Hvordan AI vil revolutionere produktionen

I forbindelse med Siemens Digital Industries Software

Spørg Stefan Jockusch, hvordan en fabrik kan se ud om 10 eller 20 år, og svaret kan efterlade dig ved en krydsning mellem fascination og forvirring. Jockusch er vicepræsident for strategi hos Siemens Digital Industries Software, som udvikler applikationer, der simulerer udformning, design og fremstilling af produkter som mobiltelefoner eller smarture. Hans vision om en smart fabrik bugner af uafhængige, bevægelige robotter. Men de stopper ikke ved at lave en eller tre eller fem ting. Nej – denne fabrik er selvorganiserende.

Denne podcast-episode blev produceret af Insights, den tilpassede indholdsarm af MIT Technology Review. Den blev ikke produceret af MIT Technology Reviews redaktion.

Afhængigt af hvilket produkt jeg smider på denne fabrik, vil det blande sig fuldstændigt og fungere anderledes, når jeg kommer ind med et meget andet produkt, siger Jockusch. Den vil selv organisere sig for at gøre noget anderledes.

Bag denne fremtidens fabrik er kunstig intelligens (AI), siger Jockusch i denne episode af Business Lab. Men AI starter meget, meget mindre, med chippen. Tag bilfremstilling. Chipsene, der driver de forskellige applikationer i biler i dag - og morgendagens førerløse køretøjer - er indlejret med AI, som understøtter beslutningstagning i realtid. De er højt specialiserede, bygget med specifikke opgaver i tankerne. De mennesker, der designer chips, skal så se det store billede.

Man skal have en idé om, om chippen for eksempel styrer fortolkningen af ​​ting, som kameraerne ser til autonom kørsel. Du skal have en idé om, hvor mange billeder den chip skal behandle, eller hvor mange ting, der bevæger sig på de billeder, siger Jockusch. Du skal forstå meget om, hvad der vil ske i sidste ende.

Denne komplekse måde at bygge, levere og forbinde produkter og systemer på er, hvad Siemens beskriver som chip til by – ideen om, at fremtidige befolkningscentre vil blive drevet af transmission af data. Fabrikker og byer, der overvåger og administrerer sig selv, siger Jockusch, er afhængige af kontinuerlige forbedringer: AI udfører en handling, lærer af resultaterne og justerer derefter dens efterfølgende handlinger for at opnå et bedre resultat. I dag hjælper det meste AI mennesker med at træffe bedre beslutninger.

Vi har én applikation, hvor programmet overvåger brugeren og forsøger at forudsige den kommando, brugeren skal bruge næste gang, siger Jockusch. Jo længere applikationen kan se brugeren, desto mere nøjagtig vil den være.

Anvendelse af kunstig intelligens til fremstilling kan resultere i omkostningsbesparelser og store effektivitetsgevinster. Jockusch giver et eksempel fra en Siemens-fabrik med printkort, som bruges i de fleste elektroniske produkter. Den fræsemaskine, der bruges der, har en tendens til at gå op over tid - at blive snavset. Udfordringen er at afgøre, hvornår maskinen skal rengøres, så den ikke fejler midt i et skift.

Vi bruger faktisk en AI-applikation på en kant-enhed, der sidder lige på fabrikken, til at overvåge den maskine og lave en ret præcis forudsigelse, når det er tid til at udføre vedligeholdelsen, siger Jockusch.

Den fulde effekt af AI på forretningen – og hele rækken af ​​muligheder, teknologien kan afdække – er stadig ukendt.

Der sker en masse arbejde for at forstå disse implikationer bedre, siger Jockusch. Vi er lige ved startpunktet for at gøre dette, for virkelig at forstå, hvad optimering af en proces kan gøre for virksomheden som helhed.

Business Lab er vært for Laurel Ruma, direktør for Insights, den tilpassede udgivelsesafdeling af MIT Technology Review. Showet er en produktion af MIT Technology Review, med produktionshjælp fra Collective Next.

