211service.com
Kaip AI pakeis gamybą
Susijęs su „Siemens Digital Industries“ programinė įranga
Paklauskite Stefano Jockuscho, kaip gamykla atrodys po 10 ar 20 metų, ir atsakymas gali palikti jus kryžkelėje tarp susižavėjimo ir sumišimo. Jockusch yra „Siemens Digital Industries Software“, kuri kuria programas, imituojančias tokių produktų, kaip mobilieji telefonai ar išmanieji laikrodžiai, koncepciją, dizainą ir gamybą, strategijos viceprezidentas. Jo išmaniosios gamyklos vizija – nepriklausomi, judantys robotai. Tačiau jie nesibaigia gamindami vieną ar tris ar penkis dalykus. Ne – ši gamykla organizuojasi savaime.
Šį tinklalaidės epizodą sukūrė „Insights“, tinkinto turinio padalinys „MIT Technology Review“. Ją sukūrė ne „MIT Technology Review“ redakcija.
Priklausomai nuo to, kokį produktą išmessiu į šią gamyklą, jis visiškai persitvarkys ir veiks kitaip, kai ateisiu su labai skirtingu produktu, sako Jockusch. Ji pati susiorganizuos, kad padarytų ką nors kitaip.
Už šios ateities gamyklos slypi dirbtinis intelektas (AI), sako Jockusch šiame „Business Lab“ epizode. Tačiau dirbtinis intelektas prasideda daug, daug mažesniu mastu, naudojant lustą. Imk automatizavimą. Lustuose, kurie maitina įvairias šiandienos automobilių programas ir rytoj be vairuotojo transporto priemones, yra integruotas dirbtinis intelektas, kuris palaiko sprendimų priėmimą realiuoju laiku. Jie yra labai specializuoti, sukurti atsižvelgiant į konkrečias užduotis. Žmonės, kuriantys lustus, turi matyti bendrą vaizdą.
Turite suprasti, ar lustas, pavyzdžiui, valdo dalykų, kuriuos mato kameros autonominiam vairavimui, interpretaciją. Turite turėti idėją, kiek vaizdų turi apdoroti lustas arba kiek dalykų juda tuose vaizduose, sako Jockusch. Turite daug suprasti, kas atsitiks galiausiai.
Šį sudėtingą produktų ir sistemų kūrimo, pristatymo ir prijungimo būdą Siemens apibūdina kaip lustą į miestą – idėją, kad būsimi gyventojų centrai bus maitinami duomenų perdavimo. Pasak Jockuscho, gamyklos ir miestai, kurie stebi ir valdo save, pasikliauja nuolatiniu tobulėjimu: AI atlieka veiksmą, mokosi iš rezultatų ir vėliau koreguoja tolesnius veiksmus, kad pasiektų geresnių rezultatų. Šiandien dauguma AI padeda žmonėms priimti geresnius sprendimus.
Turime vieną programą, kurioje programa stebi vartotoją ir bando numatyti komandą, kurią vartotojas naudos toliau, sako Jockusch. Kuo ilgiau programa galės stebėti vartotoją, tuo tikslesnė ji bus.
AI taikymas gamybai gali padėti sutaupyti išlaidų ir padidinti efektyvumą. Jockusch pateikia pavyzdį iš Siemens gamyklos spausdintinių plokščių, kurios naudojamos daugumoje elektronikos gaminių. Ten naudojama frezavimo staklės laikui bėgant linksta į viršų – susitepa. Iššūkis yra nustatyti, kada mašina turi būti valoma, kad ji nesugestų per pamainą.
Tiesą sakant, mes naudojame AI programą krašto įrenginyje, kuris yra gamykloje, kad galėtume stebėti tą mašiną ir gana tiksliai numatyti, kada ateis laikas atlikti techninę priežiūrą, sako Jockusch.
Visiškas dirbtinio intelekto poveikis verslui ir daugybė galimybių, kurias technologija gali atskleisti, vis dar nežinoma.
