Kā AI radīs revolūciju ražošanā

Saistībā ar Siemens Digital Industries programmatūra

Jautājiet Stefanam Jockusch, kā rūpnīca varētu izskatīties pēc 10 vai 20 gadiem, un atbilde var atstāt jūs krustcelēs starp valdzinājumu un apjukumu. Jockusch ir Siemens Digital Industries Software stratēģijas viceprezidents, kas izstrādā lietojumprogrammas, kas simulē tādu produktu kā mobilo tālruņu vai viedo pulksteņu koncepciju, dizainu un ražošanu. Viņa vīzija par viedo rūpnīcu ir pārņemta ar neatkarīgiem, kustīgiem robotiem. Bet viņi neapstājas pie vienas vai trīs vai piecu lietu izgatavošanas. Nē — šī rūpnīca pašorganizējas.

Šo aplādes epizodi veidoja Insights, MIT Technology Review pielāgotā satura nodaļa. To neizstrādāja MIT Technology Review redakcijas darbinieki.

Atkarībā no tā, kādu produktu es iemetu šajā rūpnīcā, tas pilnībā mainīsies un darbosies citādi, kad es nākšu ar ļoti atšķirīgu produktu, saka Jockusch. Tas pats organizēsies, lai darītu kaut ko citu.

Aiz šīs nākotnes rūpnīcas ir mākslīgais intelekts (AI), šajā Business Lab epizodē saka Jockusch. Bet AI sākas daudz, daudz mazākā veidā, ar mikroshēmu. Ņemiet vērā autorūpniecību. Mikroshēmas, kas darbina dažādas lietojumprogrammas automašīnās šodien un rītdienas transportlīdzekļos bez vadītāja, ir iestrādātas AI, kas atbalsta lēmumu pieņemšanu reāllaikā. Tie ir ļoti specializēti un veidoti, ņemot vērā konkrētus uzdevumus. Cilvēkiem, kas izstrādā mikroshēmas, tad ir jāredz kopaina.

Jābūt priekšstatam, vai mikroshēma, piemēram, kontrolē to lietu interpretāciju, ko kameras redz autonomai braukšanai. Jums ir jābūt priekšstatam par to, cik attēlu šai mikroshēmai ir jāapstrādā vai cik daudz lietu šajos attēlos pārvietojas, saka Jokušs. Ir daudz jāsaprot, kas beigās notiks.

Šo sarežģīto produktu un sistēmu veidošanas, piegādes un savienošanas veidu Siemens raksturo kā mikroshēmu uz pilsētu — ideja, ka nākotnes apdzīvotības centri tiks darbināti ar datu pārraidi. Rūpnīcas un pilsētas, kas uzrauga un pārvalda sevi, Džokušs saka, paļaujas uz nepārtrauktiem uzlabojumiem: AI veic darbību, mācās no rezultātiem un pēc tam pielāgo savas turpmākās darbības, lai sasniegtu labāku rezultātu. Mūsdienās lielākā daļa AI palīdz cilvēkiem pieņemt labākus lēmumus.

Mums ir viena lietojumprogramma, kurā programma vēro lietotāju un mēģina paredzēt komandu, ko lietotājs izmantos tālāk, saka Jockusch. Jo ilgāk lietojumprogramma varēs skatīties lietotāju, jo precīzāka tā būs.

AI izmantošana ražošanā var nodrošināt izmaksu ietaupījumu un lielu efektivitātes pieaugumu. Jockusch sniedz piemēru no Siemens rūpnīcas iespiedshēmu plates, kuras izmanto lielākajā daļā elektronisko izstrādājumu. Tur izmantotajai frēzmašīnai laika gaitā ir tendence uz augšu — tā kļūst netīra. Izaicinājums ir noteikt, kad mašīna ir jātīra, lai tā nekļūdītos maiņas vidū.

Mēs faktiski izmantojam mākslīgā intelekta lietojumprogrammu malas ierīcē, kas atrodas tieši rūpnīcā, lai uzraudzītu šo iekārtu un veiktu diezgan precīzu prognozi, kad pienāks laiks veikt apkopi, saka Džokušs.

Pilnīga AI ietekme uz uzņēmējdarbību un visas iespējas, ko tehnoloģija var atklāt, joprojām nav zināma.

Jockusch saka, ka notiek daudz darba, lai labāk izprastu šīs sekas. Mēs esam tikai sākuma punktā, lai patiešām saprastu, ko procesa optimizācija var dot uzņēmumam kopumā.

