Jak sztuczna inteligencja zrewolucjonizuje produkcję

W związku z Oprogramowanie Siemens Digital Industries

Zapytaj Stefana Jockuscha, jak mogłaby wyglądać fabryka za 10 lub 20 lat, a odpowiedź może sprawić, że znajdziesz się na rozdrożu między fascynacją a oszołomieniem. Jockusch jest wiceprezesem ds. strategii w firmie Siemens Digital Industries Software, która opracowuje aplikacje symulujące koncepcję, projektowanie i wytwarzanie produktów, takich jak telefony komórkowe czy inteligentne zegarki. Jego wizja inteligentnej fabryki jest pełna niezależnych, poruszających się robotów. Ale nie poprzestają na zrobieniu jednej, trzech czy pięciu rzeczy. Nie – ta fabryka jest samoorganizująca się.

Ten odcinek podcastu został wyprodukowany przez Insights, dział zajmujący się treściami niestandardowymi MIT Technology Review. Nie został wyprodukowany przez redakcję MIT Technology Review.

W zależności od tego, jaki produkt wrzucę do tej fabryki, całkowicie się przetasuje i będzie działał inaczej, gdy przyjdę z zupełnie innym produktem, mówi Jockusch. Zorganizuje się, by zrobić coś innego.

Za tą fabryką przyszłości kryje się sztuczna inteligencja (AI), mówi Jockusch w tym odcinku Business Lab. Ale sztuczna inteligencja zaczyna się znacznie, znacznie słabiej, od chipa. Weźmy na przykład produkcję samochodów. Chipy, które zasilają różne aplikacje w dzisiejszych samochodach — i bezzałogowych pojazdach jutra — są wyposażone w sztuczną inteligencję, która wspiera podejmowanie decyzji w czasie rzeczywistym. Są wysoce wyspecjalizowane, zbudowane z myślą o konkretnych zadaniach. Ludzie, którzy projektują chipy, muszą wtedy widzieć całościowy obraz.

Trzeba mieć pojęcie, czy na przykład chip kontroluje interpretację tego, co widzą kamery podczas jazdy autonomicznej. Musisz mieć pojęcie, ile obrazów ten chip musi przetworzyć lub ile rzeczy porusza się na tych obrazach, mówi Jockusch. Musisz dużo zrozumieć, co się w końcu wydarzy.

Ten złożony sposób budowania, dostarczania i łączenia produktów i systemów jest tym, co Siemens opisuje jako chip do miasta — ideę, że przyszłe skupiska ludności będą zasilane transmisją danych. Fabryki i miasta, które same się monitorują i zarządzają, jak mówi Jockusch, polegają na ciągłym doskonaleniu: sztuczna inteligencja wykonuje działanie, uczy się na podstawie wyników, a następnie dostosowuje kolejne działania, aby osiągnąć lepszy wynik. Obecnie większość sztucznej inteligencji pomaga ludziom podejmować lepsze decyzje.

Mamy jedną aplikację, w której program obserwuje użytkownika i próbuje przewidzieć polecenie, którego użytkownik użyje w następnej kolejności, mówi Jockusch. Im dłużej aplikacja może obserwować użytkownika, tym dokładniej będzie.

Zastosowanie sztucznej inteligencji w produkcji może skutkować oszczędnościami kosztów i dużym wzrostem wydajności. Jockusch podaje przykład z fabryki Siemensa płytek drukowanych, które są używane w większości produktów elektronicznych. Zastosowana tam frezarka ma tendencję do pęcznienia się z czasem – brudzenia się. Wyzwaniem jest określenie, kiedy maszyna musi zostać wyczyszczona, aby nie uległa awarii w środku zmiany.

W rzeczywistości używamy aplikacji AI na urządzeniu brzegowym, które znajduje się w fabryce, aby monitorować tę maszynę i dość dokładnie przewidzieć, kiedy nadejdzie czas na konserwację, mówi Jockusch.