Norint geriau suprasti šias pasekmes, reikia daug dirbti, sako Jockusch. Dar tik pradedame tai daryti, kad iš tikrųjų suprastume, ką proceso optimizavimas gali turėti visai įmonei.
„Business Lab“ šeimininkauja Laurel Ruma, „Insights“, „MIT Technology Review“ tinkintos leidybos padalinio, direktorė. Spektaklis yra „MIT Technology Review“ kūrinys, kuriam padeda „Colective Next“.
Šis podcast'o epizodas buvo sukurtas bendradarbiaujant su Siemens Digital Industries Software.
Rodyti pastabas ir nuorodas
„Siemens“ padeda Vietnamo automobilių gamintojui gaminti pirmąsias transporto priemones, Automation.com, 2019 m. rugsėjo 6 d
Chip to city: mobilumo ateitis, Stefanas Jockuschas, Tarptautinė optikos ir fotonikos draugijos skaitmeninė biblioteka, 2019 m. rugsėjo 26 d.
Pilnas nuorašas
Laurel Ruma : Iš MIT technologijų apžvalgos, aš esu Laurel Ruma, o tai yra „Business Lab“ laida, kuri padeda verslo lyderiams suprasti naujas technologijas, ateinančias iš laboratorijos ir į rinką. Mūsų šiandienos tema yra dirbtinis intelektas ir fizinės programos. Dirbtinis intelektas gali veikti naudojant lustą, kraštinį įrenginį, automobilį, gamyklą ir galiausiai DI valdys miestą, kuriame sprendimai priimami realiuoju laiku, nes greitas apdorojimas, maži įrenginiai ir nuolatinis mokymasis. Du žodžiai jums: išmani gamykla.
Mano svečias yra daktaras Stefanas Jockuschas, „Siemens Digital Industries Software“ strategijos viceprezidentas. Jis yra atsakingas už strateginį verslo planavimą ir rinkos tyrimą, o Stefanas taip pat koordinuoja projektus įvairiuose verslo segmentuose ir su „Siemens Digital Leadership“. Šis „Business Lab“ epizodas sukurtas kartu su „Siemens Digital Industries“. Sveiki, Stefanai.
Stefanas Jockuschas : Sveiki. Ačiū, kad turi mane.
Lauras : Taigi, jei galėtume šiek tiek pradėti, ar galėtumėte papasakoti apie „Siemens Digital Industries“? Ką tiksliai veikiate?
Stefanas : Taip, „Siemens Digital Industries“ esame techninės programinės įrangos verslas. Taigi kuriame programinę įrangą, kuri palaiko visą procesą nuo pradinės produkto idėjos, pavyzdžiui, naujas mobilusis telefonas ar išmanusis laikrodis, iki dizaino, o vėliau ir pagaminto produkto. Taigi tai apima mechaninį dizainą, joje veikiančią programinę įrangą ir net lustus, kurie maitina tą įrenginį. Taigi naudodami mūsų programinę įrangą galite visa tai perkelti į skaitmeninį pasaulį. Ir mums patinka kalbėti apie tai, ką iš to gausite kaip skaitmeninis dvynys. Taigi jūs turite skaitmeninį dvynį iš visko: elgesio, fizikos, modeliavimo, programinės įrangos ir lusto. Ir, žinoma, galite naudoti tą skaitmeninį dvynį, kad iš esmės priimtumėte bet kokį sprendimą arba išbandytumėte, kaip produktas veikia, kaip jis elgiasi, net prieš jį sukūrę. Tai trumpai, ką mes darome.
Lauras: Taigi, likdami prie šios skaitmeninio dvynių idėjos, kaip paaiškinti lusto miestui idėją? Kaip gamintojai iš tikrųjų gali imituoti lustą, jo funkcijas, o vėliau produktą, tarkime, kaip automobilį, taip pat aplinką, supančią tą automobilį?
