Hvordan AI vil revolusjonere produksjon

I samarbeid med Siemens Digital Industries-programvare

Spør Stefan Jockusch hvordan en fabrikk kan se ut om 10 eller 20 år, og svaret kan etterlate deg ved et veiskille mellom fascinasjon og forvirring. Jockusch er visepresident for strategi i Siemens Digital Industries Software, som utvikler applikasjoner som simulerer unnfangelse, design og produksjon av produkter som mobiltelefoner eller smartklokker. Hans visjon om en smart fabrikk er full av uavhengige, bevegelige roboter. Men de stopper ikke ved å lage en eller tre eller fem ting. Nei – denne fabrikken er selvorganiserende.

Denne podcast-episoden ble produsert av Insights, den tilpassede innholdsarmen til MIT Technology Review. Den ble ikke produsert av MIT Technology Reviews redaksjon.

Avhengig av hvilket produkt jeg kaster på denne fabrikken, vil det stokke seg helt om og fungere annerledes når jeg kommer inn med et helt annet produkt, sier Jockusch. Den vil selvorganisere seg for å gjøre noe annerledes.

Bak denne fremtidens fabrikk står kunstig intelligens (AI), sier Jockusch i denne episoden av Business Lab. Men AI starter mye, mye mindre, med brikken. Ta bilproduksjon. Brikkene som driver de ulike applikasjonene i biler i dag – og morgendagens førerløse kjøretøyer – er innebygd med AI, som støtter sanntids beslutningstaking. De er svært spesialiserte, bygget med spesifikke oppgaver i tankene. De som designer brikker må da se det store bildet.

Du må ha en idé om brikken for eksempel styrer tolkningen av ting som kameraene ser for autonom kjøring. Du må ha en ide om hvor mange bilder den brikken må behandle eller hvor mange ting som beveger seg på disse bildene, sier Jockusch. Du må forstå mye om hva som vil skje til slutt.

Denne komplekse måten å bygge, levere og koble sammen produkter og systemer er det Siemens beskriver som chip to city – ideen om at fremtidige befolkningssentre vil bli drevet av overføring av data. Fabrikker og byer som overvåker og administrerer seg selv, sier Jockusch, er avhengige av kontinuerlig forbedring: AI utfører en handling, lærer av resultatene, og justerer deretter de påfølgende handlingene for å oppnå et bedre resultat. I dag hjelper mest AI mennesker med å ta bedre beslutninger.

Vi har én applikasjon der programmet ser på brukeren og prøver å forutsi kommandoen brukeren skal bruke neste gang, sier Jockusch. Jo lenger applikasjonen kan se brukeren, jo mer nøyaktig blir den.

Å bruke AI på produksjon kan resultere i kostnadsbesparelser og store effektivitetsgevinster. Jockusch gir et eksempel fra en Siemens-fabrikk med trykte kretskort, som brukes i de fleste elektroniske produkter. Fresen som brukes der har en tendens til å gå opp over tid - å bli skitten. Utfordringen er å finne ut når maskinen må rengjøres slik at den ikke svikter midt i et skift.

Vi bruker faktisk en AI-applikasjon på en kantenhet som sitter rett på fabrikken for å overvåke den maskinen og lage en ganske nøyaktig prediksjon når det er på tide å utføre vedlikeholdet, sier Jockusch.

Den fulle effekten av AI på virksomheten – og hele spekteret av muligheter teknologien kan avdekke – er fortsatt ukjent.

Det er mye arbeid som skjer for å forstå disse implikasjonene bedre, sier Jockusch. Vi er bare ved startpunktet for å gjøre dette, for å virkelig forstå hva optimalisering av en prosess kan gjøre for bedriften som helhet.

Business Lab er vert for Laurel Ruma, direktør for Insights, den tilpassede publiseringsavdelingen til MIT Technology Review. Showet er en produksjon av MIT Technology Review, med produksjonshjelp fra Collective Next.

