Innovación con robots de selección – Adityanag Nagesh

Satish Shukla – Hola, oyentes. Bienvenidos al nuevo episodio de Rawbotics. Hoy nos acompaña el Sr. Adityanag, cofundador y director comercial de Mowito, una empresa líder en soluciones de selección por visión artificial. Adityanag cuenta con una sólida formación en ingeniería informática y aporta una amplia experiencia y conocimientos en diversos campos de la ingeniería de hardware. Bienvenido a nuestro podcast, Adityanag.   

Adityanag – Me alegra estar aquí, Satish.   

Satish Shukla – Adityanag, eres ingeniero de software de formación, y normalmente vemos que son ingenieros mecánicos, eléctricos o civiles quienes se dedican al software. Pero en tu caso, un ingeniero de software se pasó al hardware. ¿Podrías compartir con nuestros oyentes cómo sucedió esto?  

Adityanag – Sí, trabajaba en Sensara Technologies, otra startup basada en valores que se dedicaba al sector de la televisión y los medios de comunicación, y estábamos creando accesorios para mejorar la experiencia de ver la televisión. Habíamos creado una guía de programación que podías descargar en tu móvil y ver qué estaban emitiendo en el canal. Y luego cambiar de canal desde tu televisor. Pero lo que escuchamos de los usuarios era que necesitaban una forma de cambiar de canal directamente desde el mando a distancia. Y fue entonces cuando comenzamos nuestro camino en el hardware para ver cómo crear estos accesorios para teléfonos móviles que te permitieran cambiar de canal sin tener que alcanzar tu televisor o configurarlo. Y en ese camino desarrollamos cinco productos diferentes durante cinco años, trabajamos con empresas como Xiaomi, Airtel y Panasonic, y vendimos más de medio millón de unidades de nuestro hardware. Y así fue como me inicié en el mundo del hardware. Por así decirlo.   

Satish Shukla – Bueno, ese es un recorrido interesante. Y desde el hardware hasta la selección de visión y Mowito, ¿cómo sucedió todo eso?   

Adityanag – Fue a mediados de 2020 cuando conocí a Puru. De nuevo, (así que era la época de la Covid). Sí, era la época de la Covid y había un artículo en el periódico principal sobre lo que Guru estaba haciendo. Puru había estudiado y trabajado en los EE. UU., había regresado a la India. Estaba creando software de navegación para AMR y leí un artículo y, de repente, me puse en contacto con él. Empezamos a charlar durante unos meses. Sentí que debía formar parte de eso. Y así fue como nos juntamos y empezamos Mowito. Así fue como sucedió. Y una vez que formé parte de Mowito, empezamos a visitar varios almacenes en todos los diferentes segmentos. Podía ser como supermercado, podía ser moda, podía ser joyería. Visitamos más de 20 almacenes diferentes de todo tipo. Y lo que nos dimos cuenta es que la selección era muy repetitiva en todos los tipos de almacenes. Incluía dos acciones principales. Una era caminar por el almacén, y la otra era realmente alcanzar el artículo y agarrarlo del estante o contenedor. Pero también nos dimos cuenta de que la selección de productos aún está en sus inicios. Sí, hay algunas empresas, como Right Hand Robotics, que han empezado a trabajar muy seriamente en este campo. Pero teniendo en cuenta que la IA en sí misma no era una tecnología muy antigua, y que la selección de productos en general aún estaba en sus comienzos, fue entonces cuando nos adentramos en la selección basada en visión artificial. Vimos esa oportunidad.   

Satish Shukla: Qué valiente de tu parte contactar a alguien después de leer sobre él en el periódico. Pero no todos lo hacen. Sin duda, se necesita valentía y audacia para iniciar una empresa.   

Adityanag – Sí, sí. Sabes, me sorprende lo bien que ha funcionado.   

Satish Shukla – Sí, pero es genial que todo haya salido bien. Volviendo al almacén, cuando hay muchos trabajos repetitivos, hay trabajos aburridos, sucios y peligrosos que se necesitan automatizar. Y hay muchas empresas, incluida Addverb, que se dedican a la automatización. Sí. Ya existen robots de picking, por así decirlo. Sí. Existe un robot articulado que realiza la carga de palés pesados. Sí. También se utiliza en soldadura. Luego está el robot de picking, que es un robot SCARA, que realiza una operación de recogida y colocación. Sí. Entonces, si pudiera compartir con nuestros oyentes, ¿cómo cambia la visión estas operaciones de picking? ¿Y cuál es su papel en todo esto?   