Pełny wpływ sztucznej inteligencji na biznes — i pełen zakres możliwości, jakie technologia może odkryć — jest wciąż nieznany.

Jest dużo pracy, aby lepiej zrozumieć te implikacje, mówi Jockusch. Jesteśmy dopiero na początku tego, aby naprawdę zrozumieć, co optymalizacja procesu może zrobić dla całego przedsiębiorstwa.

Business Lab prowadzi Laurel Ruma, dyrektor Insights, działu custom publishing w MIT Technology Review. Spektakl jest produkcją MIT Technology Review, przy wsparciu produkcyjnym Collective Next.

Ten odcinek podcastu został wyprodukowany we współpracy z Siemens Digital Industries Software.

Pokaż notatki i linki

Siemens pomaga wietnamskiemu producentowi samochodów w produkcji pierwszych pojazdów, Automation.com, 6 września 2019

Chip to city: przyszłość mobilności, Stefan Jockusch, The International Society for Optics and Photonics Digital Library, 26 września 2019 r.

Pełny zapis

Laur Ruma : Z MIT Technology Review, nazywam się Laurel Ruma, a to jest Business Lab, program, który pomaga liderom biznesowym zrozumieć nowe technologie wychodzące z laboratorium i wprowadzane na rynek. Naszym dzisiejszym tematem jest sztuczna inteligencja i zastosowania fizyczne. AI może działać na chipie, urządzeniu brzegowym, w samochodzie, w fabryce, a ostatecznie AI będzie prowadzić miasto z podejmowaniem decyzji w czasie rzeczywistym, dzięki szybkiemu przetwarzaniu, małym urządzeniom i ciągłemu uczeniu się. Dwa słowa dla Ciebie: inteligentna fabryka.

Moim gościem jest dr Stefan Jockusch, wiceprezes ds. strategii firmy Siemens Digital Industries Software. Odpowiada za strategiczne planowanie biznesowe i analizę rynku, a Stefan koordynuje również projekty w różnych segmentach biznesowych oraz z Siemens Digital Leadership. Ten odcinek Business Lab jest produkowany we współpracy z Siemens Digital Industries. Witaj Stefanie.

Stefana Jockuscha : Cześć. Dzięki za zaproszenie.

Laur : A więc, gdybyśmy mogli trochę zacząć, czy mógłbyś nam opowiedzieć o firmie Siemens Digital Industries? Co właściwie robisz?

Stefan : Tak, w Siemens Digital Industries jesteśmy firmą zajmującą się oprogramowaniem technicznym. Dlatego opracowujemy oprogramowanie, które wspiera cały proces, od początkowego pomysłu na produkt, taki jak nowy telefon komórkowy lub smartwatch, po projekt, a następnie wytworzony produkt. Obejmuje to projekt mechaniczny, działające na nim oprogramowanie, a nawet układy scalone, które zasilają to urządzenie. Dzięki naszemu oprogramowaniu możesz przenieść to wszystko do cyfrowego świata. I lubimy rozmawiać o tym, co z tego wynika, jako cyfrowy bliźniak. Masz więc cyfrowego bliźniaka wszystkiego, zachowania, fizyki, symulacji, oprogramowania i chipa. I oczywiście możesz użyć tego cyfrowego bliźniaka, aby w zasadzie podjąć każdą decyzję lub wypróbować, jak produkt działa, jak się zachowuje, zanim będziesz musiał go zbudować. To w skrócie to, co robimy.

Laur: Pozostając przy idei cyfrowego bliźniaka, jak wytłumaczymy ideę chipu miastu? W jaki sposób producenci mogą symulować chip, jego funkcje, a następnie produkt, powiedzmy, jako samochód, a także środowisko otaczające samochód?