Biznesa laboratoriju vada Laurela Ruma, Insights direktore, MIT Technology Review pielāgotās izdevējdarbības nodaļa. Izrāde ir MIT Technology Review iestudējums, kurā piedalās Collective Next.

Šī Podcast epizode tika izveidota sadarbībā ar Siemens Digital Industries Software.

Rādīt piezīmes un saites

Siemens palīdz Vjetnamas automašīnu ražotājam ražot pirmos transportlīdzekļus, Automation.com, 2019. gada 6. septembris

Chip to city: mobilitātes nākotne, autors Stefans Jockusch, Starptautiskā Optikas un fotonikas biedrības digitālā bibliotēka, 2019. gada 26. septembris

Pilns atšifrējums

Laurela Ruma : No MIT Technology Review es esmu Laurel Ruma, un šī ir Business Lab, izrāde, kas palīdz uzņēmumu vadītājiem izprast jaunas tehnoloģijas, kas nāk no laboratorijas un nonāk tirgū. Mūsu šodienas tēma ir mākslīgais intelekts un fiziskie pielietojumi. AI var darboties ar mikroshēmu, uz malas ierīces, automašīnā, rūpnīcā, un galu galā AI vadīs pilsētu ar lēmumu pieņemšanu reāllaikā, pateicoties ātrai apstrādei, mazām ierīcēm un nepārtrauktai apmācībai. Divi vārdi jums: vieda rūpnīca.

Mans viesis ir Dr. Stefans Jockusch, kurš ir Siemens Digital Industries Software stratēģijas viceprezidents. Viņš ir atbildīgs par stratēģisko biznesa plānošanu un tirgus izpēti, un Stefans arī koordinē projektus dažādos biznesa segmentos un ar Siemens Digital Leadership. Šī Business Lab epizode tiek veidota sadarbībā ar Siemens Digital Industries. Laipni lūdzam, Stefan.

Stefans Jokušs : Sveiki. Paldies, ka esat mani.

Laurels : Tātad, ja mēs varētu mazliet sākt, vai jūs varētu pastāstīt mums par Siemens Digital Industries? Ko tieši jūs darāt?

Stefans : Jā, Siemens Digital Industries mēs esam tehniskās programmatūras bizness. Tāpēc mēs izstrādājam programmatūru, kas atbalsta visu procesu no sākotnējās idejas par produktu, piemēram, jaunu mobilo tālruni vai viedpulksteni, līdz dizainam un pēc tam izgatavotajam produktam. Tātad tas ietver mehānisko dizainu, programmatūru, kas tajā darbojas, un pat mikroshēmas, kas darbina šo ierīci. Tātad, izmantojot mūsu programmatūru, jūs varat to visu ievietot digitālajā pasaulē. Un mums patīk runāt par to, ko jūs no tā iegūstat kā digitālais dvīnis. Tātad jums ir digitālais dvīnis no visa, uzvedības, fizikas, simulācijas, programmatūras un mikroshēmas. Un jūs, protams, varat izmantot šo digitālo dvīņu, lai pieņemtu jebkuru lēmumu vai izmēģinātu, kā produkts darbojas, kā tas darbojas, pirms jums tas ir jāizveido. Īsumā tas ir tas, ko mēs darām.

Laurels: Tātad, paliekot pie šīs idejas par digitālo dvīņu, kā mēs izskaidrojam ideju par mikroshēmu pilsētā? Kā ražotāji faktiski var simulēt mikroshēmu, tās funkcijas un pēc tam produktu, teiksim, kā automašīnu, kā arī vidi, kas ieskauj šo automašīnu?

Stefans: Jā. Aiz šīs idejas patiesībā slēpjas doma, ka nākotnē un jau šodien mums ir jāveido produkti, kas ļauj cilvēkiem, kas pie tā strādā, redzēt kopumu, nevis tikai mazu gabalu. Tāpēc mēs to veidojam tik lielu, lai varētu teikt, ka no mikroshēmas uz pilsētu, kas patiešām nozīmē, ka, izstrādājot mikroshēmu, kas darbojas mūsdienu transportlīdzeklī un vēl jo vairāk nākotnē, jums ir jāņem vērā daudzas lietas. kamēr jūs projektējat šo mikroshēmu. Jums ir jābūt priekšstatam, vai mikroshēma, piemēram, kontrolē to lietu interpretāciju, ko kameras redz autonomai braukšanai, jums ir jābūt priekšstatam, cik attēlu šim mikroshēmai ir jāapstrādā vai cik lietas pārvietojas uz šiem attēliem un acīmredzami gājēji, kāda atzinība jums jādara? Ir daudz jāsaprot, kas beigās notiks. Tāpēc ideja ir ļaut dizaineram mikroshēmas līmenī izprast produkta faktisko uzvedību.

