211service.com
Hoe AI de productie radicaal zal veranderen
In associatie met Siemens Digital Industries-software
Vraag Stefan Jockusch hoe een fabriek er over 10 of 20 jaar uit zou kunnen zien, en het antwoord zou je op een kruispunt kunnen plaatsen tussen fascinatie en verbijstering. Jockusch is vice-president voor strategie bij Siemens Digital Industries Software, dat toepassingen ontwikkelt die het concept, het ontwerp en de fabricage van producten zoals mobiele telefoons of slimme horloges simuleren. Zijn visie van een slimme fabriek bruist van onafhankelijke, bewegende robots. Maar ze stoppen niet bij het maken van een of drie of vijf dingen. Nee, deze fabriek is zelforganiserend.
Deze podcastaflevering is geproduceerd door Insights, de afdeling voor aangepaste inhoud van MIT Technology Review. Het is niet geproduceerd door de redactie van MIT Technology Review.
Afhankelijk van welk product ik in deze fabriek gooi, zal het zichzelf volledig herschikken en anders werken als ik met een heel ander product binnenkom, zegt Jockusch. Het zal zichzelf organiseren om iets anders te doen.
Achter deze fabriek van de toekomst schuilt kunstmatige intelligentie (AI), zegt Jockusch in deze aflevering van Business Lab. Maar AI begint veel, veel kleiner, met de chip. Neem autoproductie. De chips die de verschillende toepassingen in auto's van vandaag aandrijven - en de voertuigen zonder bestuurder van morgen - zijn ingebed met AI, die realtime besluitvorming ondersteunt. Ze zijn zeer gespecialiseerd, gebouwd met specifieke taken in gedachten. De mensen die chips ontwerpen, moeten dan het grote geheel zien.
Je moet een idee hebben of de chip bijvoorbeeld de interpretatie aanstuurt van dingen die de camera's zien voor autonoom rijden. Je moet een idee hebben hoeveel beelden die chip moet verwerken of hoeveel dingen er op die beelden bewegen, zegt Jockusch. Je moet veel begrijpen over wat er uiteindelijk zal gebeuren.
Deze complexe manier van bouwen, leveren en verbinden van producten en systemen is wat Siemens beschrijft als chip naar stad - het idee dat toekomstige bevolkingscentra zullen worden aangedreven door de overdracht van gegevens. Fabrieken en steden die zichzelf monitoren en beheren, zegt Jockusch, vertrouwen op continue verbetering: AI voert een actie uit, leert van de resultaten en past vervolgens de daaropvolgende acties aan om een beter resultaat te bereiken. Tegenwoordig helpt de meeste AI mensen om betere beslissingen te nemen.
We hebben één applicatie waarbij het programma de gebruiker in de gaten houdt en probeert te voorspellen welk commando de gebruiker vervolgens gaat gebruiken, zegt Jockusch. Hoe langer de applicatie de gebruiker kan bekijken, hoe nauwkeuriger deze zal zijn.
Het toepassen van AI op productie kan leiden tot kostenbesparingen en grote efficiëntiewinsten. Jockusch geeft een voorbeeld uit een Siemens-fabriek van printplaten, die in de meeste elektronische producten worden gebruikt. De freesmachine die daar wordt gebruikt, heeft de neiging om na verloop van tijd vuil te worden. De uitdaging is om te bepalen wanneer de machine moet worden schoongemaakt, zodat deze tijdens een dienst niet uitvalt.
We gebruiken eigenlijk een AI-toepassing op een edge-apparaat dat in de fabriek staat om die machine te bewaken en een redelijk nauwkeurige voorspelling te doen wanneer het tijd is om het onderhoud te doen, zegt Jockusch.
De volledige impact van AI op het bedrijfsleven - en het volledige scala aan kansen die de technologie kan ontdekken - is nog onbekend.
Er wordt hard gewerkt om deze implicaties beter te begrijpen, zegt Jockusch. We staan nog maar aan het begin om dit te doen, om echt te begrijpen wat optimalisatie van een proces kan betekenen voor de onderneming als geheel.
Business Lab wordt gehost door Laurel Ruma, directeur van Insights, de custom publishing-divisie van MIT Technology Review. De show is een productie van MIT Technology Review, met productiehulp van Collective Next.