Denne podcast-episode blev produceret i samarbejde med Siemens Digital Industries Software.

Vis noter og links

Siemens hjælper vietnamesisk bilproducent med at producere de første køretøjer, Automation.com, 6. september 2019

Chip to city: fremtiden for mobilitet, af Stefan Jockusch, The International Society for Optics and Photonics Digital Library, 26. september 2019

Fuld udskrift

Laurel Ruma : Fra MIT Technology Review hedder jeg Laurel Ruma, og dette er Business Lab, showet, der hjælper virksomhedsledere med at forstå nye teknologier, der kommer ud af laboratoriet og ind på markedet. Vores emne i dag er kunstig intelligens og fysiske applikationer. AI kan køre på en chip, på en edge-enhed, i en bil, på en fabrik, og i sidste ende vil AI køre en by med beslutningstagning i realtid takket være hurtig behandling, små enheder og kontinuerlig læring. To ord til dig: smart fabrik.

Min gæst er Dr. Stefan Jockusch, som er vicepræsident for strategi for Siemens Digital Industries Software. Han er ansvarlig for strategisk forretningsplanlægning og markedsintelligens, og Stefan koordinerer også projekter på tværs af forretningssegmenter og med Siemens Digital Leadership. Denne episode af Business Lab er produceret i samarbejde med Siemens Digital Industries. Velkommen, Stefan.

Stefan Jockusch : Hej. Tak for at have mig.

Laurel : Så hvis vi kunne starte lidt, kan du så fortælle os om Siemens Digital Industries? Hvad gør du helt præcist?

Stefan : Ja, i Siemens Digital Industries er vi den tekniske softwarevirksomhed. Så vi udvikler software, der understøtter hele processen fra den første idé om et produkt som en ny mobiltelefon eller smartwatch, til designet og derefter det fremstillede produkt. Så det inkluderer det mekaniske design, softwaren, der kører på det, og endda de chips, der driver den enhed. Så med vores software kan du sætte alt dette ind i den digitale verden. Og vi taler gerne om, hvad du får ud af det, som den digitale tvilling. Så du har en digital tvilling af alting, adfærden, fysikken, simuleringen, softwaren og chippen. Og du kan selvfølgelig bruge den digitale tvilling til stort set at træffe enhver beslutning eller prøve, hvordan produktet fungerer, hvordan det opfører sig, før du overhovedet skal bygge det. Det er i en nøddeskal, hvad vi gør.

Laurel: Så forbliver på ideen om den digitale tvilling, hvordan forklarer vi ideen om chip til by? Hvordan kan producenter faktisk simulere en chip, dens funktioner og derefter produktet, f.eks. som en bil, såvel som miljøet omkring den bil?

Stefan: Ja. Bag den idé ligger egentlig tanken om, at vi i fremtiden og allerede i dag skal bygge produkter, så de mennesker, der arbejder med det, kan se helheden frem for blot en lille brik. Så det er derfor, vi gør det så stort som at sige fra chip til by, hvilket virkelig betyder, at når du designer en chip, der kører i et køretøj af i dag og mere i fremtiden, skal du tage en masse ting i betragtning mens du designer den chip. Du skal have en ide om, om chippen f.eks. styrer fortolkningen af ​​ting, som kameraerne ser ved autonom kørsel, du skal have en idé om, hvor mange billeder den chip skal behandle, eller hvor mange ting, der bevæger sig på de billeder og oplagte fodgængere, hvilken anerkendelse skal du gøre? Du skal forstå meget om, hvad der vil ske i sidste ende. Så ideen er at gøre det muligt for en designer på chipniveau at forstå et produkts faktiske adfærd.