Un tas, kas notiek šodien, jo īpaši ir tas, ka mēs vairs neattīstām automašīnas, tikai domājot par automašīnu, mēs arvien vairāk savienojam transportlīdzekļus ar vidi, viens ar otru. Un viens no lielākajiem mērķiem, kā mēs visi zinām, protams, ir uzlabot piesārņojumu pilsētās un arī satiksmi pilsētās, lai patiešām padarītu šīs lielpilsētu teritorijas apdzīvojamākas. Tas arī ir kaut kas, kas mums ir jāņem vērā visā šajā procesa ķēdē, ja mēs vēlamies redzēt kopumu kā dizaineru. Tātad šis ir visas šīs idejas fons, čips uz pilsētu. Un atkal tā, kā tam vajadzētu izskatīties dizaineram, ja padomā, es projektēju šo redzes moduli automašīnā, un es gribu saprast, cik jaudīgam tam ir jābūt. Man ir veids, kā iegremdēties simulācijā, ļoti precīzā simulācijā, un es varu redzēt, kādus datus redzēs mans transportlīdzeklis, kas tajos ir, cik sensoru ievades saņemu no citiem avotiem un kas man jādara. Es tiešām varu to visu izspēlēt.

Laurels: Man ļoti patīk ierāmējums, kurā ir iespēja redzēt visu, nevis tikai daļu no šī neticami sarežģītā domāšanas, veidošanas, piegādes veida. Tātad, lai atgrieztos pie šī gabala līmeņa, kā AI spēlē lomu mikroshēmu līmenī?

Stefans: AI lielā mērā ir saistīta ar atbalstu vai pat pareizā lēmuma pieņemšanu reāllaikā. Un šeit, manuprāt, AI un mikroshēmu līmenis kļūst tik svarīgi kopā, jo mēs visi zinām, ka var izdarīt daudzas gudras lietas, ja jums ir liels dators, kas atrodas kaut kur datu centrā. Bet AI un mikroshēmu līmenis patiešām ir ļoti mērķēts uz šīm lietojumprogrammām, kurām nepieciešama reāllaika veiktspēja un veiktspēja, kurai nav laika daudz komunicēt. Un šodien tas patiešām attīstās līdz tam, ka mikroshēmas, kas izmanto AI lietojumprogrammas, tagad jau ir izstrādātas ļoti specializētā veidā neatkarīgi no tā, vai tām ir jāpadara liela skaitļošanas jauda vai arī tām ir pēc iespējas labāk jātaupa enerģija, tāpēc jābūt ļoti zemam. enerģijas patēriņu vai arī tiem ir nepieciešams vairāk atmiņas. Tātad, jā, kļūst arvien ierastāka lieta, ka mēs redzam mākslīgo intelektu, kas ir iestrādāts mazās mazās mikroshēmās, un tad, iespējams, nākotnes automašīnās mums būs ducis pusvadītāju līmeņa AI lietojumprogrammu dažādām lietām.

Laurels: Tas parāda labu punktu, jo cilvēkiem ir jāpieņem šie lēmumi reāllaikā, izmantojot šīs mazās ierīču mikroshēmas. Tātad, kā tādas lietas kā nepārtraukta mācīšanās ar AI sarežģītība ne tikai palīdz AI kļūt gudrākai, bet arī ietekmē datu izvadi, kas galu galā, kaut arī ļoti ātri, ļauj cilvēkam pieņemt labākus lēmumus reāllaikā?

Stefans: Es teiktu, ka lielākā daļa AI lietojumu mūsdienās ir drīzāk paredzēti, lai palīdzētu cilvēkam pieņemt labu lēmumu, nevis pieņemt lēmumu. Es nedomāju, ka mēs tam vēl tik ļoti uzticamies. Piemēram, mūsu programmatūrā, tāpat kā daudzi programmatūras veidotāji, mēs sākam izmantot AI, lai atvieglotu un ātrāku lietošanu. Piemēram, jums ir šīs ļoti sarežģītās dizaina lietojumprogrammas, kas var paveikt daudzas lietas, un, protams, tām ir simtiem izvēlņu. Tātad mums ir viena lietojumprogramma, kurā programma vēro lietotāju un mēģina paredzēt komandu, kuru lietotājs izmantos tālāk. Tātad, lai vienkārši to piedāvātu un pateiktu: 'Vai jūs nevēlaties to darīt?' Un, protams, jūs runājāt par nepārtrauktu uzlabošanu, nepārtrauktu mācīšanos — jo ilgāk lietojumprogramma var skatīties lietotāju, jo precīzāka tā būs.