Adityanag – Sí. La industria manufacturera lleva mucho tiempo utilizando brazos robóticos. Sí. Especialmente la automotriz. Sí. Exactamente. Si observamos las líneas de ensamblaje de Maruti, verán que tienen un montón de robots. (Sí) Pero la mayoría, hasta ahora, se ha programado para trabajar en puntos específicos, en acciones del tipo punto A al punto B. Y no se ha aumentado la complejidad. Se utiliza como una herramienta de hardware que simplemente se mueve de un punto a otro, realiza un pequeño trabajo y regresa al mismo punto. Por lo tanto, no perciben el mundo que los rodea. No hacen nada más que eso. Y si observamos cómo está estructurado el mundo que nos rodea, no es un sistema organizado en absoluto. Los objetos se encuentran esparcidos por los estantes, el armario o el almacén. Las cosas no siempre están ordenadas. Podríamos tener un montón de objetos, pero nunca se mantienen ordenados. (Y luego tienes más de 10.000 a 12.000 SKU en comercio electrónico o supermercados). Sí, sí. De hecho, se convierte en más que eso. Alrededor del comercio electrónico, son millones. Correcto. Entonces, el mundo no está estructurado. De la manera en que un robot siempre puede manejarte, solo ya sabes, el tipo de movimiento de A a B. Lo que necesitas es un nivel de inteligencia donde puedas perseguir el objeto más amplio. Y luego tener una visión y un estilo de manipulación que te ayudará a elegir el artículo. Y en la elección en sí, tienes que mirar lo que estoy haciendo en términos del tipo de artículos que estoy eligiendo. Luego tienes de dónde lo estoy eligiendo? Y qué estoy usando para elegirlo. Entonces, sería como, estoy eligiendo de un contenedor, estoy eligiendo de un estante, estoy eligiendo de un cartón, estoy eligiendo de un palé. Todos estos casos de uso, luego no lo hago, estoy eligiendo frutas y verduras. ¿O estoy eligiendo cosméticos, todos ustedes están eligiendo joyería? Este es un objeto alrededor de esto, es cuadrado, es un cuboide. ¿Y luego qué pinza tiene que ir con él? ¿Es una pinza de base de succión? ¿Es una pinza de dos dedos? Ahora, si tomas la suma total de todos estos casos de uso, no puedes resolverlos uno por uno. (Entonces, ¿qué quieres decir con que no puedes resolverlos uno por uno?) Entonces, lo que quiero decir es que la arquitectura base de una solución como esta, tiene que poder escalar a estos casos de uso con el tiempo. Y no puedes rehacerlos uno por uno, (Entonces, tu arquitectura debe ser tal que a medida que el conjunto de datos aumenta, no debe aumentar en tamaño, debe seguir siendo capaz de darte el rendimiento que deseas). Sí, exactamente. Y no debería requerir que rehagamos todo desde cero. Por cada una de estas razones. Entonces, nuestra misión ha sido construir esa capa de inteligencia, donde sabemos qué necesitamos recoger, cuál es la mejor manera de recogerlo, solo para ir más allá en la propia selección de contenedores. Entonces, si miro un contenedor, estoy obteniendo una imagen 2D. Estoy usando una cámara de profundidad, estoy obteniendo algo de información sobre la profundidad también. Pero a partir de esa imagen, tengo que averiguar dónde están los objetos dentro y alrededor del contenedor, cuál es el mejor objeto para recoger ahora, puede haber 10 artículos, estoy teniendo que ordenarlos de manera que pueda recoger el que sea más fácil de recoger. Y luego, incluso en ese artículo, tengo que averiguar cuál es el mejor punto de recogida. Si va a suceder que hay un lugar donde se acerca el tope. No puedo colocar mi ventosa allí, nunca lo agarrará. Entonces, tengo que averiguar cuál es el mejor punto de recogida en el artículo.   

Satish Shukla – Sí, eso es muy importante. No debes dañar el producto.   

Adityanag – Exactamente. Y además de esto, está la capa de inteligencia aplicada. Por ejemplo, en el mundo de los supermercados, alguien podría decir: "No quiero coger productos que ya estén podridos". Si se trata de frutas y verduras, no puedo aplicar la misma presión de succión a un tomate, porque se rompería. Tengo que desarrollar este nivel de inteligencia para que pueda manejar todos estos productos, igual que un humano. Es como saber cómo coger un huevo en comparación con un tomate. ¿Cómo se le da ese tipo de inteligencia a una máquina?   

Satish Shukla – Entonces, a través del sistema de visión, actuaremos como inteligencia. Así que, los robots, básicamente, también podrán ver como los humanos nos ven y tomar decisiones. Aunque con nosotros, es muy inútil. Ver y manejar. Así que también estarías en el proceso de diseñar reparaciones para diferentes tipos de recogida en la cocina.   