Deze podcastaflevering is geproduceerd in samenwerking met Siemens Digital Industries Software.
Toon notities en links
Siemens helpt Vietnamese autofabrikant eerste voertuigen te produceren, Automation.com, 6 september 2019
Chip to city: de toekomst van mobiliteit, door Stefan Jockusch, The International Society for Optics and Photonics Digital Library, 26 september 2019
Volledig transcript
Laurel Ruma : Van MIT Technology Review, ik ben Laurel Ruma, en dit is Business Lab, de show die bedrijfsleiders helpt om nieuwe technologieën te begrijpen die uit het lab en op de markt komen. Ons onderwerp van vandaag is kunstmatige intelligentie en fysieke toepassingen. AI kan draaien op een chip, op een edge-apparaat, in een auto, in een fabriek en uiteindelijk zal AI een stad besturen met realtime besluitvorming, dankzij snelle verwerking, kleine apparaten en continu leren. Twee woorden voor jou: slimme fabriek.
Mijn gast is Dr. Stefan Jockusch, vice-president strategie voor Siemens Digital Industries Software. Hij is verantwoordelijk voor strategische bedrijfsplanning en marktinformatie, en Stefan coördineert ook projecten in verschillende bedrijfssegmenten en met Siemens Digital Leadership. Deze aflevering van Business Lab is geproduceerd in samenwerking met Siemens Digital Industries. Welkom Stefan.
Stefan Jockusch : Hoi. Bedankt dat je me hebt.
Laurier : Dus, als we een beetje zouden kunnen beginnen, kunt u ons iets vertellen over Siemens Digital Industries? Wat doe je precies?
Stefan : Ja, in de Siemens Digital Industries zijn wij de technische softwarebusiness. Daarom ontwikkelen we software die het hele proces ondersteunt, van het eerste idee van een product, zoals een nieuwe mobiele telefoon of smartwatch, tot het ontwerp en vervolgens het gefabriceerde product. Dus dat omvat het mechanische ontwerp, de software die erop draait en zelfs de chips die dat apparaat aandrijven. Dus met onze software kun je dit allemaal in de digitale wereld zetten. En we praten graag over wat je daar als digitale tweeling uithaalt. Dus je hebt een digitale tweeling van alles, het gedrag, de fysica, de simulatie, de software en de chip. En je kunt die digitale tweeling natuurlijk gebruiken om in principe elke beslissing te nemen of uit te proberen hoe het product werkt, hoe het zich gedraagt, voordat je het zelfs maar hoeft te bouwen. Dat is in een notendop wat we doen.
Laurier: Dus, als we bij dat idee van de digitale tweeling blijven, hoe leggen we het idee van een chip uit aan de stad? Hoe kunnen fabrikanten een chip, zijn functies, en dan bijvoorbeeld het product als auto, en de omgeving rondom die auto simuleren?
Stefan: Ja. Achter dat idee zit echt de gedachte dat we in de toekomst, en nu al producten moeten bouwen, zodat de mensen die eraan werken het geheel kunnen zien, in plaats van slechts een klein stukje. Daarom maken we het zo groot dat we zeggen van chip tot stad, wat echt betekent dat wanneer je een chip ontwerpt die in een voertuig van vandaag en nog meer in de toekomst rijdt, je met veel dingen rekening moet houden terwijl je die chip ontwerpt. Je moet een idee hebben als de chip bijvoorbeeld de interpretatie aanstuurt van dingen die de camera's zien voor autonoom rijden, je moet een idee hebben hoeveel beelden die chip moet verwerken of hoeveel dingen er op die beelden bewegen en voor de hand liggende voetgangers, welke herkenning moet je doen? Je moet veel begrijpen over wat er uiteindelijk zal gebeuren. Het idee is dus om een ontwerper op chipniveau in staat te stellen het feitelijke gedrag van een product te begrijpen.