Šobrīd tas jau ir virs 95%, bet, protams, nepārtraukta mācīšanās to uzlabo. Un, starp citu, tas ir arī veids, kā izmantot AI ne tikai, lai palīdzētu vienam lietotājam, bet arī sāktu kodēt zināšanas, pieredzi, daudzveidīgu labu lietotāju pieredzi un padarītu to pieejamu citiem lietotājiem. Ja ļoti pieredzējis inženieris to dara un izmanto AI, un jūs pamatā paņemat no šī inženiera iegūtās atziņas un sniedzat to kādam mazāk pieredzējušam, kuram ir jādara līdzīga lieta, šī pieredze palīdzēs arī jaunajam lietotājam, iesācējam.

Laurels: Tas ir patiešām pārliecinoši, jo jums ir taisnība — jūs veidojat zināšanu datu bāzi, faktisku datu datu bāzi. Un arī tas viss galu galā palīdz mākslīgajam intelektam, bet pēc tam patiešām palīdz arī cilvēkam, jo ​​jūs mēģināt paplašināt šīs zināšanas pēc iespējas vairāk cilvēku. Tagad, kad mēs domājam par to un AI pašā malā, kā tas maina uzņēmuma iespējas neatkarīgi no tā, vai esat ražotājs vai persona, kas izmanto ierīci?

Stefans: Jā. Un kopumā, protams, tas ir veids, kā ikviens, kas ražo viedo produktu, var atšķirties, radīt atšķirību, jo visas šīs, AI iespējotās funkcijas, protams, ir gudras, un tās sniedz zināmu atšķirību. Bet piemērs, kuru es tikko minēju, kur var paredzēt, ko lietotājs darīs, protams, ir kaut kas tāds, kā daudzām programmatūras daļām vēl nav. Tātad tas ir veids, kā atšķirt. Un tas noteikti paver daudz iespēju izveidot šīs ļoti atšķirīgās funkcionalitātes daļas neatkarīgi no tā, vai tā ir programmatūrā vai transportlīdzekļos, jebkurā citā jomā.

Laurels: Tātad, ja mēs to patiešām piemērotu, iespējams, gudrai rūpnīcai un tam, kā cilvēki domā par ražošanas ķēdi, vispirms tas notiek, un tad tas notiek, un tiek uzliktas automašīnas durvis un pēc tam tiek ievietots dzinējs vai kas cits. Ko mēs varam attiecināt uz šāda veida tradicionālo rūpnīcas domāšanas veidu un pēc tam piemērot tai AI domāšanu?

Stefans: Mēs varam sākt ar vecāko rūpnīcas problēmu. Es domāju, ka rūpnīcas vienmēr ir bijušas par kaut ko ļoti efektīvu un nepārtrauktu ražošanu un resursu piesaistīšanu. Tāpēc jebkura rūpnīca cenšas darboties vienmēr, kad tai ir jābūt gatavai, un tai nav neparedzētas vai neplānotas dīkstāves. Tāpēc AI sāk kļūt par lielisku rīku, lai to paveiktu. Un es varu sniegt jums ļoti praktisku piemēru no Siemens rūpnīcas, kas ražo iespiedshēmu plates. Un viens no soļiem, kas viņiem jādara, ir šo shēmu plates frēzēšana. Viņiem ir frēzmašīna un jebkura frēzmašīna, īpaši tāda, kas ir ļoti automatizēta un robotizēta, tai ir tendence laika gaitā uzkāpt, kļūt netīrāka. Un tāpēc viens izaicinājums ir nodrošināt pareizu apkopi, jo jūs nevēlaties, lai mašīna neizdodas tieši maiņas vidū un radītu šo neplānoto dīkstāvi.

