పెరుగుతున్న లేబర్ ఖర్చులు మరియు కఠినమైన డెలివరీ మార్జిన్లు గ్రాబ్ వంటి పెద్ద ప్లాట్ఫారమ్ ఆపరేటర్లను ఆటోమేషన్ వైపు చూసేందుకు పురికొల్పుతున్నాయి. ఇన్ఫెర్మోవ్ను కొనుగోలు చేయడం ద్వారా రోబోటిక్స్ సామర్థ్యాన్ని అంతర్గతంగా తీసుకురావడానికి ఇది తరలించబడింది.
గ్రాబ్ చిన్న సామర్థ్య లాభాలు అవుట్-సైజ్ ప్రభావాలను కలిగి ఉండే స్థాయిలో పనిచేస్తుంది. దీని ప్లాట్ఫారమ్ ఆగ్నేయాసియాలో మిలియన్ల డెలివరీలకు మద్దతు ఇస్తుంది, వాటిలో చాలా వరకు దట్టమైన పట్టణ ప్రాంతాలలో స్కూటర్లు మరియు సైకిళ్లపై రైడర్లు నిర్వహిస్తారు, మానవ శ్రమను ఆటోమేషన్ ఎంతవరకు భర్తీ చేయగలదో పరిమితం చేసే సంక్లిష్టతను ఉత్పత్తి చేస్తుంది. నిర్మాణాత్మకంగా లేని సెట్టింగ్ల కోసం రూపొందించిన రోబోట్లపై దృష్టి సారించిన కంపెనీని కొనుగోలు చేయడం ద్వారా, పైలట్ ప్రోగ్రామ్ల వెలుపలి సందర్భాలలో ఉపయోగించేంత పరిణతి చెందిన భౌతిక-ప్రపంచ AIని Grab చూస్తుంది.
డెలివరీ ఆటోమేషన్ కోర్ కార్యకలాపాలకు దగ్గరగా ఉంటుంది
ఆఫ్-ది-షెల్ఫ్ సిస్టమ్లపై ఆధారపడే బదులు, గ్రాబ్ డెవలప్మెంట్ లూప్ను అంతర్గతీకరించడాన్ని ఎంచుకుంటుంది. ఇన్ఫెర్మోవ్ యొక్క సాంకేతికత మోటారు లేని డెలివరీ వాహనాల ద్వారా రూపొందించబడిన సమాచారంతో సహా వాస్తవ-ప్రపంచ కదలిక డేటా నుండి తెలుసుకోవడానికి రూపొందించబడింది. ఆచరణాత్మకంగా చెప్పాలంటే, అనుకరణలలో ఆ ఖాళీలు ఎలా కనిపిస్తాయి అనే దానికంటే, ప్రజలు వాస్తవానికి పేవ్మెంట్లు, క్రాసింగ్లు మరియు రద్దీగా ఉండే డ్రాప్-ఆఫ్ పాయింట్లను ఎలా నావిగేట్ చేస్తారనే దానిపై రోబోట్లు శిక్షణ పొందుతాయి.
గ్రాబ్ వంటి డెలివరీ ఆపరేటర్కు, ఆ వ్యత్యాసం ముఖ్యం. అనుకరణ వాతావరణాలు ప్రారంభ అభివృద్ధికి తోడ్పడతాయి, కానీ అవి తరచుగా నిజమైన నగరాలను నిర్వచించే ఎడ్జ్ కేసులతో పోరాడుతాయి. థర్డ్-పార్టీ సిస్టమ్కు సరిపోయేలా దాని డెలివరీ నెట్వర్క్ను స్వీకరించడం కంటే, ఆటోమేషన్ దాని స్వంత ఆపరేటింగ్ పరిమితులలో ఎలా ప్రవర్తిస్తుందో ఆ లెర్నింగ్ ప్రాసెస్ను ఇంట్లోనే తీసుకురావడం గ్రాబ్ని అనుమతిస్తుంది.
ఎంటర్ప్రైజ్ కోణం నుండి, వ్యూహాత్మక విలువ నియంత్రణలో ఉంటుంది. సాంకేతికతను సొంతం చేసుకోవడం వలన విస్తరణ వేగం, ఆపరేటింగ్ స్కోప్ మరియు కాస్ట్ ట్రేడ్-ఆఫ్లపై గ్రాబ్ మరింత ప్రభావం చూపుతుంది. ఇది గ్రాబ్ యొక్క ప్రాంతీయ పాదముద్ర లేదా ఆర్థిక వాస్తవాలతో సరిపోలని ప్రాధాన్యతలను కలిగి ఉన్న విక్రేతలపై దీర్ఘకాలిక ఆధారపడటాన్ని కూడా తగ్గిస్తుంది.