Stefanas: Taip. Už šios idėjos iš tikrųjų slypi mintis, kad ateityje ir jau šiandien turime kurti produktus, kad žmonės, kurie tuo dirba, matytų visumą, o ne tik mažą gabalėlį. Štai kodėl mes darome jį tokį pat didelį, kaip, pavyzdžiui, nuo lusto iki miesto, o tai iš tikrųjų reiškia, kad kurdami lustą, kuris veiktų šiandieninėje transporto priemonėje ir dar labiau ateityje, turite atsižvelgti į daugybę dalykų. kol kuriate tą lustą. Turite suprasti, ar lustas, pavyzdžiui, kontroliuoja dalykų, kuriuos mato kameros autonominiam vairavimui, interpretaciją, turite suprasti, kiek vaizdų turi apdoroti tas lustas arba kiek dalykų juda tuose vaizduose ir akivaizdūs pėstieji, kokį pripažinimą turite padaryti? Turite daug suprasti, kas atsitiks galiausiai. Taigi idėja yra leisti dizaineriui lusto lygiu suprasti tikrąjį gaminio elgesį.
O tai, kas vyksta šiandien, ypač yra tai, kad mes nebekuriame automobilių tik galvodami apie automobilį, vis dažniau transporto priemones siejame su aplinka, vieni su kitais. Ir vienas iš pagrindinių tikslų, kaip mes visi žinome, yra, žinoma, pagerinti miestų užterštumą ir eismą miestuose, kad šios didmiesčių zonos būtų patogesnės gyventi. Taigi, į tai taip pat turime atsižvelgti visoje proceso grandinėje, jei norime matyti visumą kaip dizainerį. Taigi tai yra visos šios idėjos fonas. Ir vėl taip, kaip tai turėtų atrodyti dizaineriui, jei gerai pagalvoji, aš kuriu šį regėjimo modulį automobilyje ir noriu suprasti, koks jis turi būti galingas. Turiu būdą pasinerti į labai tikslų modeliavimą ir matau, kokius duomenis matys mano transporto priemonė, kas juose, kiek jutiklių įvesčių gaunu iš kitų šaltinių ir ką turiu daryti. Aš tikrai galiu visa tai žaisti.
Lauras: Man labai patinka tas kadravimas, kai galiu matyti visumą, o ne tik šio neįtikėtinai sudėtingo mąstymo, kūrimo, pristatymo būdo dalį. Taigi, norint grįžti į tą kūrinio lygį, kaip AI vaidina lusto lygį?
Stefanas: AI labai svarbu palaikyti ar net priimti teisingą sprendimą realiuoju laiku. Ir manau, kad čia AI ir lusto lygis tampa tokie svarbūs kartu, nes visi žinome, kad daug protingų dalykų galima padaryti, jei kur nors duomenų centre sėdi didelis kompiuteris. Tačiau dirbtinis intelektas ir lusto lygis yra tikrai labai orientuoti į šias programas, kurioms reikalingas našumas realiuoju laiku ir našumas, kuris neturi laiko daug bendrauti. Ir šiandien viskas iš tikrųjų vystosi taip, kad lustai, kurie naudoja dirbtinio intelekto programas, dabar yra sukurti labai specializuotu būdu, nesvarbu, ar jie turi atlikti daug skaičiavimo galios, ar jie turi kuo geriau taupyti energiją, todėl turi būti labai mažai. energijos suvartojimą, ar jiems reikia daugiau atminties. Taigi, taip, darosi vis įprastesnis dalykas, kad AI matome įdėtą į mažus lustus, o tada tikriausiai būsimuose automobiliuose turėsime keliolika puslaidininkių lygio AI programų įvairiems dalykams.
Lauras: Na, tai išryškina gerą mintį, nes žmonės turi priimti šiuos sprendimus realiuoju laiku su šiais mažyčiais įrenginių lustais. Taigi, kaip tokio dalyko kaip nuolatinis mokymasis naudojant AI sudėtingumas ne tik padeda AI tapti išmanesniam, bet ir paveikia duomenų išvestį, kuri galiausiai, nors ir labai greitai, leidžia žmogui priimti geresnius sprendimus realiuoju laiku?