Tāpēc viens liels izaicinājums ir izdomāt, kad šī mašīna ir jākopj, protams, nekopjot to katru dienu, kas būtu ļoti dārgi. Tāpēc mēs faktiski izmantojam AI lietojumprogrammu malas ierīcē, kas atrodas tieši rūpnīcā, lai uzraudzītu šo iekārtu un veiktu diezgan precīzu prognozi, kad ir pienācis laiks veikt apkopi un iztīrīt iekārtu, lai nākamajā maiņā tā nebojātos. . Tātad šis ir tikai viens piemērs, un es uzskatu, ka ir simtiem potenciālo lietojumu, kas, iespējams, vēl nav pilnībā izstrādāti šajā jomā, lai patiešām nodrošinātu, ka rūpnīcas ražo nemainīgi augstu kvalitāti un ka nav neplānotas iekārtu dīkstāves. Protams, vizuālās kvalitātes pārbaudēs mākslīgais intelekts jau tiek plaši izmantots. Tāpēc rūpnīcas grīdā ir daudz un tonnas lietojumu.

Laurels: Un tam ir milzīga ietekme uz ražotājiem, jo, kā jūs minējāt, tas ietaupa naudu, vai ne? Vai, jūsuprāt, šī ir grūta pāreja, lai vadītāji varētu domāt par investīcijām tehnoloģijās citā veidā, lai pēc tam iegūtu visas šīs priekšrocības?

Stefans: Jā. Tas ir tāpat kā ar katru tehnoloģiju, es nedomāju, ka tas ir liels bloks, šobrīd ir liela interese, un šajā jomā ir daudz ražotāju ar iniciatīvām. Tāpēc es teiktu, ka tas, iespējams, radīs ievērojamu progresu produktivitātē, bet, protams, tas nozīmē arī ieguldījumus. Un es varu teikt, jo ir diezgan paredzams redzēt, kāda būs šī ieguldījuma atmaksāšanās. Cik mēs redzam, tur ir daudz pozitīvas enerģijas, lai veiktu šīs investīcijas un modernizētu rūpnīcas.

Laurels: Kāda veida modernizācija ir nepieciešama darbaspēkam rūpnīcās, kad instalējat un lietojat, vai pārtaisīšana, lai ņemtu vērā AI lietojumprogrammas?

Stefans: Tas ir lielisks jautājums, jo dažreiz es teiktu, ka daudzi mākslīgā intelekta lietojumprogrammu lietotāji, iespējams, pat nezina, ka viņi to izmanto. Tātad jūs būtībā saņemat kastīti, un tā jums pateiks, ir ieteicams šo mašīnu uzturēt tagad. Operators, iespējams, zinās, kā rīkoties, bet ne vienmēr zinās, ar kādu tehnoloģiju viņi strādā. Tomēr, protams, iespējams, būs dažas, es teiktu, gandrīz jaunas specialitātes vai jaunas prasmes, kuras inženieri patiešām varētu izmantot un kā optimizēt šīs rūpnīcā izmantotās AI lietojumprogrammas. Tā kā, kā jau teicu, mums ir šīs lietojumprogrammas, kas ir izveidotas un darbojas un darbojas šodien, taču, lai tās būtu patiešām noderīgas, lai tās būtu pietiekami precīzas, tam, protams, līdz šim ir vajadzīgas lielas zināšanas, vismaz dažas iterācija arī. Un, iespējams, mūsdienās nav pārāk daudz cilvēku, kuri patiešām ir pietiekami pieredzējuši ar tehnoloģijām un pietiekami labi saprot rūpnīcas vidi, lai to izdarītu.

Manuprāt, mūsdienās tā ir diezgan, diezgan reta prasme, un, lai to padarītu par ikdienišķāku lietojumu, mums, protams, būs jārada vairāk tādu ekspertu, kuri patiešām labi spēj sagatavot mākslīgā intelekta gatavību rūpnīcas grīdai un novest to līdz vajadzīgajam briedumam. .

Laurels: Šķiet, ka tā ir lieliska iespēja, vai ne? Lai cilvēki apgūtu jaunas prasmes. Šis nav piemērs tam, ka mākslīgais intelekts atņem darbavietas un negatīvākas konotācijas, kas rodas, runājot par AI un biznesu. Praksē, ja mēs to visu apvienojam un runājam par VinFast, Vjetnamas autoražotāju, kurš vēlējās darīt lietas diezgan savādāk nekā tradicionālā automašīnu ražošana. Pirmkārt, viņi uzcēla rūpnīcu, bet pēc tam viņi piemēroja šāda veida visaptverošu domāšanu par mikroshēmu rūpnīcai un pēc tam pilsētai. Tātad, atgriežoties pilnā aplī, kāpēc šī domāšana ir unikāla, it īpaši automašīnu ražotājam, un kādas iespējas un izaicinājumi viņiem ir?