En wat er vandaag gebeurt, vooral is dat we geen auto's meer ontwikkelen alleen met een auto in gedachten, we verbinden voertuigen steeds meer met de omgeving, met elkaar. En een van de grote doelen, zoals we allemaal weten, is natuurlijk om de vervuiling in steden en ook het verkeer in steden te verbeteren, dus echt om deze grootstedelijke gebieden leefbaarder te maken. Dat is dus ook iets waar we in deze hele procesketen rekening mee moeten houden, als we als ontwerper het geheel willen zien. Dit is dus de achtergrond van dit hele idee, van chip tot stad. En nogmaals, hoe het eruit zou moeten zien voor een ontwerper, als je erover nadenkt, ik ontwerp deze vision-module in een auto, en ik wil begrijpen hoe krachtig het moet zijn. Ik heb een manier om mezelf onder te dompelen in een simulatie, een zeer nauwkeurige, en ik kan zien welke gegevens mijn voertuig zal zien, wat erin zit, hoeveel sensorinvoer ik krijg van andere bronnen en wat ik moet doen. Ik kan daar echt doorheen spelen.
Laurier: Ik hou echt van die omlijsting van het kunnen zien van het geheel, niet alleen het stukje van deze ongelooflijk complexe manier van denken, bouwen en opleveren. Dus om terug te gaan naar dat stukniveau, hoe speelt AI een rol op chipniveau?
Stefan: AI gaat veel over het ondersteunen of zelfs het nemen van de juiste beslissing in realtime. En dat is denk ik waar AI en het chipniveau samen zo belangrijk worden, omdat we allemaal weten dat er veel slimme dingen kunnen worden gedaan als je een grote computer ergens in een datacenter hebt staan. Maar AI en het chipniveau is echt heel gericht op deze toepassingen die realtime prestaties nodig hebben en een prestatie die niet veel tijd heeft om veel te communiceren. En vandaag evolueert het echt naar dat de chips die AI-toepassingen doen nu al op een zeer gespecialiseerde manier zijn ontworpen, of ze nu veel rekenkracht moeten leveren of dat ze zo goed mogelijk energie moeten besparen, dus zeer laag zijn stroomverbruik of dat ze meer geheugen nodig hebben. Dus ja, het wordt steeds gewoner dat we AI ingebed zien in kleine kleine chips, en dan waarschijnlijk in toekomstige auto's, zullen we een tiental AI-toepassingen op halfgeleiderniveau hebben voor verschillende dingen.
Laurier: Dat brengt een goed punt naar voren, want het zijn de mensen die deze beslissingen in realtime moeten nemen met deze kleine chips op apparaten. Dus hoe helpt de complexiteit van zoiets als continu leren met AI, niet alleen om de AI slimmer te maken, maar ook om de output van gegevens te beïnvloeden, die de mens uiteindelijk, hoewel zeer snel, in staat stelt om in realtime betere beslissingen te nemen?
Stefan: Ik zou zeggen dat de meeste toepassingen van AI tegenwoordig eerder zijn ontworpen om een mens te helpen een goede beslissing te nemen dan om de beslissing te nemen. Ik denk dat we er nog niet zo veel vertrouwen in hebben. Dus bijvoorbeeld, in onze eigen software, zoals zoveel makers van software, beginnen we AI te gebruiken om het gebruiksvriendelijker en sneller te maken. Je hebt bijvoorbeeld deze zeer complexe ontwerptoepassingen die veel kunnen, en natuurlijk hebben ze honderden menu's. We hebben dus één toepassing waarbij het programma de gebruiker in de gaten houdt en probeert te voorspellen welk commando de gebruiker vervolgens gaat gebruiken. Dus gewoon om het aan te bieden en gewoon te zeggen: 'Ben je niet van plan dit te doen?' En natuurlijk had je het over de continue verbetering, continu leren - hoe langer de applicatie de gebruiker kan bekijken, hoe nauwkeuriger deze zal zijn.
Momenteel ligt het al op een niveau van meer dan 95%, maar natuurlijk verbetert continu leren het. Trouwens, dit is ook een manier om AI te gebruiken, niet alleen om een enkele gebruiker te helpen, maar om een kennis, een ervaring, een gevarieerde ervaring van goede gebruikers te coderen en beschikbaar te maken voor andere gebruikers. Als een zeer ervaren ingenieur dat doet en AI gebruikt en je neemt in feite die geleerde lessen van die ingenieur en geeft het aan iemand die minder ervaren is en iets soortgelijks moet doen, die ervaring zal ook de nieuwe gebruiker, de beginnende gebruiker, helpen.