Stefanas: Sakyčiau, dauguma AI taikomųjų priemonių šiandien yra labiau skirtos padėti žmogui priimti gerą sprendimą, o ne priimti sprendimą. Nemanau, kad mes dar labai juo pasitikime. Pavyzdžiui, savo programinėje įrangoje, kaip ir daugelis programinės įrangos kūrėjų, pradedame naudoti AI, kad ją būtų lengviau ir greičiau naudoti. Pavyzdžiui, jūs turite šias labai sudėtingas dizaino programas, kurios gali padaryti daug dalykų, ir, žinoma, jose yra šimtai meniu. Taigi turime vieną programą, kurioje programa stebi vartotoją ir bando numatyti komandą, kurią vartotojas naudos toliau. Taigi tiesiog pasiūlyti ir tiesiog pasakyti: 'Ar neketinate to padaryti?' Ir, žinoma, jūs kalbėjote apie nuolatinį tobulėjimą, nuolatinį mokymąsi – kuo ilgiau programa gali stebėti vartotoją, tuo tikslesnė ji bus.
Šiuo metu jis jau viršija 95%, bet, žinoma, nuolatinis mokymasis jį pagerina. Beje, tai taip pat yra būdas naudoti dirbtinį intelektą ne tik siekiant padėti vienam vartotojui, bet pradėti koduoti žinias, patirtį, įvairią gerų vartotojų patirtį ir padaryti ją prieinamą kitiems vartotojams. Jei labai patyręs inžinierius tai daro ir naudoja dirbtinį intelektą, o jūs iš esmės pasiimate iš to inžinieriaus išmoktas pamokas ir atiduodate tai kam nors mažiau patyrusiam, kuris turi daryti panašų dalyką, ta patirtis padės ir naujam vartotojui, pradedantiesiems.
Lauras: Tai tikrai įtikinama, nes jūs teisus – kuriate žinių duomenų bazę, tikrą duomenų bazę. Ir visa tai galiausiai padeda dirbtiniam intelektui, bet iš tikrųjų padeda ir žmogui, nes bandote išplėsti šias žinias kuo daugiau žmonių. Dabar, kai galvojame apie tai ir AI pakraštyje, kaip tai keičia verslo galimybes, nesvarbu, ar esate gamintojas, ar įrenginį naudojantis asmuo?
Stefanas: Taip. Ir apskritai, žinoma, tai yra būdas kiekvienam, kuris gamina išmanųjį produktą, išsiskirti, sukurti skirtumą, nes visa tai, AI įgalintos funkcijos, žinoma, yra protingos ir suteikia tam tikrą skirtumą. Tačiau ką tik paminėtas pavyzdys, kuriame galite nuspėti, ką vartotojas darys, žinoma, yra kažkas, ko daugelis programinės įrangos dalių dar neturi. Taigi tai yra būdas atskirti. Ir tai tikrai atveria daug galimybių sukurti šias labai skirtingas funkcijas, nesvarbu, ar tai būtų programinė įranga, ar transporto priemonės, bet kurioje kitoje srityje.
Lauras: Taigi, jei iš tikrųjų tai pritaikytume galbūt išmaniajai gamyklai ir kaip žmonės galvoja apie gamybos grandinę, pirmiausia atsitinka taip, o tada atsitinka taip, uždedamos automobilio durys, o tada įdedamas variklis ar dar kas nors. Ką galime pritaikyti tokiam tradiciniam gamyklos mąstymo būdui ir tada pritaikyti jam šį AI mąstymą?