Og det, der sker i dag, er især, at vi ikke udvikler biler længere kun med en bil i tankerne, vi forbinder mere og flere køretøjer med miljøet, til hinanden. Og et af de store formål, som vi alle ved, er selvfølgelig at forbedre forureningen i byerne og også trafikken i byerne, så virkelig at gøre disse storbyområder mere beboelige. Så det er også noget, vi skal tage højde for i hele denne proceskæde, hvis vi vil se helheden som designer. Så dette er baggrunden for hele denne idé, chip til by. Og igen, sådan som det skal se ud for en designer, hvis du tænker dig om, så designer jeg dette vision-modul i en bil, og jeg vil gerne forstå, hvor kraftfuldt det skal være. Jeg har en måde at fordybe mig i en simulering, en meget præcis, og jeg kan se, hvilke data mit køretøj vil se, hvad der er i dem, hvor mange sensorinput jeg får fra andre kilder, og hvad jeg skal gøre. Jeg kan virkelig spille mig igennem alt det.

Laurel: Jeg kan virkelig godt lide den indramning af at kunne se helheden, ikke kun stykket af denne utroligt komplekse måde at tænke, bygge, levere. Så for at komme tilbage til det stykke niveau, hvordan spiller AI en rolle på chip-niveau?

Stefan: AI handler meget om at støtte eller endda tage den rigtige beslutning i realtid. Og det er der, jeg tror, ​​hvor AI og chip-niveauet bliver så vigtigt sammen, for vi ved alle, at der kan gøres mange smarte ting, hvis man har en stor computer siddende et sted i et datacenter. Men AI og chipniveauet er virkelig meget målrettet mod disse applikationer, der har brug for realtidsydelse og en ydeevne, der ikke har tid til at kommunikere meget. Og i dag er det virkelig ved at udvikle sig til, at de chips, der laver AI-applikationer, nu er designet allerede på en meget specialiseret måde, uanset om de skal have meget computerkraft, eller om de skal spare energi så godt de kan, så vær meget lav strømforbrug eller om de har brug for mere hukommelse. Så ja, det bliver mere og mere almindeligt, at vi ser AI indlejret i små små chips, og så vil vi sandsynligvis i fremtidige biler have et dusin eller deromkring halvleder-niveau AI-applikationer til forskellige ting.

Laurel: Nå, det bringer en god pointe frem, fordi det er mennesker, der skal træffe disse beslutninger i realtid med disse små chips på enheder. Så hvordan hjælper kompleksiteten af ​​noget som kontinuerlig læring med AI ikke bare AI'en til at blive klogere, men påvirker også outputtet af data, som så til sidst, selvom det er meget hurtigt, giver mennesket mulighed for at træffe bedre beslutninger i realtid?

Stefan: Jeg vil sige, at de fleste AI-applikationer i dag snarere er designet til at hjælpe et menneske med at træffe en god beslutning frem for at træffe beslutningen. Jeg tror ikke, vi stoler så meget på det endnu. Så som et eksempel, i vores egen software, som så mange producenter af software, begynder vi at bruge AI for at gøre det nemmere og hurtigere at bruge. Så for eksempel har du disse meget komplekse designapplikationer, der kan mange ting, og selvfølgelig har de hundredvis af menuer. Så vi har en applikation, hvor programmet overvåger brugeren og forsøger at forudsige den kommando, brugeren skal bruge næste gang. Så bare for at tilbyde det og bare sige: 'Er du ikke ved at gøre det her?' Og selvfølgelig talte du om kontinuerlig forbedring, kontinuerlig læring - jo længere applikationen kan se brugeren, jo mere præcis bliver den.

Det er i øjeblikket allerede på et niveau på over 95%, men selvfølgelig forbedrer kontinuerlig læring det. Og det er i øvrigt også en måde at bruge AI på ikke bare til at hjælpe en enkelt bruger, men til at begynde at kode en viden, en oplevelse, en varieret oplevelse af gode brugere og gøre den tilgængelig for andre brugere. Hvis en meget erfaren ingeniør gør det og bruger AI, og du dybest set tager de lærte lektioner fra den ingeniør og giver det til en mindre erfaren, der skal gøre noget lignende, vil den oplevelse også hjælpe den nye bruger, nybegynderen.