Laurier: Dat is echt overtuigend, want je hebt gelijk: je bouwt een kennisdatabase, een echte database met gegevens. En dan ook dit alles helpt uiteindelijk de AI, maar dan ook echt de mens omdat je deze kennis probeert uit te breiden naar zoveel mogelijk mensen. Als we daarover nadenken en AI aan de rand, hoe verandert dit de kansen voor het bedrijf, of u nu een fabrikant bent of de persoon die het apparaat gebruikt?
Stefan: Ja. En in het algemeen is het natuurlijk een manier voor iedereen die een slim product maakt om te differentiëren, om differentiatie te creëren, omdat al deze, de door AI ingeschakelde functies natuurlijk slim zijn en enige differentiatie geven. Maar het voorbeeld dat ik net noemde waar je kunt voorspellen wat een gebruiker gaat doen, dat is natuurlijk iets dat veel stukjes software nog niet hebben. Het is dus een manier om te differentiëren. En het opent zeker veel mogelijkheden om deze zeer sterk gedifferentieerde stukjes functionaliteit te creëren, of het nu in software of in voertuigen is, op elk ander gebied.
Laurier: Dus als we dit misschien zouden toepassen op een slimme fabriek en hoe mensen denken over een productieketen, dan gebeurt eerst dit, en dan gebeurt dat en wordt een autodeur geplaatst en dan een motor erin of wat dan ook. Wat kunnen we toepassen op dat soort traditionele denkwijze van een fabriek en vervolgens dit AI-denken daarop toepassen?
Stefan: Nou, we kunnen beginnen met het oudste probleem dat een fabriek heeft gehad. Ik bedoel, fabrieken gingen altijd over iets heel efficiënt en continu produceren en gebruikmaken van de middelen. Dus elke fabriek probeert in bedrijf te zijn wanneer het verondersteld wordt in bedrijf te zijn, zonder onvoorziene of ongeplande uitvaltijd. Dus AI begint een geweldig hulpmiddel te worden om dit te doen. En ik kan je een heel praktisch voorbeeld geven van een Siemens-fabriek die printplaten maakt. En een van de stappen die ze moeten doen, is het frezen van deze printplaten. Ze hebben een freesmachine en elke freesmachine, vooral zo'n machine die sterk geautomatiseerd en robotachtig is, die de neiging heeft om na verloop van tijd omhoog te gaan, vuil te worden. En dus is het een uitdaging om het juiste onderhoud te hebben, omdat u niet wilt dat de machine midden in een dienst uitvalt en deze ongeplande uitvaltijd veroorzaakt.
Dus een grote uitdaging is om erachter te komen wanneer deze machine onderhouden moet worden, zonder hem natuurlijk elke dag te onderhouden, wat erg duur zou zijn. We gebruiken dus eigenlijk een AI-toepassing op een edge-apparaat dat precies in de fabriek staat, om die machine te bewaken en een redelijk nauwkeurige voorspelling te doen wanneer het tijd is om het onderhoud te doen en de machine schoon te maken, zodat deze niet uitvalt in de volgende dienst . Dit is dus slechts één voorbeeld, en ik geloof dat er honderden potentiële toepassingen zijn die misschien nog niet helemaal zijn uitgewerkt op dit gebied om er echt voor te zorgen dat fabrieken een constante hoge kwaliteit produceren, dat er geen ongeplande stilstand van de machines is. Er wordt natuurlijk al veel gebruik gemaakt van AI bij visuele kwaliteitsinspecties. Er zijn dus tonnen en tonnen toepassingen op de fabrieksvloer.
Laurier: En dit heeft enorme gevolgen voor fabrikanten, want zoals je al zei, het bespaart geld, toch? Dus is dit een moeilijke verschuiving, denk je, voor leidinggevenden om op een iets andere manier in technologie te investeren om vervolgens al die voordelen te krijgen?