Stefan: Tak. Za tą ideą kryje się tak naprawdę myśl, że w przyszłości i już dziś musimy budować produkty, które umożliwią ludziom, którzy nad tym pracują, zobaczenie całości, a nie tylko fragmentu. Dlatego robimy to tak, jakbyśmy mówili od chipa do miasta, co tak naprawdę oznacza, że ​​kiedy projektujesz chip, który będzie działał w pojeździe dzisiejszym i bardziej w przyszłości, musisz wziąć pod uwagę wiele rzeczy podczas projektowania tego chipa. Musisz mieć pojęcie, czy chip kontroluje na przykład interpretację rzeczy, które widzą kamery do autonomicznej jazdy, musisz mieć pojęcie, ile obrazów ten chip musi przetworzyć lub ile rzeczy porusza się na tych obrazach i ewidentni piesi, jakie uznanie musisz zrobić? Musisz dużo zrozumieć, co się w końcu wydarzy. Pomysł polega więc na umożliwieniu projektantowi na poziomie chipa zrozumienia rzeczywistego zachowania produktu.

A to, co dzieje się dzisiaj, zwłaszcza, że ​​nie rozwijamy już samochodów tylko z myślą o samochodzie, coraz częściej łączymy pojazdy z otoczeniem, ze sobą. A jednym z głównych celów, jak wszyscy wiemy, jest oczywiście poprawa zanieczyszczenia w miastach, a także ruchu w miastach, tak naprawdę uczynienie tych obszarów metropolitalnych bardziej przyjaznymi. To jest również coś, co musimy wziąć pod uwagę w całym łańcuchu procesów, jeśli chcemy zobaczyć całość jako projektant. Więc to jest tło całego pomysłu, chip do miasta. I znowu, jak to powinno wyglądać dla projektanta, jeśli pomyślisz, projektuję ten moduł wizyjny w samochodzie i chcę zrozumieć, jak potężny musi być. Mam sposób na zanurzenie się w symulacji, bardzo dokładnej, i widzę, jakie dane zobaczy mój pojazd, co w nich jest, ile sygnałów z czujników otrzymam z innych źródeł i co mam zrobić. Naprawdę potrafię to wszystko rozegrać.

Laur: Bardzo podoba mi się to, że mogę zobaczyć całość, a nie tylko fragment tego niesamowicie złożonego sposobu myślenia, budowania, dostarczania. Aby wrócić do tego poziomu figur, jaką rolę odgrywa sztuczna inteligencja na poziomie żetonów?

Stefan: AI polega na wspieraniu, a nawet podejmowaniu właściwych decyzji w czasie rzeczywistym. I myślę, że to właśnie sztuczna inteligencja i poziom chipów razem stają się tak ważne, ponieważ wszyscy wiemy, że wiele inteligentnych rzeczy można zrobić, jeśli masz duży komputer w centrum danych. Ale sztuczna inteligencja i poziom chipów są naprawdę bardzo ukierunkowane na te aplikacje, które wymagają wydajności w czasie rzeczywistym i wydajności, która nie ma czasu na komunikowanie się zbyt wiele. A dzisiaj naprawdę ewoluuje do tego, że chipy, które wykonują aplikacje AI są już zaprojektowane w bardzo wyspecjalizowany sposób, bez względu na to, czy muszą wykonywać dużo mocy obliczeniowej, czy też muszą oszczędzać energię najlepiej, jak to możliwe, więc bądź bardzo niski zużycie energii lub czy potrzebują więcej pamięci. Więc tak, staje się coraz bardziej powszechną rzeczą, że widzimy sztuczną inteligencję osadzoną w malutkich chipach, a potem prawdopodobnie w przyszłych samochodach będziemy mieli kilkanaście aplikacji AI na poziomie półprzewodników do różnych rzeczy.

Laur: Cóż, to jest dobra uwaga, ponieważ to ludzie muszą podejmować te decyzje w czasie rzeczywistym za pomocą tych malutkich chipów na urządzeniach. Jak więc złożoność czegoś takiego jak ciągłe uczenie się z AI nie tylko pomaga AI stać się mądrzejszym, ale także wpływa na dane wyjściowe, które w końcu, choć bardzo szybko, pozwalają człowiekowi podejmować lepsze decyzje w czasie rzeczywistym?