Laurel: Det er virkelig overbevisende, fordi du har ret – du bygger en vidensdatabase, en egentlig database med data. Og så hjælper dette alt sammen AI'en til sidst, men hjælper også virkelig mennesket, fordi du forsøger at udvide denne viden til så mange mennesker som muligt. Når vi nu tænker på det og AI på kanten, hvordan ændrer dette muligheder for virksomheden, uanset om du er producent eller den person, der bruger enheden?

Stefan: Ja. Og generelt er det selvfølgelig en måde for alle, der laver et smart produkt, at differentiere på, at skabe differentiering, fordi alle disse, funktionerne aktiveret af AI selvfølgelig er smarte, og de giver en vis differentiering. Men det eksempel, jeg lige har nævnt, hvor man kan forudsige, hvad en bruger vil gøre, det er selvfølgelig noget, som mange stykker software endnu ikke har. Så det er en måde at differentiere på. Og det åbner helt sikkert masser af muligheder for at skabe disse meget differentierede stykker funktionalitet, uanset om det er i software eller i køretøjer, på et hvilket som helst andet område.

Laurel: Så hvis vi faktisk skulle anvende dette måske på en smart fabrik, og hvordan folk tænker på en produktionskæde, så sker det først, og så sker det, og der sættes en bildør på, og så sættes en motor i eller hvad som helst. Hvad kan vi anvende på den slags traditionelle måde at tænke en fabrik på og så anvende denne AI-tænkning på den?

Stefan: Nå, vi kan starte med det ældste problem, en fabrik har haft. Jeg mener, fabrikker har altid handlet om at producere noget meget effektivt og kontinuerligt og udnytte ressourcerne. Så enhver fabrik forsøger at være oppe og køre, når den skal være oppe at køre, uden at have nogen uforudset eller uplanlagt nedetid. Så AI begynder at blive et fantastisk værktøj til at gøre dette. Og jeg kan give dig et meget praktisk eksempel fra en Siemens-fabrik, der laver printkort. Og et af de trin, de skal gøre, er fræsning af disse printkort. De har en fræsemaskine og enhver fræsemaskine, især sådan en, der er meget automatiseret og robotiseret, den har en tendens til at gå op over tid, for at blive snavset. Så en udfordring er at have den rigtige vedligeholdelse, fordi du ikke ønsker, at maskinen fejler lige midt i et skift og skaber denne uplanlagte nedetid.

Så en stor udfordring er at finde ud af, hvornår denne maskine skal vedligeholdes, uden selvfølgelig at vedligeholde den hver dag, hvilket ville være meget dyrt. Så vi bruger faktisk en AI-applikation på en kant-enhed, der sidder lige på fabrikken, til at overvåge den maskine og lave en ret præcis forudsigelse, når det er tid til at udføre vedligeholdelsen og rense maskinen, så den ikke fejler i næste skift . Så dette er kun et eksempel, og jeg tror, ​​at der er hundredvis af potentielle applikationer, som måske ikke er helt færdige endnu på dette område, hvor man virkelig sikrer sig, at fabrikker producerer ensartet høj kvalitet, at der ikke er nogen uplanlagt nedetid på maskinerne. Der er selvfølgelig allerede meget brug af AI i visuelle kvalitetsinspektioner. Så der er tonsvis af applikationer på fabriksgulvet.

Laurel: Og dette har massive konsekvenser for producenterne, for som du nævnte, sparer det penge, ikke? Så er dette et hårdt skift, tror du, for ledere at tænke på at investere i teknologi på en lidt anderledes måde for derefter at få alle disse fordele?