Adityanag: Sí, lo haríamos. Sé que estamos usando succión, que funciona muy bien para otro caso de uso en el almacén que estamos explorando, como la selección de piezas en contenedores. Pero de cara al futuro, prevemos que podríamos necesitar diferentes tipos de pinzas para distintos casos de uso y tendremos que fabricarlas si no es demasiado tarde.    

Satish Shukla – Porque cada orientación de objeto, dijeron que sería muy difícil de reparar. (Sí, bien. Muy bien. Entonces, ¿cuáles fueron algunos de los aprendizajes que has tenido durante este viaje al construir esta solución o cuáles fueron algunos de los momentos Eureka si pudieras compartirlos con nuestra audiencia?   

Adityanag – Sí, entonces, aunque todo esto suena muy fácil, ¿verdad? El tipo de artículos que encontramos en la vida cotidiana, la gama es muy, muy alta. No parecemos darnos cuenta. Pero la forma en que eliges una tarjeta de visita o la forma en que eliges una aguja o la forma en que eliges una bolsa de harina muy pesada, todas son muy diferentes. Entonces, una de las cosas que vamos a recomendar es que incluso si el número de rescates en un almacén oscuro es tal vez 5000, 6000 SKU, todavía es muy difícil llegar a un punto en el que todos puedan manejar todo. Sí. Como que hay un gran mercado de rescate. Ahora, incluso después de que tengo todos los aumentos en cómo manejarlo, hay una buena cuenta que se requiere para que una carga útil particular sea muy diferente de algo que maneja una carga útil húmeda de 200. (Muy correcto). Entonces, pero no puedo hacerlo muy fácilmente. Sí. Correcto. Entonces, el mismo recolector puede manejar todo. Nuestro mayor aprendizaje ha sido lograr que la preparación de pedidos robótica sea universal, abarcando una amplia gama de referencias para que se convierta en una práctica habitual en todos los almacenes. Aún queda un largo y arduo camino por recorrer.  

Satish Shukla – De acuerdo. Y construirás esta inteligencia en el robot, o la construirás en la nube y verás cómo puedes manejar eso.   

Adityanag – Entonces, la forma en que lo hemos construido es que es completamente independiente del robot. Bien. Entonces, basado en la aplicación que ya tienes. Entonces, es independiente del hardware. Sí. Es un diagnóstico totalmente duro. Y estamos usando Interviewer Sense, que ni siquiera es un equipo de visión costoso. Fácilmente disponible. Entonces, la idea siempre ha sido usar tecnología de hardware existente, que ya está madura. Y ver hasta dónde puedes llegar con eso.   

Satish Shukla – Bien. Entonces, ¿desde cuándo se les dota de inteligencia a los robots mediante este sistema de visión? Sí. ¿Crees que sería más fácil para los humanos y los robots con visión trabajar juntos? ¿Tienes casos de uso de este tipo?   

Adityanag – Ahora mismo, no hemos visto muchos casos de uso donde el humano y el robot tengan que trabajar codo con codo. Pero sí lo preveo con la llegada de los cobots y su mayor asequibilidad. ¿Entonces, los cobots serían robots colaborativos? Sí, robots colaborativos. Podemos tener el trabajo y la vista externa, en cosméticos, por ejemplo, estás haciendo el empaquetado. (sí) Entonces, una persona puede hacer una caja y el trabajo retrocederá y verá qué es. Y así, de alguna manera mejora el rendimiento y reduce la carga de trabajo de la persona. Sí. Entonces, estos son casos de uso que podemos aprovechar a medida que avanzamos. Porque tal vez la caja sea un poco más difícil para un robot. Sí, porque hay más destreza. Sí. Entonces, necesitamos eso para el humano, pero que la recompensa sea dejar caer los artículos en la caja, que luego regresa a una sola cinta transportadora. Así que, definitivamente, esos casos de uso se explorarán.   

Satish Shukla – Sí. Mencioné que muchos productos ya están ahí para el movimiento del punto A al punto B, pero la selección es probablemente esa frontera, que requerirá más innovación. Sí. Porque hoy en día, ese es el proceso que requiere más mano de obra en los almacenes. Sí. Entonces, cuando el tipo de experiencia y conocimientos que se adquieren en el desarrollo de una solución de visión, diría yo, para hacer que los robots sean inteligentes. ¿Qué tipo de productos le gustaría desarrollar en el futuro o qué tipo de hoja de ruta le gustaría seguir para el futuro?   

Adityanag – Entonces, creo que la clave es qué tan rápido y qué es. El santo gris aquí es, estoy haciendo una acción. Bien. Hay una cámara aquí y ya está aprendiendo y diciendo qué hacer lo mismo. Sí. Si podemos llegar a eso, entonces las cosas serán súper rápidas en cuanto a la rapidez con que podemos implementar estas soluciones. Porque creemos que el costo del hardware seguirá bajando. Bien. Con el tiempo, con un mayor uso de brazos robóticos, los costos disminuirán , pero tener que entrenarlos para todo, lo cual lleva meses, es un no. Entonces, ¿qué tan rápido se les puede capacitar esta inteligencia para que una interacción humana real pueda simplemente duplicar la acción? Ahí es donde creo que estará nuestra I+D.   