Stefan: Ja. Het is zoals met elke technologie, ik zou niet denken dat het een groot blok is, er is veel interesse op dit moment en er zijn veel fabrikanten met initiatieven in die ruimte. Dus ik zou zeggen dat het waarschijnlijk een aanzienlijke vooruitgang in productiviteit zal opleveren, maar het betekent natuurlijk ook investeringen. En ik kan zeggen, aangezien het redelijk voorspelbaar is om te zien wat de terugverdientijd van deze investering zal zijn. Voor zover we kunnen zien, zit daar veel positieve energie om deze investering te doen en fabrieken te moderniseren.
Laurier: Wat voor soort moderniseringen heb je nodig voor het personeel in de fabrieken wanneer je installeert en toepast, soort retooling om AI-toepassingen in gedachten te hebben?
Stefan: Dat is een goede vraag, want soms zou ik zeggen dat veel gebruikers van kunstmatige-intelligentietoepassingen waarschijnlijk niet eens weten dat ze er een gebruiken. Dus je krijgt in feite een doos en het zal je vertellen, het is aan te raden om deze machine nu te onderhouden. De operator weet waarschijnlijk wat hij moet doen, maar niet per se met welke technologie hij werkt. Maar dat gezegd hebbende, er zullen waarschijnlijk, zou ik zeggen, bijna opkomende specialiteiten of opkomende vaardigheden voor ingenieurs zijn om deze AI-toepassingen die ze op de fabrieksvloer gebruiken echt te gebruiken en te optimaliseren. Omdat, zoals ik al zei, we deze applicaties hebben die vandaag de dag actief zijn en werken, maar om die applicaties echt nuttig te maken, om nauwkeurig genoeg te zijn, is er tot nu toe natuurlijk veel expertise nodig, op zijn minst wat iteratie ook. En er zijn tegenwoordig waarschijnlijk niet al te veel mensen die echt genoeg ervaring hebben met de technologieën en ook de fabrieksomgeving goed genoeg begrijpen om dit te doen.
Ik denk dat dit tegenwoordig een vrij zeldzame vaardigheid is en om dit een meer alledaagse toepassing te maken, zullen we natuurlijk meer van deze experts moeten creëren die echt goed zijn in het klaar maken van de AI-fabrieksvloer en het naar de juiste volwassenheid brengen .
Laurier: Dat lijkt me een uitgelezen kans, toch? Zodat mensen nieuwe vaardigheden kunnen leren. Dit is geen voorbeeld van AI die banen wegneemt en die meer negatieve connotaties die je krijgt als je praat over AI en business. In de praktijk, als we dit alles combineren en praten over VinFast, de Vietnamese autofabrikant die het heel anders wilde doen dan de traditionele autofabricage. Eerst bouwden ze een fabriek, maar toen pasten ze dat soort overkoepelende denkwijze van chip toe op fabriek en uiteindelijk op stad. Dus terugkomend op de cirkel, waarom is deze manier van denken uniek, vooral voor een autofabrikant en wat voor kansen en uitdagingen hebben ze?
Stefan: Ja. VinFast is een interessant voorbeeld, want toen ze begonnen met het maken van voertuigen, begonnen ze eigenlijk op een groen veld. En dat is waarschijnlijk het grootste verschil tussen VinFast en de overgrote meerderheid van de grote autofabrikanten. Dat ze allemaal honderd jaar of ouder zijn en natuurlijk veel geschiedenis hebben, wat zich vervolgens vertaalt in het hebben van bestaande fabrieken of het hebben van veel dingen die echt zijn gebouwd vóór het tijdperk van digitalisering. Dus VinFast begon vanuit een greenfield, en dat is natuurlijk een grote uitdaging, het maakt het erg moeilijk. Maar het voordeel was dat ze echt de kans kregen om volledig gedigitaliseerd aan de slag te gaan, dat ze software konden gebruiken. Omdat ze eigenlijk alles aan het bouwen waren, en ze konden echt beginnen met deze redelijk complete digitale tweeling van niet alleen hun product, maar ze ontwierpen ook de hele fabriek op een computer voordat ze zelfs maar begonnen te bouwen. En dan bouwen ze het in recordtijd.
