα εισόδου και εξόδου. Σε αυτήν την περίπτωση, δεν υπάρχει καμία εγγύηση ότι θα διατηρήσει τον περιορισμό της διαδικασίας εάν η έξοδος που χρησιμοποιείται κατά τη διάρκεια της εκπαίδευσης είναι θορυβώδης.
Το ενδιαφέρον για την εταιρεία ώθησε την
ανάπτυξη
. Η GrayMatter είναι τακτική στις αναρτήσεις θέσεων εργασίας στη ρομποτική. Η συλλογή που δημοσιεύσαμε τον Μάιο απαριθμούσε 20 ανοιχτούς ρόλους, μεταξύ των υψηλότερων από αυτούς που αναφέρονται.
Αυτή η ανάπτυξη, με τη σειρά της, υποστηρίζεται από συνεχή χρηματοδότηση. Την Πέμπτη, η GrayMatter ανακοίνωσε έναν κύκλο Series B $45 εκατομμυρίων, με επικεφαλής την Wellington Management, με συμμετοχή από NGP Capital, Euclidean Capital, Advance Venture Partners, SQN Venture Partners, 3M Ventures, B Capital, Bow Capital, Calibrate Ventures, OCA Ventures και Swift Επιχειρηματίες. Ο γύρος σχεδόν διπλασιάζει τη Σειρά Α των 25 εκατομμυρίων δολαρίων που έκλεισε η εταιρεία το 2022.
VIA:
techcrunch.com
0