Stefan: Powiedziałbym, że większość dzisiejszych zastosowań sztucznej inteligencji jest raczej zaprojektowana, aby pomóc człowiekowi w podjęciu dobrej decyzji, a nie w podejmowaniu decyzji. Nie sądzę, że aż tak bardzo mu ufamy. Na przykład w naszym własnym oprogramowaniu, tak jak wielu producentów oprogramowania, zaczynamy używać sztucznej inteligencji, aby ułatwić i przyspieszyć korzystanie z niej. Na przykład masz te bardzo złożone aplikacje do projektowania, które mogą robić wiele rzeczy i oczywiście mają setki menu. Mamy więc jedną aplikację, w której program obserwuje użytkownika i próbuje przewidzieć polecenie, którego użytkownik użyje w następnej kolejności. Więc po prostu zaoferuj to i po prostu powiedz: „Nie masz zamiaru tego zrobić?” No i oczywiście mówiłeś o ciągłym doskonaleniu, ciągłym uczeniu się – im dłużej aplikacja będzie mogła obserwować użytkownika, tym będzie dokładniejsza.

Obecnie jest już na poziomie ponad 95%, ale oczywiście ciągła nauka go poprawia. Nawiasem mówiąc, jest to również sposób na wykorzystanie sztucznej inteligencji nie tylko do pomocy jednemu użytkownikowi, ale także do kodowania wiedzy, doświadczenia, zróżnicowanego doświadczenia dobrych użytkowników i udostępniania ich innym użytkownikom. Jeśli bardzo doświadczony inżynier robi to i wykorzystuje sztuczną inteligencję, a ty w zasadzie wyciągasz te wnioski z tego inżyniera i przekazujesz je mniej doświadczonemu, który musi zrobić coś podobnego, to doświadczenie pomoże również nowemu użytkownikowi, początkującemu użytkownikowi.

Laur: To naprawdę przekonujące, ponieważ masz rację — budujesz bazę wiedzy, rzeczywistą bazę danych. I to wszystko w końcu pomaga AI, ale też naprawdę pomaga człowiekowi, ponieważ próbujesz rozszerzyć tę wiedzę na jak najwięcej ludzi. Teraz, kiedy myślimy o tym i sztucznej inteligencji na krawędzi, jak zmienia to szanse dla biznesu, niezależnie od tego, czy jesteś producentem, czy osobą korzystającą z urządzenia?

Stefan: Tak. I ogólnie rzecz biorąc, jest to oczywiście sposób na zróżnicowanie każdego, kto tworzy inteligentny produkt, na stworzenie zróżnicowania, ponieważ wszystkie te funkcje, które umożliwia sztuczna inteligencja, są oczywiście inteligentne i dają pewne zróżnicowanie. Ale przykład, o którym właśnie wspomniałem, w którym można przewidzieć, co zrobi użytkownik, jest to oczywiście coś, czego wiele programów jeszcze nie ma. Więc jest to sposób na zróżnicowanie. I z pewnością otwiera wiele możliwości tworzenia tych bardzo zróżnicowanych elementów funkcjonalności, czy to w oprogramowaniu, czy w pojazdach, w jakimkolwiek innym obszarze.

Laur: Więc gdybyśmy mieli to zastosować, być może do inteligentnej fabryki i tego, jak ludzie myślą o łańcuchu produkcyjnym, najpierw to się dzieje, a potem to się dzieje i zakłada się drzwi samochodu, a następnie silnik lub cokolwiek. Co możemy zastosować do tego rodzaju tradycyjnego sposobu myślenia o fabryce, a następnie zastosować do niej myślenie AI?