Satish Shukla – De acuerdo. Eso será interesante. Sí. Tenemos muchos oyentes que vienen de diferentes facultades de ingeniería. Sí. Y este es un campo donde muchos estudiantes buscan trabajar y realizar proyectos. Entonces, dado que has trabajado extensamente en visión artificial, si alguien quiere realizar un proyecto o aprender cómo desenvolverse en este campo, ¿cuáles serían algunos de los trucos que compartirías con ellos?   

Adityanag – Bueno, la mayoría de los graduados con los que hablamos estos días ya están haciendo muchos proyectos. Todos son al menos parte del equipo de carreras de F1 que existe. Y si alguna universidad hoy en día tiene un club de robótica, no encontrarás ninguna que no lo tenga. Así que ya están haciendo proyectos y eso ya es un gran comienzo. Así que, únete a tantos clubes como puedas en tu universidad o escuela y ensúciate las manos. Entonces, creo que requiere la mentalidad de creador y rompedor. Es bueno hacer y romper cosas desde el principio. Así que, cuando realmente estás en posición de comenzar algo, ya estás equipado con algunas habilidades básicas de cómo armar cosas y cómo construir tu primer prototipo, etc. Entonces, en cuanto al conjunto de habilidades se refiere, la gente comenzó a programar en la escuela, pero creo que lo que necesitas alentar más es el lado creador. Una vez que haya gente intentando construir cosas, incluso sin la preocupación de que no funcionen, supongo que avanzaremos mucho y veremos a muchas más empresas intentando resolver este tipo de problemas.  

Satish Shukla – Muy cierto. Entonces, para todos los emprendedores, si quisieras compartir algunos aprendizajes basados ​​en tu trayectoria, por ejemplo, si alguien quiere iniciar una empresa de robótica, ¿cuáles serían algunos de esos aprendizajes?   

Adityanag – Paciencia. Primero, primero paciencia. Creo que es un camino mucho más largo que en muchas otras áreas de startups, siento. Principalmente porque es muy transversal. Tienes que traer ingeniería mecánica, tienes que traer ingeniería eléctrica, tienes que traer software. Entonces, tienes que poner todas las piezas del rompecabezas y eso lleva tiempo. Así que, ese es el punto número 1. En el producto, mi, y esta siempre ha sido mi tal vez una peculiaridad, podría decirse. Si luego pones tu producto en la parte trasera de tu coche y se lo muestras al cliente, es algo genial. Así que, no sé si nuestro producto califica para eso, pero si estás construyendo, digamos, una solución de limpieza de pisos, tal vez, puedes simplemente ponerla en la parte trasera del coche y demostrarla. Supongo que la demostrabilidad o la facilidad de demostración juega un papel enorme para cerrar esos primeros acuerdos y obtener la aprobación de un cliente en lugar de tener que llevarlo a tu casa y demostrárselo. Otra cosa fue la integración. Entonces, ¿dependes de que parte del sistema esté ahí? (Sí). ¿Tienes que integrarte muy rápidamente con alguna pila de software que estés usando? Es una especie de expresión del mismo ciclo. Eso es algo que he aprendido. Y en cuanto a las habilidades, sí, tienes que llegar al resto de los ingenieros. Y buscar gente que haya construido cosas. 

Satish Shukla – Eso fue muy interesante. Sí. Para terminar con un tono más ligero, como bien entendiste, con tu sistema de visión, el robot obtiene una especie de ojos y luego puede ver alrededor de las piernas. Correcto. Entonces, ¿crees que con tu inteligencia, estos robots podrán ayudar a elegir parejas para los humanos algún día?  

Adityanag – Creo que ese es un trabajo que actualmente es mejor dejar en manos de los humanos. No quiero correr el riesgo. Pero hoy en día ese trabajo también lo hacen los sitios de citas. ¿Podríamos tener un robot dentro? 

Adityanag – No sin validación humana. Todavía te lleva a una cita, pero no más allá. Creo que deberíamos dejarlo así por ahora. Y probablemente resolver los problemas con fábricas y tiempo real. Gracias, de hecho. Sí. De acuerdo. Nadie va a maldecir por el resto de su vida.  

Satish Shukla – Es cierto. Muchas gracias. Gracias por tu tiempo. Fue un placer interactuar contigo.  

Adityanag – Muchas gracias por haberme invitado.  

Satish Shukla – Gracias.