Denne podcast-episoden ble produsert i samarbeid med Siemens Digital Industries Software.

Vis notater og lenker

Siemens hjelper den vietnamesiske bilprodusenten med å produsere de første kjøretøyene, Automation.com, 6. september 2019

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

Full utskrift

Laurel Ruma : Fra MIT Technology Review heter jeg Laurel Ruma, og dette er Business Lab, showet som hjelper bedriftsledere å forstå nye teknologier som kommer ut av laboratoriet og inn på markedet. Temaet vårt i dag er kunstig intelligens og fysiske applikasjoner. AI kan kjøre på en brikke, på en kantenhet, i en bil, på en fabrikk, og til syvende og sist vil AI drive en by med sanntids beslutningstaking, takket være rask prosessering, små enheter og kontinuerlig læring. To ord til deg: smart fabrikk.

Min gjest er Dr. Stefan Jockusch, som er visepresident for strategi for Siemens Digital Industries Software. Han er ansvarlig for strategisk forretningsplanlegging og markedsintelligens, og Stefan koordinerer også prosjekter på tvers av forretningssegmenter og med Siemens Digital Leadership. Denne episoden av Business Lab er produsert i samarbeid med Siemens Digital Industries. Velkommen, Stefan.

Stefan Jockusch : Hei. Takk for at du har meg.

Laurel : Så hvis vi kunne starte litt, kan du fortelle oss om Siemens Digital Industries? Hva gjør du egentlig?

Stefan : Ja, i Siemens Digital Industries er vi den tekniske programvarebransjen. Så vi utvikler programvare som støtter hele prosessen fra den første ideen om et produkt som en ny mobiltelefon eller smartklokke, til designet, og deretter det produserte produktet. Så det inkluderer den mekaniske designen, programvaren som kjører på den, og til og med brikkene som driver enheten. Så med vår programvare kan du sette alt dette inn i den digitale verden. Og vi liker å snakke om hva du får ut av det, som den digitale tvillingen. Så du har en digital tvilling av alt, oppførselen, fysikken, simuleringen, programvaren og brikken. Og du kan selvfølgelig bruke den digitale tvillingen til å ta en avgjørelse eller prøve ut hvordan produktet fungerer, hvordan det oppfører seg, før du i det hele tatt må bygge det. Det er i et nøtteskall hva vi gjør.

Laurel: Så, forblir på ideen om den digitale tvillingen, hvordan forklarer vi ideen om chip til by? Hvordan kan produsenter faktisk simulere en brikke, dens funksjoner, og deretter produktet, for eksempel som en bil, så vel som miljøet rundt den bilen?

Stefan: Ja. Bak den ideen ligger egentlig tanken om at vi i fremtiden, og allerede i dag, må bygge produkter, slik at folk som jobber med det kan se helheten, i stedet for bare en liten bit. Så dette er grunnen til at vi gjør det så stort som å si fra brikke til by, noe som egentlig betyr at når du designer en brikke som kjører i et kjøretøy av i dag og mer i fremtiden, må du ta mange ting i betraktning mens du designer den brikken. Du må ha en ide om brikken for eksempel styrer tolkningen av ting som kameraene ser for autonom kjøring, du må ha en ide om hvor mange bilder brikken må behandle eller hvor mange ting som beveger seg på disse bildene og åpenbare fotgjengere, hvilken anerkjennelse må du gjøre? Du må forstå mye om hva som vil skje til slutt. Så ideen er å gjøre det mulig for en designer på brikkenivå å forstå den faktiske oppførselen til et produkt.