Stefanas: Na, galime pradėti nuo seniausios gamyklos problemos. Turiu galvoje, kad gamyklos visada siekė ką nors labai efektyviai ir nuolat gaminti bei panaudoti išteklius. Taigi bet kuri gamykla stengiasi veikti, kai tik turėtų veikti, ir neturi nenumatytų ar neplanuotų prastovų. Taigi AI pradeda tapti puikia priemone tai padaryti. Ir galiu pateikti labai praktišką pavyzdį iš Siemens gamyklos, kuri gamina spausdintines plokštes. Ir vienas iš žingsnių, kurį jie turi padaryti, yra šių grandinių plokščių frezavimas. Jie turi frezavimo stakles ir bet kokias frezavimo stakles, ypač tokias, kurios yra labai automatizuotos ir robotizuotos, laikui bėgant linkusios į viršų, susitepti. Taigi vienas iššūkis yra tinkamai prižiūrėti, nes nenorite, kad mašina sugestų pačiame pamainos viduryje ir atsirastų šios neplanuotos prastovos.
Taigi vienas didelis iššūkis yra išsiaiškinti, kada šią mašiną reikia prižiūrėti, žinoma, neprižiūrint jos kasdien, o tai būtų labai brangu. Taigi mes iš tikrųjų naudojame DI programą krašto įrenginyje, kuris yra gamykloje, kad galėtume stebėti tą mašiną ir gana tiksliai numatyti, kada ateis laikas atlikti techninę priežiūrą ir išvalyti mašiną, kad ji nesuges per kitą pamainą. . Taigi tai tik vienas pavyzdys ir manau, kad šioje srityje yra šimtai galimų programų, kurios dar nėra iki galo ištirtos, siekiant užtikrinti, kad gamyklos gamintų nuolat aukštą kokybę, kad nebūtų neplanuotų mašinų prastovų. Žinoma, DI jau plačiai naudojamas atliekant vizualinės kokybės patikrinimus. Taigi gamyklos grindyse yra daugybė programų.
Lauras: Ir tai turi didžiulį poveikį gamintojams, nes, kaip minėjote, tai sutaupo pinigų, tiesa? Taigi, ar, jūsų manymu, tai yra sunkus pokytis, kad vadovai galvotų apie investavimą į technologijas kiek kitaip, kad vėliau gautų visą tą naudą?
Stefanas: Taip. Tai kaip ir su kiekviena technologija, nemanau, kad tai didelis blokas, šiuo metu yra didelis susidomėjimas ir yra daug gamintojų, turinčių iniciatyvų šioje srityje. Taigi sakyčiau, kad tai tikriausiai žymiai padidins našumą, bet, žinoma, tai taip pat reiškia investicijas. Ir galiu pasakyti, nes gana nuspėjama, koks bus šios investicijos atsipirkimas. Kiek matome, ten yra daug teigiamos energijos investuoti ir modernizuoti gamyklas.
Lauras: Kokių modernizacijų reikia gamyklų darbuotojams, kai diegiate ir taikote, ar pertvarkymo, kad galėtumėte turėti omenyje AI programas?
Stefanas: Tai puikus klausimas, nes kartais sakyčiau, kad daugelis dirbtinio intelekto programų vartotojų tikriausiai net nežino, kad jas naudoja. Taigi jūs iš esmės gaunate dėžutę ir ji jums pasakys, rekomenduojama prižiūrėti šią mašiną dabar. Operatorius tikriausiai žinos, ką daryti, bet nebūtinai žinos, su kokia technologija dirba. Tačiau, žinoma, tikriausiai bus keletas, sakyčiau, beveik besiformuojančių specialybių ar naujų įgūdžių, kuriuos inžinieriai iš tikrųjų galėtų naudoti ir kaip optimizuoti šias gamykloje naudojamas AI programas. Kadangi, kaip sakiau, mes turime šias programas, kurios yra sukurtos ir veikiančios šiandien, tačiau norint, kad šios programos būtų tikrai naudingos, būtų pakankamai tikslios, žinoma, kol kas reikia turėti daug žinių, bent jau šiek tiek iteracija taip pat. Ir tikriausiai šiandien nėra per daug žmonių, kurie tikrai yra pakankamai patyrę su technologijomis ir pakankamai gerai supranta gamyklos aplinką, kad tai padarytų.