ఆటోమేషన్, అయితే, మానవ రైడర్లకు ప్రత్యామ్నాయంగా ఉంచబడలేదు. రోబోట్లు వర్క్ఫ్లో భాగాలను తీసుకున్నప్పటికీ, ప్రజలు సర్వీస్ డెలివరీకి కేంద్రంగా ఉంటారు. గ్రాబ్ యొక్క ఆసక్తి, టాస్క్లు పునరావృతమయ్యే మరియు దూరాలు తక్కువగా ఉండే నిర్మాణాత్మక ఫస్ట్-మైలు లేదా చివరి-మైలు విభాగాల వంటి ఎంపిక చేసిన వినియోగంపై దృష్టి కేంద్రీకరించినట్లు కనిపిస్తుంది. ఈ ప్రాంతాలలో, రోబోట్లు డిమాండ్ స్పైక్లను సజావుగా చేయడం, పీక్ అవర్స్లో ఆలస్యాన్ని తగ్గించడం మరియు లేబర్ కొరత సమయంలో ఒత్తిడిని తగ్గించడంలో సహాయపడవచ్చు.
సేవను విచ్ఛిన్నం చేయకుండా ఖర్చు ఒత్తిడిని నిర్వహించడం
డిసెంబరులో జరిగిన అంతర్గత సమావేశంలో, Grab యొక్క ముఖ్య సాంకేతిక అధికారి సుతేన్ థామస్ సాంకేతికత మరియు దాని ప్రారంభ వాణిజ్య వినియోగం రెండింటినీ హైలైట్ చేస్తూ Infermove యొక్క పురోగతిని “ఆకట్టుకునేది”గా అభివర్ణించారు. కంపెనీ స్వతంత్రంగా తన కార్యకలాపాలను కొనసాగిస్తుందని, దాని వ్యవస్థాపకుడు నేరుగా తనకు నివేదిస్తారని కూడా ఆయన చెప్పారు. గ్రాబ్ వేగవంతమైన సంస్థాగత ఏకీకరణ కంటే అమలు మరియు కొనసాగింపుకు ప్రాధాన్యత ఇస్తోందని నిర్మాణం సూచిస్తుంది.
ఈ విధానం పెద్ద డిజిటల్ ప్లాట్ఫారమ్ల మధ్య విస్తృత మార్పును ప్రతిబింబిస్తుంది. AIని ఇప్పటికే ఉన్న సిస్టమ్ల పైన జోడించిన పొరగా పరిగణించే బదులు, కంపెనీలు దానిని కోర్ కార్యకలాపాలలో లోతుగా పొందుపరుస్తున్నాయి. డెలివరీ మరియు లాజిస్టిక్స్లో, తరచుగా ఆప్టిమైజేషన్ సాఫ్ట్వేర్ను దాటి భౌతిక ఆటోమేషన్లోకి వెళ్లడం అని అర్థం, ఇక్కడ నష్టాలు మరియు ఖర్చులు ఎక్కువగా ఉంటాయి కానీ సంభావ్య లాభాలు మరింత నిర్మాణాత్మకంగా ఉంటాయి.
టైమింగ్ కూడా చెబుతోంది. ఆన్-డిమాండ్ డెలివరీ వాల్యూమ్లు పెరుగుతూనే ఉన్నాయి, అయితే మార్జిన్లు ఒత్తిడిలో ఉంటాయి. కస్టమర్లు వేగవంతమైన సేవ మరియు తక్కువ రుసుములను ఆశిస్తారు, అయితే ఆపరేటర్లు పెరుగుతున్న వేతనాలు, ఇంధన ఖర్చులు మరియు కఠినమైన నియంత్రణలను ఎదుర్కొంటున్నారు. ఆ వాతావరణంలో, ఆటోమేషన్ కొత్తదనం గురించి తక్కువగా ఉంటుంది మరియు లాభదాయకతను కోల్పోకుండా సేవా స్థాయిలను కొనసాగించడం గురించి మరింతగా మారుతుంది.