Og det som skjer i dag, spesielt er at vi ikke utvikler biler lenger bare med en bil i tankene, vi kobler mer og mer kjøretøy til miljøet, til hverandre. Og et av de store formålene, som vi alle vet, er selvfølgelig å forbedre forurensningen i byene og også trafikken i byene, så egentlig å gjøre disse storbyområdene mer beboelige. Så det er også noe vi må ta hensyn til i hele denne prosesskjeden, hvis vi vil se helheten som designer. Så dette er bakgrunnen for hele denne ideen, chip to city. Og igjen, slik det skal se ut for en designer, hvis du tenker deg om, designer jeg denne visjonsmodulen i en bil, og jeg vil forstå hvor kraftig den må være. Jeg har en måte å fordype meg i en simulering, en veldig nøyaktig en, og jeg kan se hvilke data kjøretøyet mitt vil se, hva som er i dem, hvor mange sensorinnganger jeg får fra andre kilder, og hva jeg må gjøre. Jeg kan virkelig spille meg gjennom alt dette.

Laurel: Jeg liker virkelig den innrammingen av å kunne se helheten, ikke bare delen av denne utrolig komplekse måten å tenke, bygge, levere på. Så for å komme tilbake til det brikkenivået, hvordan spiller AI en rolle på brikkenivået?

Stefan: AI handler mye om å støtte eller til og med ta den riktige avgjørelsen i sanntid. Og det er der jeg tror AI og brikkenivået blir så viktig sammen, fordi vi alle vet at mange smarte ting kan gjøres hvis du har en stor datamaskin som sitter et sted i et datasenter. Men AI og brikkenivået er egentlig veldig målrettet mot disse applikasjonene som trenger sanntidsytelse og en ytelse som ikke har tid til å kommunisere mye. Og i dag utvikler det seg virkelig til at brikkene som gjør AI-applikasjoner nå er designet allerede på en veldig spesialisert måte, enten de må gjøre mye datakraft eller om de må spare energi så godt de kan, så vær veldig lav strømforbruk eller om de trenger mer minne. Så ja, det blir mer og mer vanlig at vi ser AI innebygd i bitte små brikker, og da vil vi sannsynligvis i fremtidige biler ha et titalls halvledernivå AI-applikasjoner for forskjellige ting.

Laurel: Vel, det bringer opp et godt poeng fordi det er menneskene som trenger å ta disse avgjørelsene i sanntid med disse små brikkene på enheter. Så hvordan hjelper kompleksiteten til noe som kontinuerlig læring med AI, ikke bare AI til å bli smartere, men påvirker også utdataene, som til slutt, selv om det er veldig raskt, lar mennesket ta bedre beslutninger i sanntid?

Stefan: Jeg vil si at de fleste applikasjoner av AI i dag er snarere designet for å hjelpe et menneske med å ta en god beslutning i stedet for å ta avgjørelsen. Jeg tror ikke vi stoler så mye på det ennå. Så som et eksempel, i vår egen programvare, som så mange produsenter av programvare, begynner vi å bruke AI for å gjøre det enklere og raskere å bruke. Så for eksempel har du disse svært komplekse designapplikasjonene som kan gjøre mange ting, og selvfølgelig har de hundrevis av menyer. Så vi har en applikasjon der programmet ser på brukeren og prøver å forutsi kommandoen brukeren skal bruke neste gang. Så bare for å tilby det og bare si: 'Er du ikke i ferd med å gjøre dette?' Og selvfølgelig snakket du om kontinuerlig forbedring, kontinuerlig læring – jo lenger applikasjonen kan se brukeren, jo mer nøyaktig blir den.

Det er for øyeblikket allerede på et nivå på over 95 %, men selvfølgelig forbedrer kontinuerlig læring det. Og forresten, dette er også en måte å bruke AI på ikke bare for å hjelpe en enkelt bruker, men for å begynne å kode en kunnskap, en opplevelse, en variert opplevelse av gode brukere og gjøre den tilgjengelig for andre brukere. Hvis en svært erfaren ingeniør gjør det og bruker AI, og du i utgangspunktet tar de lærte leksjonene fra den ingeniøren og gir den til noen mindre erfarne som må gjøre noe lignende, vil den erfaringen også hjelpe den nye brukeren, nybegynneren.