Manau, kad šiais laikais tai gana, gana retas įgūdis ir, žinoma, kad tai taptų įprastesniu įgūdžiu, turėsime sukurti daugiau tokių ekspertų, kurie tikrai gerai sugeba paruošti dirbtinio intelekto gamyklos grindis ir tinkamai subręsti. .
Lauras: Atrodo, kad tai puiki galimybė, tiesa? Kad žmonės išmoktų naujų įgūdžių. Tai nėra pavyzdys, kai dirbtinis intelektas atima darbo vietas ir daugiau neigiamų konotacijų, kurios atsiranda, kai kalbate apie AI ir verslą. Praktiškai, jei visa tai derintume ir kalbėtume apie „VinFast“ – Vietnamo automobilių gamintoją, kuris norėjo viską daryti kiek kitaip nei tradicinė automobilių gamyba. Iš pradžių jie pastatė gamyklą, bet vėliau tokį visa apimantį mąstymą apie lustą pritaikė gamyklai, o galiausiai ir miestui. Taigi grįžtant visu ratu, kodėl toks mąstymas yra išskirtinis, ypač automobilių gamintojui ir kokių galimybių bei iššūkių jis turi?
Stefanas: Taip. „VinFast“ yra įdomus pavyzdys, nes kai jie pradėjo gaminti transporto priemones, jie iš esmės pradėjo nuo žalio lauko. Ir tai tikriausiai yra didžiausias skirtumas tarp „VinFast“ ir daugumos pagrindinių automobilių gamintojų. Kad visi jie yra šimto ar daugiau metų senumo ir, žinoma, turi daug istorijos, o tai reiškia, kad turi esamas gamyklas arba daug dalykų, kurie tikrai buvo pastatyti prieš skaitmeninimo amžių. Taigi „VinFast“ prasidėjo nuo plyno lauko, ir tai, žinoma, yra didelis iššūkis, todėl tai labai sunku. Tačiau pranašumas buvo tas, kad jie tikrai turi galimybę pradėti nuo visiškai skaitmeninio požiūrio, kad jie galėjo naudoti programinę įrangą. Nes jie iš esmės kūrė viską ir tikrai galėjo pradėti nuo šio gana išbaigto skaitmeninio dvynio ne tik savo gaminio, bet ir suprojektavo visą gamyklą kompiuteriu prieš pradėdami ją statyti. Ir tada jie pastato jį per rekordiškai trumpą laiką.
Taigi tai tikriausiai yra didelis ir unikalus aspektas, kad jie turi galimybę būti visiškai skaitmeniniais. Ir kai būsite tokioje būsenoje, kai jau galėsite pasakyti visą mano dizainą, žinoma, mano programinę įrangą, veikiančią transporto priemonėje, bet ir visą gamyklą, visą gamyklos automatizavimą. Jau turiu tai visiškai skaitmeniniu būdu ir galiu atlikti modeliavimus bei scenarijus. Tai taip pat reiškia, kad turite puikų atspirties tašką, kad galėtumėte naudoti šias AI technologijas, kad optimizuotumėte savo gamyklą arba padėtumėte darbuotojams atlikti papildomą optimizavimą ir pan.
Lauras: Ar manote, kad neįmanoma būti vienu iš tų šimtamečių gamintojų ir pamažu perimti tokias technologijas? Jūs tikriausiai neprivalote turėti plyno lauko aplinkos, ji tiesiog palengvina arba, sakyčiau, lengviau, tiesa?
