Bagaimana mesin pembelajar bekerja sama dengan robot semut mengangkat barang di Gudang? Perusahaan amii dan Attarobotics melakukan simulasi yang dipelajari dari cara iringan semut saat mengangkut makanan.
Penulis/editor: Rayendra L Toruan
TechnoMachinews.id – Attabotics Inc. (sumber): Apakah peran mesin pembelajar atau machine learning dan robot semut dapat membantu untuk meningkatkan efisiensi di bisnis pergudangan?
Efisiensi adalah penting dilakukan di bisnis gudang, dan didorong oleh ekspektasi pemesanan yang cepat dan pengiriman lebih cepat pada hari yang sama.
Untuk memenuhi kebutuhan yang terus meningkat itu, pengelola gudang yakni Attabotics Inc. menggunakan solusi teknologi yang inovatif dan tinggi: mengangkut dengan menggunakan robot yang berkeliling pada fasilitas yang dirancang khusus untuk memindahkan produk atau barang.
Perusahaan Attabotics Inc. yang bermarkas di Kanada itu melakukan kemitraan dengan perusahaan amii. Mereka bersepakat menggunakan mesin pembelajar di dunia nyata: solusi masalah logistik yang diantarkan ke pelanggan dengan lebih cepat. Mereka mempelajari cara iringan semut bekerja.
Para ilmuwan perusahaan amii melalui Autonomous Agents and Multiagent Systems (AAMAS) bertanya: bagaimana menggunakan mesin pembelajar secara signifikan untuk meningkatkan efisiensi yang dilakukan oleh Attabotic?
Perusahaan Attabotic pengelola gudang menjanjikan teknologi yang mampu mengubah logistik rantai pasokan secara efisien dan lebih cepat.
“Pertanyaannya bukan apakah mesin pembelajar dapat berfungsi? Pertanyaan yang tepat ‘seberapa besar cara kerja mesin pembelajar?”
Gudang tradisional biasanya berukuran pendek dan panjang yang didirikan untuk memaksimalkan ruang lantai guna menampung atau memuat lebih banyak produk.
Jika suatu gudang memiliki rak untuk menumpuk produk secara vertikal maka gudang itu harus dilengkapi dengan tangga atau forklift sehingga petugas leluasa menarik rak ke bawah saat mengisi dan memindahkan produk/barang pesanan yang harus diantarkan.
Perusahaan Attabotic memanfaatkan dimensi vertikal dengan lebih baik. Barang-barang ditempatkan di tempat penumpukan yang disimpan dalam sistem kubus 3D.
Ketika ada pesanan yang masuk, robot yang disebut dengan robotic “ants” atau robot “semut” bergerak menyusuri rak dan memilih wadah yang berisi barang-barang.
Robot semut membawa wadah tersebut dan mengantarkan ke tempat kerja operator yang leluasa mengambil produk dan mengirimkannya. Selanjutnya robot semut mengembalikan wadah yang sudah kosong ke rak dan bergerak ke rak yang berisikan produk.
Direktur Perangkat Lunak dan Inovasi Attabotics, Sean Murphy menjelaskan dengan cara kerja begitu maka produk yang dipesan oleh pelanggan lebih cepat diterima.
Pendekatan cara ini mampu menjadikan gudang yang membutuhkan ukuran ruang 85 persen lebih sempit. Artinya lokasi gudang dapat dibuat di area dengan kepadatan lebih tinggi, dan lebih dekat dengan pelanggan.
“Begitulah harapan pelanggan Anda dalam e-commerce. Anda menginginkannya dengan cepat. Saya melakukannya, saya yakin Anda memesan [dengan cara itu] juga. Cepat itu bagus dan jika gratis, lebih baik lagi,” ujar Sean Murphy.
“Banyak pelanggan kami yang mencari sistem pengambilan dan penyimpanan otomatis terbaik, dan sistem pergudangan kami menjawabanya,” tandas Sean Murphy. Para pelangan mereka kebanyakan dari Kanada dan Amerika Serikat.
Menurut Sean Murphy para insinyur di perusahaannya menghabiskan waktu bertahun-tahun untuk menyempurnakan perilaku iringan semut yang bisa dijadikan sebagai teknologi. Attabotics pun menawarkan kerja sama dengan Amii untuk mengeksplorasi mesin pembelajar agar dapat lebih meningkatkan efisiensi berdasarkan masukan dari cara kerja semut.
Pengertian mesin pembelajar atau machine learning adalah bagian dari kecerdasan buatan (AI) yang memungkinkan komputer untuk belajar dari data dan pengalaman tanpa perlu diprogram secara eksplisit.
Menurut dicoding.com, mesin pembelajar dirancang agar dapat belajar tanpa arahan operator. Mesin pembelajar dibekali dengan ilmu statistika, matematika, dan data mining untuk mempelajari data dan melakukan tugas-tugas tertentu berdasarkan apa yang telah dipelajari mesin pembelajar itu.
Menciptakan kembaran digital
Untuk mempercepat proses, ahli mesin pembelajar perusahaan amii fokus pada beberapa bidang tertentu seperti jawaban pertanyaan tentang tempat suatu benda yang menjadi sasaran semut untuk diangkut.
Analog dengan itu jika beberapa wadah berisi produk yang sama, robot semut harus segera menentukan pilihan tercepat untuk mengambil produk. Namun, robot semut justru memperparah masalah dengan munculnya robot-robot lain dengan tugas yang sama. Apakah mereka tidak akan tabrakan?