Laurel: Det er virkelig overbevisende fordi du har rett – du bygger en kunnskapsdatabase, en faktisk database med data. Og så hjelper alt dette AI til slutt, men hjelper også virkelig mennesket fordi du prøver å utvide denne kunnskapen til så mange mennesker som mulig. Nå, når vi tenker på det og AI på kanten, hvordan endrer dette mulighetene for virksomheten, enten du er en produsent eller personen som bruker enheten?

Stefan: Ja. Og generelt sett er det selvfølgelig en måte for alle som lager et smart produkt å differensiere på, å skape differensiering fordi alle disse, funksjonene som aktiveres av AI selvfølgelig er smarte, og de gir en viss differensiering. Men eksemplet jeg nettopp nevnte hvor du kan forutsi hva en bruker vil gjøre, det er selvfølgelig noe som mange deler av programvaren ikke har ennå. Så det er en måte å skille på. Og det åpner absolutt mange muligheter for å lage disse svært differensierte funksjonene, enten det er i programvare eller i kjøretøy, i et hvilket som helst annet område.

Laurel: Så hvis vi faktisk skulle bruke dette kanskje på en smart fabrikk og hvordan folk tenker på en produksjonskjede, skjer først dette, og så skjer det og en bildør settes på og så settes en motor inn eller hva som helst. Hva kan vi bruke på den slags tradisjonelle måten å tenke på en fabrikk og deretter bruke denne AI-tenkningen på den?

Stefan: Vel, vi kan starte med det eldste problemet en fabrikk har hatt. Jeg mener, fabrikker har alltid handlet om å produsere noe veldig effektivt og kontinuerlig og utnytte ressursene. Så enhver fabrikk prøver å være i gang når den skal være i gang, uten uforutsett eller uplanlagt nedetid. Så AI begynner å bli et flott verktøy for å gjøre dette. Og jeg kan gi deg et veldig praktisk eksempel fra en Siemens-fabrikk som lager kretskort. Og ett av trinnene de må gjøre er å frese disse kretskortene. De har en fresemaskin og en hvilken som helst fresemaskin, spesielt en slik som er svært automatisert og robotisert, den har en tendens til å gå opp over tid, for å bli skitten. En utfordring er derfor å ha riktig vedlikehold fordi du ikke vil at maskinen skal svikte midt i et skift og skape denne uplanlagte nedetiden.

Så en stor utfordring er å finne ut når denne maskinen må vedlikeholdes, uten selvfølgelig å vedlikeholde den hver dag, noe som ville være veldig dyrt. Så vi bruker faktisk en AI-applikasjon på en kantenhet som sitter rett på fabrikken, for å overvåke den maskinen og lage en ganske nøyaktig prediksjon når det er på tide å utføre vedlikeholdet og rengjøre maskinen slik at den ikke svikter i neste skift . Så dette er bare ett eksempel, og jeg tror det er hundrevis av potensielle applikasjoner som kanskje ikke er helt ferdige ennå på dette området for å virkelig sørge for at fabrikker produserer jevn høy kvalitet, at det ikke er uplanlagt nedetid på maskinene. Det er selvfølgelig mye bruk allerede av AI i visuelle kvalitetsinspeksjoner. Så det er tonnevis av applikasjoner på fabrikkgulvet.

Laurel: Og dette har enorme implikasjoner for produsenter, for som du nevnte, sparer det penger, ikke sant? Så er dette et tøft skifte, tror du, for ledere å tenke på å investere i teknologi på en litt annen måte for så å få alle disse fordelene?