Stefan: Ja. Det er ligesom med enhver teknologi, jeg ville ikke tro, det er en stor blok, der er stor interesse på dette tidspunkt, og der er mange producenter med initiativer på det område. Så jeg vil sige, at det sandsynligvis vil skabe betydelige fremskridt i produktiviteten, men det betyder selvfølgelig også investeringer. Og jeg kan sige, da det er ret forudsigeligt at se, hvad tilbagebetalingen af ​​denne investering vil være. Så vidt vi kan se, er der en masse positiv energi der, til at foretage denne investering og til at modernisere fabrikker.

Laurel: Hvilken slags moderniseringer har du brug for til arbejdsstyrken på fabrikkerne, når du installerer og anvender, en form for retooling for at have AI-applikationer i tankerne?

Stefan: Det er et godt spørgsmål, for nogle gange vil jeg sige, at mange brugere af kunstig intelligens-applikationer sandsynligvis ikke engang ved, at de bruger en. Så du dybest set får en boks, og det vil fortælle dig, anbefales det at vedligeholde denne maskine nu. Operatøren vil sandsynligvis vide, hvad han skal gøre, men ved ikke nødvendigvis, hvilken teknologi de arbejder med. Men når det er sagt, vil der nok være nogle, vil jeg sige, næsten nye specialer eller nye færdigheder, som ingeniører virkelig kan, hvordan man bruger og hvordan man optimerer disse AI-applikationer, som de bruger på fabriksgulvet. For som sagt har vi disse applikationer, der er oppe at køre og fungerer i dag, men for at nå de applikationer til at være virkelig nyttige, for at være nøjagtige nok, kræver det selvfølgelig en masse ekspertise, i det mindste nogle også iteration. Og der er nok ikke så mange mennesker i dag, som virkelig er erfarne nok med teknologierne og også forstår fabriksmiljøet godt nok til at gøre dette.

Jeg tror, ​​at dette er en ret, ret sjælden færdighed i disse dage, og for at gøre dette til en mere almindelig anvendelse bliver vi selvfølgelig nødt til at skabe flere af disse eksperter, som er rigtig gode til at gøre AI fabriksklar og få den til den rigtige modenhed .

Laurel: Det ser ud til at være en glimrende mulighed, ikke? For at folk skal lære nye færdigheder. Dette er ikke et eksempel på, at AI fjerner jobs og de mere negative konnotationer, man får, når man taler om AI og forretning. I praksis, hvis vi kombinerer alt dette og taler om VinFast, den vietnamesiske bilproducent, der ønskede at gøre tingene en hel del anderledes end traditionel bilproduktion. Først byggede de en fabrik, men så anvendte de den slags overordnede tankegang om chip til fabrikken og så til sidst til byen. Så når vi vender tilbage, hvorfor er denne tænkning unik, især for en bilproducent, og hvilken slags muligheder og udfordringer har de?

Stefan: Ja. VinFast er et interessant eksempel, for da de begyndte at lave køretøjer, startede de stort set på en grøn mark. Og det er nok den største forskel på VinFast og langt de fleste af de store bilproducenter. At de alle er hundrede eller flere år gamle og selvfølgelig har en masse historie, som så udmønter sig i, at man har eksisterende fabrikker eller har en masse ting, der virkelig blev bygget før digitaliseringens tidsalder. Så VinFast startede fra et greenfield, og det er selvfølgelig en stor udfordring, det gør det meget svært. Men fordelen var, at de virkelig har mulighed for at starte med en fuld digitaliseret tilgang, at de kunne bruge software. Fordi de dybest set konstruerede alt, og de kunne virkelig starte med denne ret komplette digitale tvilling af ikke kun deres produkt, men de designede også hele fabrikken på en computer, før de overhovedet begyndte at bygge den. Og så bygger de det på rekordtid.