Robot-robot mengambil barang dan memindahkan saat mengerjakan perintah robot itu sendiri. Mengingat lingkungan yang selalu berubah, tindakan selanjutnya yang tampak paling efisien memiliki konsekuensi yang tidak terduga yang menyebabkan penundaan.
Oleh karena itu, alih-alih hanya menangani keadaan saat ini, tim robot semut harus mampu memprediksi situasi dalam waktu dekat.
Para ahi mesin pembelajar menggunakan pendekatan pembelajaran yang diawasi untuk melatih robot semur dalam memprediksi dan membuat pilihan yang lebih cerdas mengenai tempat produk seperti yang dilakukan oleh iringan semut saat mengambil potongan sampah atau makanan yang diangkut ke sarang mereka.
Namun, mendapatkan jumlah data yang mereka perlukan untuk melakukan pelatihan merupakan sebuah tantangan. Mengumpulkan informasi dari robot agar sesuai dengan kehidupan nyata yang membutuhkan waktu lebih lama. Para ahli pun melengkapi mesin pembelajar dengan kembar digital atau twin digital.
Para peneliti membuat beberapa simulasi untuk membantu mereka mengumpulkan lebih banyak data guna membantu pelatihan.
Meskipun semut di kehidupan nyata mungkin memerlukan waktu 45 detik untuk menyelesaikan tugas seperti membawa potongan makanan ke sarang, simulasi dapat melakukan ribuan perjalanan dalam jumlah waktu yang sama tanpa semut-semut tabrakan.
Dan semua data tersebut sangat berharga ketika mencoba melatih robot semut untuk membuat keputusan yang lebih cerdas.
“Memiliki simulator yang sangat bagus di mana Anda dapat melakukan semua pelatihan, yang mungkin membutuhkan waktu berhari-hari atau berbulan-bulan, sangatlah membantu,” papar Payam Mousavi, ilmuwan mesin pembelajar utama di amii.
Mensimulasikan data seperti itu selalu merupakan trade-off, Direktur Perangkat Lunak dan Inovasi Attabotics, Sean Murphy memperingatkan, peneliti perlu menemukan keseimbangan antara akurasi simulasi dan kecepatannya.
Membuat simulasi terlalu abstrak berisiko menghasilkan data yang tidak benar-benar berlaku saat Anda mencoba menggunakannya di dunia nyata. Pada saat yang sama, terlalu fokus pada akurasi akan memperlambat kecepatan simulasi yang menggagalkan seluruh tujuan.
Sean Mousavi mengatakan tim amii membangun berbagai simulator dengan tingkat akurasi berbeda untuk mengumpulkan data yang mereka butuhkan. Hasilnyanya sangat menjanjikan, dengan jumlah pesanan meningkat secara signifikan, jauh lebih tinggi daripada yang ditargetkan oleh Attabotics dan amii.
Sean Murphy ragu-ragu untuk merilis angka tertentu, karena angka tersebut mungkin berubah jika pendekatan pembelajaran mesin dimasukkan ke dalam produksi penuh. Namun, dia mengatakan Attabotics “sangat senang” dengan hasilnya.
Memanfaatkan kekuatan mesin pembelajar
Meskipun masih dalam tahap penelitian, Sean Murphy yakin proyek ini menyoroti bagaimana solusi mesin pembelajar dapat memberikan dampak besar pada industri dunia nyata.
Dia mengatakan bahwa sebagian besar pekerjaan yang dilakukan dengan agen otonom masih berada di laboratorium dan simulasi—mendapatkan hasil yang menggembirakan dari robot fisik di gudang nyata saar dipraktikkan.
Hal ini juga menunjukkan kekuatan kecerdasan buatan. Seorang konsultan mitra amii, Matthew E. Taylor mencatat bahwa Attabotics adalah perusahaan dengan programmer dan insinyur yang sangat berbakat yang yang bekerja selama bertahun-tahun dalam mengoptimalkan inovasi dari perilaku iringan semut.
Model mesin pembelajar mampu membangun pekerjaan yang sangat berharga untuk melakukan perbaikan lebih lanjut yang tidak dapat dicapai tanpa AI atau kecerdasan buatan.
Pertanyaannya bukanlah apakah mesin pembelajar dapat berfungsi? Namun ‘seberapa besar cara kerja mesin pembelajar?
Dan menurut Matthew E. Taylor, pihaknya menunjukkan bahwa kemajuan yang diperoleh cukup mengesankan dan mencapi kemajuan yang signifikan dalam waktu singkat.
“Hasilnya menunjukkan bahwa proyek ini adalah hal yang layak untuk diinvestasikan,” pendapat Matthew E. Taylor.
Selain Taylor, Mousavi dan Murphy, penulis makalah yang bertajuk: How Amii and Attabotics use machine learning and robotic “ants” to build the future of online ordering sebagai bahan tulisan ini—sesuai dengan laman Attabotics Inc.
Para penulis lain adalah Mara Cairo, Bevin Eldaphonse, Sahir, Sheikh Jubair, Johannes Günther, Laura Petrich Talat Syed bersama Amii, dan tim Attbotics Graham Doerksen, Nikolai Kummer, Jordan Maretzki dan Gurpreet Mohaar.