Stefan: Ja. Det er som med all teknologi, jeg vil ikke tro det er en stor blokk, det er stor interesse på dette tidspunktet, og det er mange produsenter med initiativer på dette området. Så jeg vil si at det sannsynligvis kommer til å skape en betydelig fremgang i produktiviteten, men selvfølgelig betyr det også investeringer. Og jeg kan si siden det er ganske forutsigbart å se hva tilbakebetalingen av denne investeringen vil være. Så vidt vi kan se, er det mye positiv energi der, for å gjøre denne investeringen og for å modernisere fabrikker.

Laurel: Hva slags moderniseringer trenger du for arbeidsstyrken i fabrikkene når du installerer og bruker, slags ombygging for å ha AI-applikasjoner i tankene?

Stefan: Det er et godt spørsmål fordi noen ganger vil jeg si at mange brukere av kunstig intelligens-applikasjoner sannsynligvis ikke engang vet at de bruker en. Så du i utgangspunktet får en boks og det vil fortelle deg, anbefales å vedlikeholde denne maskinen nå. Operatøren vil sannsynligvis vite hva de skal gjøre, men vet ikke nødvendigvis hvilken teknologi de jobber med. Men når det er sagt, vil det sannsynligvis være noen, vil jeg si, nesten nye spesialiteter eller nye ferdigheter for ingeniører å virkelig, hvordan de skal bruke og hvordan de kan optimalisere disse AI-applikasjonene som de bruker på fabrikkgulvet. For som jeg sa, vi har disse applikasjonene som er oppe og går og fungerer i dag, men for å få disse applikasjonene til å være virkelig nyttige, for å være nøyaktige nok, så trenger det selvfølgelig mye ekspertise, i det minste noen iterasjon også. Og det er nok ikke så mange i dag som virkelig er erfarne nok med teknologiene og forstår fabrikkmiljøet godt nok til å gjøre dette.

Jeg tror dette er en ganske, ganske sjelden ferdighet i disse dager, og for å gjøre dette til en mer vanlig applikasjon må vi selvfølgelig lage flere av disse ekspertene som er veldig flinke til å gjøre AI fabrikkklar og få den til riktig modenhet .

Laurel: Det ser ut til å være en utmerket mulighet, ikke sant? For at folk skal lære nye ferdigheter. Dette er ikke et eksempel på at AI tar bort jobber og at mer negative konnotasjoner du får når du snakker om AI og business. I praksis, hvis vi kombinerer alt dette og snakker om VinFast, den vietnamesiske bilprodusenten som ønsket å gjøre ting ganske annerledes enn tradisjonell bilproduksjon. Først bygde de en fabrikk, men så brukte de den slags overordnede tenkningen av brikke på fabrikken og til slutt til byen. Så når vi kommer tilbake i full sirkel, hvorfor er denne tenkningen unik, spesielt for en bilprodusent og hva slags muligheter og utfordringer har de?

Stefan: Ja. VinFast er et interessant eksempel fordi når de begynte å lage kjøretøy, startet de i utgangspunktet på et grønt felt. Og det er nok den største forskjellen mellom VinFast og det store flertallet av de store bilprodusentene. At alle er hundre eller flere år gamle og selvfølgelig har mye historie, som da slår ut i å ha eksisterende fabrikker eller ha mange ting som virkelig ble bygget før digitaliseringens tidsalder. Så VinFast startet fra et greenfield, og det er selvfølgelig en stor utfordring, det gjør det veldig vanskelig. Men fordelen var at de virkelig har muligheten til å starte med en fullstendig digitalisert tilnærming, at de var i stand til å bruke programvare. Fordi de i bunn og grunn konstruerte alt, og de kunne virkelig starte med denne ganske komplette digitale tvillingen av ikke bare produktet deres, men de designet også hele fabrikken på en datamaskin før de begynte å bygge den. Og så bygger de det på rekordtid.