Stefan: Cóż, możemy zacząć od najstarszego problemu, jaki miała fabryka. Chodzi mi o to, że fabryki zawsze miały na celu produkowanie czegoś bardzo wydajnie i nieprzerwanie oraz wykorzystywanie zasobów. Tak więc każda fabryka stara się działać zawsze, kiedy powinna, nie ma nieprzewidzianych lub nieplanowanych przestojów. Tak więc sztuczna inteligencja zaczyna stawać się do tego świetnym narzędziem. Mogę podać bardzo praktyczny przykład z fabryki Siemensa, która produkuje płytki drukowane. A jednym z kroków, które muszą wykonać, jest frezowanie tych płytek drukowanych. Mają frezarkę i każdą frezarkę, szczególnie taką, która jest wysoce zautomatyzowana i zrobotyzowana, ma tendencję do pęcznienia się z czasem, brudzenia się. Dlatego jednym z wyzwań jest odpowiednia konserwacja, ponieważ nie chcesz, aby maszyna ulegała awarii w środku zmiany i powodowała nieplanowane przestoje.

Tak więc jednym wielkim wyzwaniem jest ustalenie, kiedy ta maszyna musi być konserwowana, oczywiście bez codziennej konserwacji, co byłoby bardzo kosztowne. Używamy więc aplikacji AI na urządzeniu brzegowym, które znajduje się w fabryce, aby monitorować tę maszynę i dość dokładnie przewidzieć, kiedy nadejdzie czas na konserwację i czyszczenie maszyny, aby nie uległa awarii podczas następnej zmiany . To tylko jeden przykład i wierzę, że istnieją setki potencjalnych zastosowań, które mogą nie zostać jeszcze w pełni opracowane w tym obszarze, aby naprawdę zapewnić, że fabryki produkują stałą wysoką jakość, aby nie było nieplanowanych przestojów maszyn. Oczywiście sztuczna inteligencja jest już wykorzystywana w wizualnych kontrolach jakości. Tak więc na hali produkcyjnej jest mnóstwo aplikacji.

Laur: A to ma ogromne konsekwencje dla producentów, ponieważ jak wspomniałeś, oszczędza pieniądze, prawda? Czy myślisz, że jest to trudna zmiana, aby dyrektorzy myśleli o inwestowaniu w technologię w nieco inny sposób, aby uzyskać wszystkie te korzyści?

Stefan: Tak. Tak jak z każdą technologią, nie sądziłem, że to duży blok, w tym momencie jest duże zainteresowanie i jest wielu producentów z inicjatywami w tej dziedzinie. Powiedziałbym więc, że prawdopodobnie spowoduje to znaczny postęp w produktywności, ale oczywiście oznacza to również inwestycje. I mogę powiedzieć, ponieważ jest dość przewidywalny, jaki będzie zwrot z tej inwestycji. Z tego co widzimy, jest tam dużo pozytywnej energii, żeby poczynić tę inwestycję i unowocześnić fabryki.

Laur: Jakich modernizacji potrzebujesz dla pracowników w fabrykach podczas instalacji i aplikacji, rodzaju przezbrojenia, aby mieć na uwadze aplikacje AI?

Stefan: To świetne pytanie, bo czasami powiedziałbym, że wielu użytkowników aplikacji wykorzystujących sztuczną inteligencję prawdopodobnie nawet nie wie, że ich używa. Więc w zasadzie dostajesz pudełko i powie ci, zaleca się konserwację tej maszyny teraz. Operator prawdopodobnie będzie wiedział, co robić, ale niekoniecznie wie, z jaką technologią pracuje. Ale to powiedziawszy, oczywiście prawdopodobnie będą pewne, powiedziałbym, prawie pojawiające się specjalizacje lub nowe umiejętności dla inżynierów, aby naprawdę, jak używać i jak optymalizować te aplikacje AI, których używają na hali produkcyjnej. Ponieważ, jak powiedziałem, mamy te aplikacje, które już dziś działają i działają, ale aby te aplikacje były naprawdę przydatne, aby były wystarczająco dokładne, to oczywiście do tego momentu potrzebna jest duża wiedza, przynajmniej część iteracja również. I prawdopodobnie nie ma dziś zbyt wielu ludzi, którzy naprawdę są wystarczająco doświadczeni w zakresie technologii, a także wystarczająco dobrze rozumieją środowisko fabryczne, aby to zrobić.