రోబోటిక్స్ డెవలప్మెంట్ను కార్యకలాపాలకు దగ్గరగా తీసుకురావడం కూడా డేటా వినియోగానికి సంబంధించిన ప్రోత్సాహకాలను సమలేఖనం చేయడంలో సహాయపడవచ్చు. భౌతిక AI సిస్టమ్లకు శిక్షణ ఇవ్వడానికి పెద్ద మొత్తంలో వాస్తవ-ప్రపంచ డేటా అవసరం, డెలివరీ ప్లాట్ఫారమ్లు ఇప్పటికే స్థాయిలో ఉత్పత్తి చేస్తాయి. ఆ ఫీడ్బ్యాక్ లూప్ను అంతర్గతంగా ఉంచడం వల్ల పునరావృతం వేగవంతం అవుతుంది మరియు సున్నితమైన కార్యాచరణ డేటాను బాహ్యంగా భాగస్వామ్యం చేయవలసిన అవసరాన్ని తగ్గిస్తుంది.
ఇంకా పరిమితులు ఉన్నాయి. పేవ్మెంట్లు మరియు చిన్న మార్గాల కోసం రూపొందించిన రోబోట్లు ఎప్పుడైనా మొత్తం నెట్వర్క్లో మానవ కొరియర్లను భర్తీ చేసే అవకాశం లేదు. వాతావరణం, స్థానిక నియమాలు మరియు కస్టమర్ అంగీకారం ఆటోమేషన్ వాస్తవికంగా పనిచేసే చోట ఆకృతిలో కొనసాగుతుంది. అవస్థాపన మరియు నిబంధనలు విస్తృతంగా మారుతున్నందున బహుళ దేశాలలో విస్తరించడం మరింత సంక్లిష్టతను జోడిస్తుంది.
పరిశ్రమ అంచనాలు లాస్ట్-మైల్ డెలివరీ రోబోటిక్స్లో వేగవంతమైన వృద్ధిని సూచిస్తున్నాయి, అయితే ఆ గణాంకాలు ఆపరేటర్లకు పరిమిత మార్గదర్శకాన్ని అందిస్తాయి. కొత్త ఫెయిల్యూర్ పాయింట్లను పరిచయం చేయకుండా ఆటోమేషన్ డెలివరీకి ధరను తగ్గించగలదా అనేది మరింత తక్షణ ప్రశ్న. ఇది మార్కెట్ పరిమాణంపై తక్కువ ఆధారపడి ఉంటుంది మరియు ప్రత్యక్ష వాతావరణంలో పనితీరుపై ఎక్కువ ఆధారపడి ఉంటుంది.
ఎంటర్ప్రైజ్ లెన్స్ ద్వారా చూస్తే, ఇన్ఫెర్మోవ్ని కొనుగోలు చేయడం అనేది రోబోటిక్స్పై ఒక ఉత్పత్తి వర్గానికి సంబంధించిన పందెం కాదు. ఇది AI, డేటా మరియు ఫిజికల్ ఆపరేషన్ల మధ్య లింక్ను బిగించే చర్య. లాజిస్టిక్స్ మరియు మొబిలిటీపై నిర్మించిన ప్లాట్ఫారమ్ కంపెనీల కోసం, స్థిరమైన వ్యయ ఒత్తిడిలో వృద్ధిని నిర్వహించడంలో ఏకీకరణ కీలక అంశంగా మారవచ్చు.
(ఫోటో అఫీఫ్ రాంధసుమ)
ఇవి కూడా చూడండి: ది లా సొసైటీ: ప్రస్తుత చట్టాలు AI యుగానికి సరిపోతాయి
పరిశ్రమ ప్రముఖుల నుండి AI మరియు పెద్ద డేటా గురించి మరింత తెలుసుకోవాలనుకుంటున్నారా? తనిఖీ చేయండి AI & బిగ్ డేటా ఎక్స్పో ఆమ్స్టర్డామ్, కాలిఫోర్నియా మరియు లండన్లో జరుగుతున్నాయి. సమగ్ర కార్యక్రమం ఇందులో భాగమే టెక్ఎక్స్ మరియు ఇతర ప్రముఖ సాంకేతిక ఈవెంట్లతో కలిసి ఉంది, క్లిక్ చేయండి ఇక్కడ మరింత సమాచారం కోసం.
AI వార్తలు ఆధారితం టెక్ఫోర్జ్ మీడియా. రాబోయే ఇతర ఎంటర్ప్రైజ్ టెక్నాలజీ ఈవెంట్లు మరియు వెబ్నార్లను అన్వేషించండి ఇక్కడ.