Så det er nok det store, unike aspektet at de har denne muligheten til å være helt digitale. Og når du først er i den tilstanden, når du allerede kan si hele designet mitt, selvfølgelig, programvaren min som kjører på kjøretøyet, men også hele fabrikken min, hele fabrikkautomatiseringen min. Jeg har dette allerede på en heldigital måte, og jeg kan kjøre gjennom simuleringer og scenarier. Det betyr også at du har et godt utgangspunkt for å bruke disse AI-teknologiene for å optimalisere fabrikken din eller for å hjelpe arbeiderne med de ekstra optimaliseringene og så videre.

Laurel: Tror du det er umulig å være en av de hundre år gamle produsentene og sakte ta i bruk denne typen teknologier? Du trenger sannsynligvis ikke å ha et greenfield-miljø, det gjør bare alt enkelt eller jeg skal si enklere, ikke sant?

Stefan: Ja. Alle sammen, jeg mener bilindustrien har tradisjonelt vært en av de som har investert mest i produktivitet og digitalisering. Så alle er på den veien. Igjen, de har ikke denne veldig unike situasjonen som du, eller sjelden har denne unike situasjonen som du virkelig kan starte fra et blankt ark. Men mye av programvareteknologien er selvfølgelig også tilpasset det scenariet. Hvor du for eksempel har en eksisterende fabrikk, så det hjelper deg lite å designe en fabrikk på datamaskinen hvis du allerede har en. Så du bruker disse teknologiene som lar deg gå gjennom fabrikken og gjøre en 3D-skanning. Så du vet nøyaktig hvordan fabrikken ser ut fra innsiden uten å ha den designet i en datamaskin, fordi du i hovedsak produserer den informasjonen i ettertid. Så det er definitivt hva de etablerte eller tradisjonelle bilprodusentene gjør mye, og hvor de også i utgangspunktet bringer digitaliseringen inn i det eksisterende miljøet.

Laurel: Vi diskuterer virkelig implikasjonene når selskaper kan bruke simuleringer og scenarier for å bruke AI. Så når du kan, enten det er greenfield eller ikke, eller du tar det i bruk for din egen fabrikk, hva skjer med virksomheten? Hva er resultatene? Hvor er noen av mulighetene som er mulige når AI kan brukes på selve brikken, på bilen, og til slutt til byen, til et større økosystem?

Stefan: Ja. Når vi virkelig tenker på virkningen for virksomheten, tror jeg ærlig talt at vi er i begynnelsen av å forstå og beregne hva verdien av raskere og mer nøyaktige beslutninger egentlig er, som er aktivert av AI. Jeg tror ikke vi har en veldig fullstendig forståelse på dette tidspunktet, og det er ganske åpenbart for alle at digitalisering liker designprosessen og produksjonsprosessen. Det sparer ikke bare FoU-innsats og FoU-penger, men det hjelper også med å optimalisere forsyningskjedebeholdningen, produksjonskostnadene og totalkostnaden for det nye produktet. Og det er egentlig der ulike aspekter av virksomheten kommer sammen. Og jeg vil ærlig si at vi begynner å forstå de umiddelbare effektene, vi begynner å forstå om jeg har en AI-drevet kvalitetssjekk som vil redusere avfallet mitt, så jeg kan forstå den typen forretningsverdi.

Men det er en hel dimensjon av forretningsverdi ved å bruke denne optimaliseringen som virkelig oversetter hele bedriften. Og jeg vil si at det er mye arbeid som skjer for å forstå disse implikasjonene bedre. Men jeg vil si at på dette tidspunktet er vi bare ved startpunktet for å gjøre dette, for å virkelig forstå hva optimalisering av en prosess kan gjøre for bedriften som helhet.

Laurel: Så optimalisering, kontinuerlig læring, kontinuerlig forbedring, dette får meg til å tenke på, og biler, selvfølgelig, Toyota Way , som er den banebrytende boken som ble skrevet i 2003, som er fantastisk, fordi den fortsatt er aktuell i dag. Men med lean manufacturing, er det mulig for AI å kontinuerlig forbedre det på brikkenivå, på fabrikknivå, i byen for å hjelpe disse virksomhetene med å ta bedre beslutninger?

