A Pedestal AI kedden lépett ki a rejtett működésből, és bejelentette, hogy 4,7 millió dollár magvető tőkét vont be. A startup olyan mesterségesintelligencia-ügynököket fejleszt, amelyekkel gyorsabbá és megbízhatóbbá tenné az ellátási láncokat. A vállalat már Fortune 500-as cégekkel és a világ legnagyobb szállítmányozói közé tartozó vállalatokkal is együttműködik.
A befektetési kört az Eclipse vezette, az RRE, a Converge VC, a Timescale VC és a VitalStage részvételével. A Pedestal AI a forrást a termékfejlesztési és mérnöki csapat, valamint a marketingtevékenység bővítésére és további bevezetések támogatására fordítaná.
Kevesebb sikertelen kézbesítés
A vállalat munkájának jelentős része a szállítási folyamat akadályainak megszüntetésére irányul. Egy nagy bútoripari cégnél például a Pedestal AI ügynökökre bízta a sofőrök egyes feladatait, amivel a közlése szerint 20%-kal csökkentette a meghiúsult kézbesítések számát.
A rendszer 30 perccel a kiszállítás előtt felhívta a vásárlókat, és összegyűjtötte az esetleges különleges utasításaikat. Ha a hívás sikertelen volt, egy külön rendszer szöveges üzenetet küldött. A bevezetés során a folyamat problémás pontjairól is adatok gyűltek össze, amelyek a rendszer további optimalizálására használhatók.
Raj Aggarwal vezérigazgató a TechCrunchnak elmondta: a mai MI-rendszerek különösen hasznosak lehetnek az ilyen adatok kezelésében. A nehézséget szerinte az okozza, hogy az adatok rendezetlenek, folyamatosan változnak, és számos régi rendszerben szétszórva találhatók.
Erősödő érdeklődés az ellátási láncok iránt
Az ellátási láncokat célzó mesterséges intelligencia az utóbbi hónapokban élénk startupterületté vált, részben azért, mert önvezető technológián dolgozó csapatok korábbi tagjai saját vállalkozásokat indítanak. A Tesla korábbi munkatársai által alapított Atomic 2025-ben lépett ki a rejtett működésből, és a készletgazdálkodás egyszerűsítésére összpontosít. Az Uber korábbi munkatársai által indított Loop előrejelző elemzéssel foglalkozik.
Aggarwal szerint a kiszállítások különösen alkalmasak megerősítéses tanulási rendszerek fejlesztésére: a nagy mennyiségű szállítás és a könnyen mérhető eredmények alapján a modellek a bevált megoldások felé finomhangolhatók. A vezérigazgató úgy véli, az ilyen fejlesztések az ügyfelek pénzügyi eredményére is gyorsan hatással lehetnek, ami megkönnyíti a ráfordítás indoklását.