Stefanas: Taip. Visi jie, turiu galvoje, automobilių pramonė tradiciškai buvo viena daugiausiai investavusių į produktyvumą ir skaitmeninimą. Taigi visi jie eina tame kelyje. Vėlgi, jie neturi tokios unikalios situacijos, kaip jūs, arba retai susiduria su tokia unikalia situacija, kurią tikrai galite pradėti nuo tuščio lapo. Tačiau, žinoma, daugelis programinės įrangos technologijų taip pat yra pritaikytos tokiam scenarijui. Pavyzdžiui, jei turite esamą gamyklą, todėl jums labai nepadeda suprojektuoti gamyklos kompiuteryje, jei ją jau turite. Taigi jūs naudojate šias technologijas, leidžiančias pereiti gamyklą ir atlikti 3D nuskaitymą. Taigi jūs tiksliai žinote, kaip gamykla atrodo iš vidaus, net jei ji nėra sukurta kompiuteryje, nes iš esmės tą informaciją gaminate vėliau. Taigi tai tikrai yra tai, ką nusistovėję ar tradiciniai automobilių gamintojai daro daug ir jie taip pat iš esmės perkelia skaitmeninimą net į esamą aplinką.
Lauras: Mes tikrai diskutuojame apie pasekmes, kai įmonės gali naudoti modeliavimą ir scenarijus, kad pritaikytų dirbtinį intelektą. Taigi, kai galite, nesvarbu, ar tai yra žalias laukas, ar naudojate jį savo gamyklai, kas atsitiks su verslu? Kokie yra rezultatai? Kur yra keletas galimų galimybių, kai dirbtinį intelektą galima pritaikyti tikram lustui, automobiliui, o galiausiai ir miestui, didesnei ekosistemai?
Stefanas: Taip. Kai iš tikrųjų galvojame apie poveikį verslui, aš atvirai manau, kad mes pradedame suprasti ir skaičiuoti, kokia iš tikrųjų yra greitesnių ir tikslesnių sprendimų, kuriuos įgalina dirbtinis intelektas, vertė. Nemanau, kad šiuo metu mes visiškai suprantame, ir visiems akivaizdu, kad skaitmeninimas kaip projektavimo ir gamybos procesas. Tai ne tik taupo MTEP pastangas ir MTEP pinigus, bet ir padeda optimizuoti tiekimo grandinės atsargas, gamybos sąnaudas ir bendras naujo produkto išlaidas. Ir čia iš tikrųjų susijungia skirtingi verslo aspektai. Ir, sakyčiau atvirai, pradedame suprasti tiesioginius padarinius, pradedame suprasti, ar turiu AI pagrįstą kokybės patikrinimą, kuris sumažins mano švaistymą, taigi galiu suprasti tokią verslo vertę.
Tačiau naudojant šį optimizavimą yra visas verslo vertės aspektas, kuris iš tikrųjų reiškia visą įmonę. Ir aš sakyčiau, kad reikia daug dirbti, kad geriau suprastume šias pasekmes. Tačiau šiuo metu sakyčiau, kad mes tik pradedame tai daryti, kad iš tikrųjų suprastume, ką proceso optimizavimas gali turėti visai įmonei.
Lauras: Taigi optimizavimas, nuolatinis mokymasis, nuolatinis tobulėjimas, tai verčia mane galvoti, ir, žinoma, automobiliai, „Toyota Way“. , kuri yra ta svarbi knyga, kuri buvo parašyta 2003 m., o tai yra nuostabu, nes ji vis dar aktuali ir šiandien. Tačiau ar naudojant taupią gamybą AI gali nuolat tobulinti lusto lygiu, gamyklos lygiu, mieste, kad padėtų šioms įmonėms priimti geresnius sprendimus?