Dus dat is waarschijnlijk het grote, unieke aspect dat ze deze mogelijkheid hebben om volledig digitaal te zijn. En als je eenmaal in die staat bent, als je al mijn hele ontwerp kunt zeggen, natuurlijk, mijn software die op het voertuig draait, maar ook mijn hele fabriek, mijn hele fabrieksautomatisering. Ik heb dit al volledig digitaal en kan simulaties en scenario's doorlopen. Dat betekent ook dat je een goed startpunt hebt om deze AI-technologieën te gebruiken om je fabriek te optimaliseren of om de werknemers te helpen met de aanvullende optimalisaties, enzovoort.
Laurier: Denk je dat het onmogelijk is om een van die honderd jaar oude fabrikanten te zijn en langzaamaan dit soort technologieën over te nemen? Je hoeft waarschijnlijk geen greenfield-omgeving te hebben, het maakt alles gewoon gemakkelijk of ik moet zeggen makkelijker, toch?
Stefan: Ja. Allemaal, ik bedoel, de auto-industrie is van oudsher een van de bedrijven die het meest investeerde in productiviteit en digitalisering. Dus ze zijn allemaal op dat pad. Nogmaals, ze hebben niet deze zeer unieke situatie dat jij, of zelden deze unieke situatie dat je echt met een schone lei kunt beginnen. Maar natuurlijk is ook veel van de softwaretechnologie aangepast aan dat scenario. Waar je bijvoorbeeld een bestaande fabriek hebt, dus het helpt je niet veel om een fabriek op de computer te ontwerpen als je er al een hebt. Je gebruikt dus deze technologieën waarmee je door de fabriek kunt gaan en een 3D-scan kunt doen. Je weet dus precies hoe de fabriek er van binnen uitziet zonder dat deze in een computer is ontworpen, omdat je die informatie in wezen achteraf produceert. Dus dat is zeker wat de gevestigde of de traditionele autofabrikanten veel doen en waar ze ook in feite de digitalisering zelfs in de bestaande omgeving brengen.
Laurier: We hebben het echt over de implicaties wanneer bedrijven simulaties en scenario's kunnen gebruiken om AI toe te passen. Dus als het kan, of het nu een greenfield is of niet, wat gebeurt er dan met het bedrijf? Wat zijn de uitkomsten? Waar liggen enkele van de kansen die mogelijk zijn wanneer AI kan worden toegepast op de eigenlijke chip, op de auto en uiteindelijk op de stad, op een groter ecosysteem?
Stefan: Ja. Als we echt nadenken over de impact op het bedrijf, denk ik eerlijk gezegd dat we aan het begin staan van het begrijpen en berekenen van wat de waarde is van snellere en nauwkeurigere beslissingen, die mogelijk worden gemaakt door AI. Ik denk niet dat we op dit moment een heel volledig begrip hebben, en het is voor iedereen vrij duidelijk dat digitalisering het ontwerpproces en het fabricageproces leuk vindt. Het bespaart niet alleen R&D-inspanningen en R&D-geld, maar het helpt ook de voorraden van de toeleveringsketen, de productiekosten en de totale kosten van het nieuwe product te optimaliseren. En dat is echt waar verschillende aspecten van het bedrijf samenkomen. En ik zou eerlijk zeggen, we beginnen de onmiddellijke effecten te begrijpen, we beginnen te begrijpen of ik een AI-gestuurde kwaliteitscontrole heb die mijn afval zal verminderen, zodat ik dat soort zakelijke waarde kan begrijpen.
Maar er is een hele dimensie van bedrijfswaarde van het gebruik van deze optimalisatie die zich echt vertaalt naar de hele onderneming. En ik zou zeggen dat er veel werk aan de winkel is om deze implicaties beter te begrijpen. Maar ik zou zeggen dat we op dit punt nog maar aan het begin staan om dit te doen, om echt te begrijpen wat optimalisatie van een proces kan betekenen voor de onderneming als geheel.
Laurier: Dus optimalisatie, continu leren, continu verbeteren, dit doet me denken aan, en auto's natuurlijk, De Toyota-manier , dat is dat baanbrekende boek dat in 2003 werd geschreven, wat verbazingwekkend is, omdat het vandaag de dag nog steeds actueel is. Maar is het met lean manufacturing mogelijk voor AI om dat continu te verbeteren op chipniveau, op fabrieksniveau, in de stad om deze bedrijven te helpen betere beslissingen te nemen?