Så det er nok det store, unikke aspekt, at de har denne mulighed for at være helt digitale. Og når du først er i den tilstand, når du allerede kan sige hele mit design, selvfølgelig, min software kører på køretøjet, men også hele min fabrik, hele min fabriksautomatisering. Jeg har allerede dette på en fuldt digital måde, og jeg kan køre gennem simuleringer og scenarier. Det betyder også, at du har et godt udgangspunkt for at bruge disse AI-teknologier til at optimere din fabrik eller til at hjælpe arbejderne med de yderligere optimeringer og så videre.

Laurel: Tror du, det er umuligt at være en af ​​de hundrede år gamle producenter og langsomt adoptere den slags teknologier? Du behøver nok ikke at have et greenfield-miljø, det gør bare det hele nemt, eller skal jeg sige nemmere, ikke?

Stefan: Ja. Alle sammen, jeg mener, bilindustrien har traditionelt været en af ​​dem, der investerede mest i produktivitet og digitalisering. Så alle er på den vej. Igen, de har ikke denne meget unikke situation, som du, eller sjældent har denne unikke situation, at du virkelig kan starte fra et blankt tavle. Men meget af softwareteknologien er selvfølgelig også tilpasset det scenarie. Hvor du f.eks. har en eksisterende fabrik, så det hjælper dig ikke så meget at designe en fabrik på computeren, hvis du allerede har en. Så du bruger disse teknologier, der giver dig mulighed for at gå gennem fabrikken og lave en 3D-scanning. Så du ved præcis, hvordan fabrikken ser ud indefra uden at have den designet i en computer, fordi du i det væsentlige producerer den information bagefter. Så det er bestemt, hvad de etablerede eller de traditionelle bilproducenter gør meget, og hvor de også dybest set bringer digitaliseringen selv ind i det eksisterende miljø.

Laurel: Vi diskuterer virkelig implikationerne, når virksomheder kan bruge simuleringer og scenarier til at anvende AI. Så når du kan, uanset om det er greenfield eller ej, eller du adopterer det til din egen fabrik, hvad sker der så med virksomheden? Hvad er resultaterne? Hvor er nogle af de muligheder, der er mulige, når kunstig intelligens kan anvendes på selve chippen, til bilen og så til sidst til byen, til et større økosystem?

Stefan: Ja. Når vi virkelig tænker på indvirkningen på virksomheden, tror jeg ærligt talt, at vi er i begyndelsen af ​​at forstå og beregne, hvad værdien af ​​hurtigere og mere præcise beslutninger i virkeligheden er, som er aktiveret af AI. Jeg tror ikke, vi har en særlig fuldstændig forståelse på dette tidspunkt, og det er ret indlysende for alle, at digitalisering ligesom designprocessen og fremstillingsprocessen. Det sparer ikke kun F&U-indsats og F&U-penge, men det hjælper også med at optimere forsyningskædens lagerbeholdninger, fremstillingsomkostningerne og de samlede omkostninger ved det nye produkt. Og det er virkelig her, forskellige aspekter af forretningen mødes. Og jeg vil ærligt sige, at vi begynder at forstå de umiddelbare virkninger, vi begynder at forstå, om jeg har et AI-drevet kvalitetstjek, der vil reducere mit spild, så jeg kan forstå den slags forretningsværdi.

Men der er en hel dimension af forretningsværdi ved at bruge denne optimering, som virkelig oversættes til hele virksomheden. Og jeg vil sige, at der sker en masse arbejde for at forstå disse implikationer bedre. Men jeg vil sige på dette tidspunkt, at vi kun er ved startpunktet for at gøre dette, for virkelig at forstå, hvad optimering af en proces kan gøre for virksomheden som helhed.

Laurel: Så optimering, løbende læring, løbende forbedringer, det får mig til at tænke på, og biler, selvfølgelig, Toyota Way , som er den banebrydende bog, der blev skrevet i 2003, hvilket er fantastisk, fordi den stadig er aktuel i dag. Men med lean manufacturing, er det muligt for AI løbende at forbedre det på chipniveau, på fabriksniveau, i byen for at hjælpe disse virksomheder med at træffe bedre beslutninger?