Myślę, że w dzisiejszych czasach jest to dość rzadka umiejętność i aby uczynić tę aplikację bardziej powszechną, oczywiście będziemy musieli stworzyć więcej tych ekspertów, którzy są naprawdę dobrzy w przygotowaniu sztucznej inteligencji do hali produkcyjnej i doprowadzeniu jej do odpowiedniej dojrzałości .

Laur: Wydaje się, że to doskonała okazja, prawda? Aby ludzie mogli nauczyć się nowych umiejętności. To nie jest przykład sztucznej inteligencji odbierającej miejsca pracy i bardziej negatywnych skojarzeń, które pojawiają się, gdy mówisz o sztucznej inteligencji i biznesie. W praktyce, jeśli połączymy to wszystko i porozmawiamy o VinFast, wietnamskim producencie samochodów, który chciał robić rzeczy zupełnie inaczej niż tradycyjna produkcja samochodów. Najpierw zbudowali fabrykę, ale potem zastosowali ten rodzaj nadrzędnego myślenia o chipie do fabryki, a potem w końcu do miasta. Wracając więc do pełnego koła, dlaczego to myślenie jest wyjątkowe, zwłaszcza dla producenta samochodów i jakie mają szanse i wyzwania?

Stefan: Tak. VinFast jest ciekawym przykładem, ponieważ kiedy zabrali się za produkcję pojazdów, w zasadzie zaczynali na zielonym polu. I to jest prawdopodobnie największa różnica między VinFastem a zdecydowaną większością głównych producentów samochodów. Że wszystkie mają sto lub więcej lat i mają oczywiście bogatą historię, co następnie przekłada się na posiadanie istniejących fabryk lub posiadanie wielu rzeczy, które naprawdę zostały zbudowane przed erą cyfryzacji. VinFast zaczął więc od greenfieldu, a to oczywiście jest dużym wyzwaniem, co bardzo utrudnia. Zaletą było jednak to, że naprawdę mieli możliwość rozpoczęcia w pełni zdigitalizowanego podejścia, że ​​mogli korzystać z oprogramowania. Ponieważ w zasadzie wszystko konstruowali i mogli naprawdę zacząć od tego całkiem kompletnego cyfrowego bliźniaka nie tylko ich produktu, ale także zaprojektowali całą fabrykę na komputerze, zanim jeszcze zaczęli ją budować. A potem budują go w rekordowym czasie.

Więc to jest prawdopodobnie duży, wyjątkowy aspekt, że mają możliwość bycia całkowicie cyfrowym. A jak już jesteś w tym stanie, kiedy już możesz powiedzieć cały mój projekt, oczywiście mój program działający na pojeździe, ale także cała moja fabryka, cała moja automatyzacja fabryki. Mam to już w pełni cyfrowo i potrafię przeprowadzać symulacje i scenariusze. Oznacza to również, że masz świetny punkt wyjścia do wykorzystania tych technologii AI do optymalizacji fabryki lub pomocy pracownikom w dodatkowych optymalizacjach i tak dalej.

Laur: Czy uważasz, że niemożliwe jest bycie jednym z tych stuletnich producentów i powolne wprowadzanie tego typu technologii? Prawdopodobnie nie musisz mieć środowiska greenfield, po prostu wszystko ułatwia, a raczej łatwiej, prawda?