Stefan: Ja. Volgens mij, De Toyota-manier , nogmaals, het boek gepubliceerd in de vroege jaren 2000, met continue verbetering, naar mijn mening, continue verbetering kan natuurlijk altijd veel doen, maar er is een beetje herkenning in de laatste, ik zou zeggen vijf tot tien jaar, ergens als dat, die continue verbetering misschien de muur heeft geraakt van wat mogelijk is. Dus er is sindsdien veel nagedacht over wat echt het volgende paradigma voor productie is. Wanneer je stopt met denken aan evolutie en optimalisatie en je denkt aan meer revolutie. En een van de concepten die hier zijn ontwikkeld, heet industrie 4.0, wat in feite de gedachte is om het idee van hoe productie of hoe de waardeketen kan werken op zijn kop te zetten. En denk eens na over wat als ik twee fabrieken krijg die volledig zelforganiserend zijn, wat een soort revolutionaire stap is. Omdat tegenwoordig meestal een fabriek is opgezet rond een bepaald idee van welke producten het maakt en als je lijnen en transportbanden en dat soort dingen hebt, en ze zijn allemaal aan de vloer vastgeschroefd. Het is dus vrij statisch, het oorspronkelijke idee van een fabriek. En je kunt het op een evolutionaire manier lange tijd optimaliseren, maar je zou die drempel nooit doorbreken.
Dus de nieuwste gedachte of de andere concepten waar over wordt nagedacht zijn, wat als mijn fabriek bestaat uit onafhankelijke, bewegende robots, en de robots verschillende taken kunnen doen. Ze kunnen materiaal vervoeren, of ze kunnen dan overstappen op het vasthouden van een robotarm of een grijper. En afhankelijk van welk product ik in deze fabriek gooi, zal het zichzelf volledig herschikken en anders werken als ik binnenkom met een heel ander product en het zal zichzelf organiseren om iets anders te doen. Dit zijn dus enkele van de paradigma's waar tegenwoordig aan wordt gedacht, die natuurlijk alleen werkelijkheid kunnen worden als er intensief gebruik wordt gemaakt van AI-technologieën. En we denken dat ze echt een revolutie teweeg zullen brengen in wat sommige soorten productie zullen doen. Tegenwoordig praten we veel over partijgrootte één en dat klanten meer opties en variaties in een product willen. Dus de fabrieken die dit kunnen, om echt zeer op maat gemaakte producten te produceren, zeer efficiënt, moeten er heel anders uitzien.
Dus in veel opzichten denk ik dat er veel validiteit is in de benadering van continue verbetering. Maar ik denk dat we op dit moment in een tijd leven waarin we meer denken aan een revolutie van het fabricageparadigma.
Laurier: Dat is geweldig. Het volgende paradigma is revolutie. Stefan, heel erg bedankt dat je vandaag bij ons bent gekomen in wat een absoluut fantastisch gesprek was op het Business Lab.
Stefan: Absoluut. Graag gedaan. Dank u.
Laurier: Dat was Stefan Jockusch, vice-president strategie voor Siemens Digital Industry Software, met wie ik sprak vanuit Cambridge, Massachusetts, de thuisbasis van MIT en MIT Technology Review, met uitzicht op de Charles River. Dat was het voor deze aflevering van Business Lab. Ik ben je gastheer, Laurel Ruma. Ik ben de directeur van Insights, de custom publishing-divisie van MIT Technology Review. We zijn in 1899 opgericht aan het Massachusetts Institute of Technology. En je kunt ons vinden in prints, op het web en op evenementen online en over de hele wereld. Ga voor meer informatie over ons en de show naar onze website op technologyreview.com. De show is overal beschikbaar waar je je podcasts vandaan haalt. Als je deze aflevering leuk vond, hopen we dat je even de tijd wilt nemen om ons te beoordelen en te beoordelen. Business Lab is een productie van MIT Technology Review. Deze aflevering is geproduceerd door Collective Next. Bedankt voor het luisteren.