Stefanas: Taip. Mano požiūriu, „Toyota Way“. , vėlgi, knyga, išleista 2000-ųjų pradžioje, su nuolatiniu tobulėjimu, mano nuomone, nuolatinis tobulėjimas, žinoma, visada gali daug nuveikti, tačiau per pastaruosius, sakyčiau, 5–10 metų, yra šioks toks pripažinimas. kad nuolatinis tobulėjimas galėjo atsitrenkti į tai, kas įmanoma. Taigi nuo tada daug galvojama, kokia iš tikrųjų yra kita gamybos paradigma. Kai nustojate galvoti apie evoliuciją ir optimizavimą ir galvojate apie didesnę revoliuciją. Ir viena iš čia sukurtų koncepcijų vadinama pramone 4.0, kuri iš tikrųjų yra mintis apversti idėją, kaip gamyba ar vertės grandinė gali veikti. Ir tikrai pagalvokite, ką daryti, jei aš gausiu dvi gamyklas, kurios visiškai savaime organizuojasi, o tai yra savotiškas revoliucinis žingsnis. Nes šiandien gamykla dažniausiai įkuriama pagal tam tikrą supratimą apie tai, kokius produktus ji gamina ir kai turi linijas, konvejerius ir panašius dalykus, ir jie visi yra pritvirtinti prie grindų. Taigi tai gana statiška, pirminė gamyklos idėja. Ir jūs galite jį optimizuoti evoliuciniu būdu ilgą laiką, bet niekada neperžengtumėte tos slenksčio.
Taigi naujausia mintis ar kitos idėjos, apie kurias galvojama, yra: o jei mano gamyklą sudaro nepriklausomi, judantys robotai, o robotai gali atlikti įvairias užduotis. Jie gali transportuoti medžiagas arba perjungti į roboto rankos ar griebtuvo laikymą. Ir priklausomai nuo to, kokį produktą aš išmessiu į šią gamyklą, jis visiškai persitvarkys ir dirbs kitaip, kai ateisiu su labai skirtingu produktu, ir jis pats susiorganizuos, kad padarytų kažką kitokio. Taigi tai yra keletas paradigmų, apie kurias galvojama šiandien, kurios, žinoma, gali tapti tikrove tik intensyviai naudojant AI technologijas. Ir mes manome, kad jie tikrai pakeis bent tai, ką padarys kai kurios gamybos rūšys. Šiandien daug kalbame apie pirmąjį partijos dydį ir apie tai, kad klientai nori daugiau pasirinkimo ir gaminio variantų. Taigi gamyklos, kurios gali tai padaryti, kad tikrai gamintų labai efektyviai pritaikytus gaminius, turi atrodyti daug kitaip.
Taigi daugeliu atžvilgių manau, kad nuolatinio tobulėjimo metodas yra labai pagrįstas. Tačiau manau, kad šiuo metu gyvename tokiu metu, kai daugiau galvojame apie gamybos paradigmos revoliuciją.
Lauras: Tai nuostabu. Kita paradigma yra revoliucija. Stefanai, labai ačiū, kad šiandien prisijungėte prie mūsų pokalbio, kuris buvo visiškai fantastiškas verslo laboratorijoje.
Stefanas: absoliučiai. Mano malonumas. Ačiū.
Lauras: Tai buvo Stefanas Jockuschas, Siemens skaitmeninės pramonės programinės įrangos strategijos viceprezidentas, su kuriuo kalbėjausi iš Kembridžo, Masačusetso valstijos, MIT ir MIT Technology Review namų, su vaizdu į Charleso upę. Štai šiai „Verslo laboratorijos“ serijai. Aš esu jūsų šeimininkė, Laurel Ruma. Esu „Insights“, „MIT Technology Review“ tinkintos leidybos padalinio, direktorius. Mes buvome įkurti 1899 m. Masačusetso technologijos institute. Mus galite rasti spaudiniuose, internete ir renginiuose internete bei visame pasaulyje. Norėdami gauti daugiau informacijos apie mus ir pasirodymą, apsilankykite mūsų svetainėje adresu technologyreview.com. Laida pasiekiama visur, kur gaunate podcast'us. Jei jums patiko ši serija, tikimės, kad skirsite šiek tiek laiko mus įvertinti ir peržiūrėti. „Business Lab“ yra „MIT Technology Review“ produkcija. Šią seriją prodiusavo Collective Next. Ačiū, kad klausėte.