Stefan: Tak. Wszystkim z nich, mam na myśli przemysł motoryzacyjny tradycyjnie był jednym z tych, które zainwestowały najwięcej w produktywność i cyfryzację. Więc wszyscy są na tej ścieżce. Ponownie, oni nie mają tak wyjątkowej sytuacji, jak ty, lub rzadko masz taką wyjątkową sytuację, w której możesz naprawdę zacząć od czystej karty. Ale oczywiście wiele technologii oprogramowania jest również dostosowanych do tego scenariusza. Gdzie na przykład masz istniejącą fabrykę, więc zaprojektowanie fabryki na komputerze nie pomoże, jeśli już ją masz. Korzystasz więc z tych technologii, które pozwalają przejść przez fabrykę i wykonać skan 3D. Więc wiesz dokładnie, jak fabryka wygląda od środka, bez projektowania w komputerze, ponieważ w zasadzie tworzysz te informacje po fakcie. A więc zdecydowanie to jest to, co robią znani lub tradycyjni producenci samochodów i gdzie zasadniczo wprowadzają cyfryzację nawet do istniejącego środowiska.

Laur: Naprawdę dyskutujemy o implikacjach, kiedy firmy mogą wykorzystywać symulacje i scenariusze do stosowania sztucznej inteligencji. Więc kiedy możesz, niezależnie od tego, czy jest to greenfield, czy też adaptujesz go do własnej fabryki, co dzieje się z biznesem? Jakie są wyniki? Gdzie są niektóre możliwości, które są możliwe, gdy sztuczną inteligencję można zastosować do samego chipa, do samochodu, a następnie do miasta, do większego ekosystemu?

Stefan: Tak. Kiedy naprawdę myślimy o wpływie na biznes, szczerze myślę, że jesteśmy na początku rozumienia i obliczania, jaka jest naprawdę wartość szybszych i dokładniejszych decyzji, które umożliwia sztuczna inteligencja. Nie sądzę, że w tym momencie mamy pełne zrozumienie i dla każdego jest oczywiste, że cyfryzacja, podobnie jak proces projektowania i proces produkcyjny. Nie tylko oszczędza nakłady na badania i rozwój oraz pieniądze na badania i rozwój, ale także pomaga zoptymalizować zapasy łańcucha dostaw, koszty produkcji i całkowity koszt nowego produktu. I tu właśnie spotykają się różne aspekty biznesu. I powiem szczerze, zaczynamy rozumieć natychmiastowe efekty, zaczynamy rozumieć, czy mam kontrolę jakości opartą na sztucznej inteligencji, która zmniejszy moje marnotrawstwo, więc mogę zrozumieć tego rodzaju wartość biznesową.

Ale istnieje cały wymiar biznesowej wartości korzystania z tej optymalizacji, która naprawdę przekłada się na całe przedsiębiorstwo. Powiedziałbym, że jest dużo pracy, aby lepiej zrozumieć te implikacje. Powiedziałbym jednak, że w tym momencie jesteśmy dopiero na początku tego, aby naprawdę zrozumieć, co optymalizacja procesu może zrobić dla przedsiębiorstwa jako całości.

Laur: Tak więc optymalizacja, ciągłe uczenie się, ciągłe doskonalenie, to sprawia, że ​​myślę o samochodach, oczywiście, Droga Toyoty , czyli ta przełomowa książka, która została napisana w 2003 roku, co jest niesamowite, ponieważ jest nadal aktualne. Ale czy w przypadku produkcji odchudzonej sztuczna inteligencja może stale ulepszać to na poziomie chipów, na poziomie fabryki, w mieście, aby pomóc tym firmom w podejmowaniu lepszych decyzji?