Stefan: Ja. Etter mitt syn, Toyota Way , igjen, boken utgitt på begynnelsen av 2000-tallet, med kontinuerlig forbedring, etter mitt syn, kontinuerlig forbedring kan selvfølgelig alltid gjøre mye, men det er litt anerkjennelse de siste, jeg vil si fem til ti år, et sted som at den kontinuerlige forbedringen kan ha truffet veggen av hva som er mulig. Så det har siden den gang tenkt mye på hva som egentlig er det neste paradigmet for produksjon. Når du slutter å tenke på evolusjon og optimalisering og du tenker på mer revolusjon. Og et av konseptene som er utviklet her heter industri 4.0, som egentlig er tanken om å snu opp ned på ideen om hvordan produksjon eller hvordan verdikjeden kan fungere. Og virkelig tenk på hva om jeg får to fabrikker som er fullstendig selvorganiserende, noe som er et slags revolusjonerende skritt. For i dag er for det meste en fabrikk satt opp rundt en viss ide om hvilke produkter den lager og når du har linjer og transportører og sånne ting, og de er boltet til gulvet. Så det er ganske statisk, den opprinnelige ideen om en fabrikk. Og du kan optimere det på en evolusjonær måte i lang tid, men du ville aldri bryte gjennom den terskelen.

Så den nyeste tanken eller de andre konseptene det tenkes på er, hva om fabrikken min består av uavhengige, bevegelige roboter, og robotene kan gjøre forskjellige oppgaver. De kan transportere materiale, eller de kan deretter gå over til å holde en robotarm eller en griper. Og avhengig av hvilket produkt jeg kaster på denne fabrikken, vil den omstille seg selv og fungere annerledes når jeg kommer inn med et helt annet produkt, og den vil selvorganisere seg for å gjøre noe annerledes. Så det er noen av paradigmene man tenker på i dag, som selvfølgelig bare kan bli en realitet med tung bruk av AI-teknologier i dem. Og vi tror de virkelig kommer til å revolusjonere i det minste hva noen typer produksjon vil gjøre. I dag snakker vi mye om lot størrelse én, og at kundene ønsker flere alternativer og variasjoner i et produkt. Så de fabrikkene som er i stand til å gjøre dette, for å virkelig produsere veldig tilpassede produkter, veldig effektivt, de må se mye annerledes ut.

Så på mange måter tror jeg det er mye gyldighet i tilnærmingen til kontinuerlig forbedring. Men jeg tror vi akkurat nå lever i en tid hvor vi tenker mer på en revolusjon av produksjonsparadigmet.

Laurel: Det er utrolig. Det neste paradigmet er revolusjon. Stefan, tusen takk for at du ble med oss ​​i dag i det som har vært en helt fantastisk samtale på Business Lab.

Stefan: Absolutt. Bare hyggelig. Takk skal du ha.

Laurel: Det var Stefan Jockusch, visepresident for strategi for Siemens Digital Industry Software, som jeg snakket med fra Cambridge, Massachusetts, hjemmet til MIT og MIT Technology Review, med utsikt over Charles River. Det var alt for denne episoden av Business Lab. Jeg er verten din, Laurel Ruma. Jeg er direktør for Insights, den tilpassede publiseringsavdelingen til MIT Technology Review. Vi ble grunnlagt i 1899 ved Massachusetts Institute of Technology. Og du kan finne oss på trykk, på nettet og på arrangementer online og rundt om i verden. For mer informasjon om oss og showet, vennligst sjekk ut nettstedet vårt på technologyreview.com. Showet er tilgjengelig uansett hvor du får podcastene dine. Hvis du likte denne episoden, håper vi at du tar deg tid til å vurdere og anmelde oss. Business Lab er en produksjon av MIT Technology Review. Denne episoden ble produsert av Collective Next. Takk for at du lyttet.

gjemme seg