Stefan: Ja. Efter min mening, Toyota Way , igen, bogen udgivet i begyndelsen af ​​2000'erne, med kontinuerlig forbedring, efter min mening kan kontinuerlig forbedring selvfølgelig altid gøre meget, men der er en lille smule anerkendelse i de sidste, jeg vil sige fem til 10 år, et sted som f.eks. at den løbende forbedring måske har ramt muren af, hvad der er muligt. Så der er siden da tænkt meget over, hvad der egentlig er det næste paradigme for fremstilling. Når du holder op med at tænke på evolution og optimering, og du tænker på mere revolution. Og et af de koncepter, der er blevet udviklet her, hedder industri 4.0, som egentlig er tanken om at vende op og ned på ideen om, hvordan fremstilling eller hvordan værdikæden kan fungere. Og tænk virkelig på, hvad hvis jeg får to fabrikker, der er fuldstændig selvorganiserende, hvilket er noget af et revolutionerende skridt. For i dag er det mest en fabrik, der er indrettet omkring en bestemt idé om, hvilke produkter den laver, og hvornår man har linjer og transportører og sådan noget, og de er alle sammen boltet til gulvet. Så det er ret statisk, den oprindelige idé om en fabrik. Og du kan optimere det på en evolutionær måde i lang tid, men du ville aldrig bryde igennem den tærskel.

Så den nyeste tanke eller de andre koncepter, der tænkes på, er, hvad nu hvis min fabrik består af selvstændige, bevægelige robotter, og robotterne kan udføre forskellige opgaver. De kan transportere materiale, eller de kan så skifte til at holde en robotarm eller en griber. Og afhængigt af hvilket produkt jeg smider på denne fabrik, vil det omrokere sig selv fuldstændigt og fungere anderledes, når jeg kommer ind med et meget andet produkt, og det vil selvorganisere sig til at gøre noget anderledes. Så det er nogle af de paradigmer, der tænkes på i dag, som selvfølgelig kun kan blive en realitet med stor brug af AI-teknologier i dem. Og vi tror, ​​de virkelig kommer til at revolutionere i det mindste, hvad nogle former for fremstilling vil gøre. I dag taler vi meget om parti størrelse et, og at kunderne ønsker flere muligheder og variationer i et produkt. Så de fabrikker, der er i stand til at gøre dette, for virkelig at producere meget tilpassede produkter, meget effektivt, de skal se meget anderledes ud.

Så på mange måder tror jeg, at der er meget validitet i tilgangen til løbende forbedringer. Men jeg tror, ​​at vi lige nu lever i en tid, hvor vi tænker mere på en revolution af fremstillingsparadigmet.

Laurel: Det er fantastisk. Det næste paradigme er revolution. Stefan, mange tak for at være med i dag i det, der har været en helt fantastisk samtale på Business Lab.

Stefan: Absolut. Min fornøjelse. Tak skal du have.

Laurel: Det var Stefan Jockusch, vicepræsident for strategi for Siemens Digital Industry Software, som jeg talte med fra Cambridge, Massachusetts, hjemsted for MIT og MIT Technology Review, med udsigt over Charles River. Det var det for denne episode af Business Lab. Jeg er din vært, Laurel Ruma. Jeg er direktør for Insights, den tilpassede udgivelsesafdeling af MIT Technology Review. Vi blev grundlagt i 1899 på Massachusetts Institute of Technology. Og du kan finde os på print, på nettet og ved begivenheder online og rundt om i verden. For mere information om os og showet, tjek venligst vores hjemmeside på technologyreview.com. Showet er tilgængeligt overalt, hvor du får dine podcasts. Hvis du kunne lide denne episode, håber vi, at du vil bruge et øjeblik på at bedømme og anmelde os. Business Lab er en produktion af MIT Technology Review. Denne episode blev produceret af Collective Next. Tak for at lytte.

skjule