Stefan: Tak. Według mnie, Droga Toyoty , znowu książka wydana na początku 2000 roku, z ciągłym doskonaleniem, moim zdaniem ciągłe doskonalenie oczywiście zawsze może wiele, ale jest trochę uznania w ostatnich, powiedziałbym 5-10 lat, gdzieś jak że ciągłe doskonalenie mogło uderzyć w ścianę tego, co jest możliwe. Od tego czasu wiele myśli się o tym, jaki jest tak naprawdę następny paradygmat produkcji. Kiedy przestajesz myśleć o ewolucji i optymalizacji, a myślisz o kolejnej rewolucji. A jedna z koncepcji, które zostały tutaj opracowane, nazywa się przemysł 4.0, co tak naprawdę jest myślą o wywróceniu do góry nogami pomysłu na to, jak może działać produkcja lub jak może działać łańcuch wartości. I naprawdę zastanów się, co jeśli dostanę dwie fabryki, które całkowicie się samoorganizują, co jest swego rodzaju rewolucyjnym krokiem. Ponieważ dzisiaj, w większości fabryka jest tworzona wokół pewnego wyobrażenia o tym, jakie produkty wytwarza, kiedy masz linie, przenośniki i tym podobne, a wszystkie są przykręcone do podłogi. Więc to jest dość statyczny, oryginalny pomysł na fabrykę. I można go zoptymalizować ewolucyjnie przez długi czas, ale nigdy nie przekroczyłbyś tego progu.

Tak więc najnowsza myśl lub inne koncepcje, o których się myśli, to: co jeśli moja fabryka składa się z niezależnych, poruszających się robotów, które mogą wykonywać różne zadania. Mogą transportować materiał lub przełączyć się na trzymanie ramienia robota lub chwytaka. I w zależności od tego, jaki produkt wrzucę do tej fabryki, całkowicie się przetasuje i będzie działał inaczej, gdy przyjdę z bardzo innym produktem i zorganizuje się, aby zrobić coś innego. Oto niektóre z paradygmatów, o których myśli się dzisiaj, które oczywiście mogą stać się rzeczywistością tylko przy intensywnym wykorzystaniu w nich technologii sztucznej inteligencji. Uważamy, że naprawdę zrewolucjonizują przynajmniej to, co zrobią niektóre rodzaje produkcji. Dziś dużo mówimy o wielkości partii 1 io tym, że klienci chcą mieć więcej opcji i wariantów produktu. Tak więc fabryki, które są w stanie to zrobić, aby naprawdę produkować bardzo spersonalizowane produkty, bardzo wydajnie, muszą wyglądać zupełnie inaczej.

Pod wieloma względami uważam, że podejście polegające na ciągłym doskonaleniu jest bardzo słuszne. Ale myślę, że teraz żyjemy w czasach, w których bardziej myślimy o rewolucji paradygmatu produkcji.

Laur: To jest wspaniałe. Następnym paradygmatem jest rewolucja. Stefanie, dziękuję bardzo za przyłączenie się do nas dzisiaj w absolutnie fantastycznej rozmowie w Business Lab.

Stefan: Absolutnie. Cała przyjemność po mojej stronie. Dziękuję Ci.

Laur: Był to Stefan Jockusch, wiceprezes ds. strategii firmy Siemens Digital Industry Software, z którym rozmawiałem z Cambridge w stanie Massachusetts, siedziby MIT i MIT Technology Review, z widokiem na rzekę Charles. To tyle w tym odcinku Business Lab. Jestem twoim gospodarzem, Laurel Ruma. Jestem dyrektorem Insights, działu custom publishing w MIT Technology Review. Powstaliśmy w 1899 roku w Massachusetts Institute of Technology. Możesz nas znaleźć w drukach, w Internecie oraz na wydarzeniach online i na całym świecie. Więcej informacji o nas i programie znajdziesz na naszej stronie internetowej technologyreview.com. Program jest dostępny wszędzie tam, gdzie zdobędziesz swoje podcasty. Jeśli podobał Ci się ten odcinek, mamy nadzieję, że poświęcisz chwilę, aby nas ocenić i zrecenzować. Business Lab to produkcja MIT Technology Review. Ten odcinek został wyprodukowany przez Collective Next. Dziękuję za słuchanie.

ukryć