Stefans: Jā. VinFast ir interesants piemērs, jo, kad viņi sāka ražot transportlīdzekļus, viņi būtībā sāka uz zaļa lauka. Un tā, iespējams, ir lielākā atšķirība starp VinFast un lielāko daļu lielāko autoražotāju. Ka tās visas ir simts vai vairāk gadus vecas un tām, protams, ir daudz vēstures, kas pēc tam izpaužas kā esošas rūpnīcas vai daudzas lietas, kas patiešām tika uzbūvētas pirms digitalizācijas laikmeta. Tātad VinFast sākās no zaļā lauka, un tas, protams, ir liels izaicinājums, tas to ļoti apgrūtina. Bet priekšrocība bija tā, ka viņiem patiešām ir iespēja sākt ar pilnībā digitalizētu pieeju, ka viņi varēja izmantot programmatūru. Jo viņi būtībā visu konstruēja, un viņi patiešām varēja sākt ar šo diezgan pilnīgu digitālo dvīņu ne tikai savu produktu, bet arī projektēja visu rūpnīcu datorā, pirms pat sāka to būvēt. Un tad viņi to izveido rekordīsā laikā.

Tas, iespējams, ir lielais un unikālais aspekts, ka viņiem ir šī iespēja būt pilnībā digitāliem. Un, kad jūs esat šajā stāvoklī, tad jau varat pateikt visu manu dizainu, protams, manu programmatūru, kas darbojas transportlīdzeklī, bet arī visu manu rūpnīcu, visu manu rūpnīcas automatizāciju. Man tas jau ir pilnībā digitālā veidā, un es varu veikt simulācijas un scenārijus. Tas arī nozīmē, ka jums ir lielisks sākumpunkts, lai izmantotu šīs AI tehnoloģijas, lai optimizētu savu rūpnīcu vai palīdzētu darbiniekiem veikt papildu optimizācijas un tā tālāk.

Laurels: Vai jūs domājat, ka nav iespējams būt vienam no šiem simts gadus vecajiem ražotājiem un lēnām pieņemt šāda veida tehnoloģijas? Droši vien jums nav jābūt zaļā lauka videi, tas vienkārši padara visu vieglu vai, man jāsaka, vieglāku, vai ne?

Stefans: Jā. Visi no tiem, es domāju, automobiļu rūpniecība tradicionāli ir bijusi viena no tām, kas visvairāk ieguldīja produktivitātē un digitalizācijā. Tātad viņi visi ir uz šī ceļa. Atkal, viņiem nav šīs ļoti unikālās situācijas, kāda ir jums, vai arī reti ir šī unikālā situācija, kuru jūs patiešām varat sākt no tukšas lapas. Taču liela daļa programmatūras tehnoloģiju, protams, arī ir pielāgota šim scenārijam. Piemēram, ja jums ir esoša rūpnīca, tāpēc rūpnīcas projektēšana datorā jums īpaši nepalīdz, ja jums tāda jau ir. Tātad jūs izmantojat šīs tehnoloģijas, kas ļauj iziet cauri rūpnīcai un veikt 3D skenēšanu. Tātad jūs precīzi zināt, kā rūpnīca izskatās no iekšpuses, ja tā nav projektēta datorā, jo būtībā jūs šo informāciju ražojat pēc fakta. Tas noteikti ir tas, ko iedibinātie vai tradicionālie autoražotāji dara daudz un kur viņi arī pamatā ienes digitalizāciju pat esošajā vidē.

Laurels: Mēs patiešām apspriežam sekas, kad uzņēmumi var izmantot simulācijas un scenārijus, lai piemērotu AI. Tātad, kad jūs varat, neatkarīgi no tā, vai tas ir zaļš lauks vai arī jūs to izmantojat savā rūpnīcā, kas notiek ar uzņēmumu? Kādi ir rezultāti? Kur ir dažas no iespējām, kas ir iespējamas, ja AI var izmantot faktiskajai mikroshēmai, automašīnai un pēc tam pilsētai, lielākai ekosistēmai?

Stefans: Jā. Kad mēs patiešām domājam par ietekmi uz uzņēmējdarbību, es atklāti domāju, ka mēs esam tikai sākumā, lai saprastu un aprēķinātu, kāda patiesībā ir ātrāku un precīzāku lēmumu vērtība, ko nodrošina AI. Es domāju, ka šobrīd mums nav pilnīgas izpratnes, un ikvienam ir diezgan skaidrs, ka digitalizācijai patīk projektēšanas process un ražošanas process. Tas ne tikai ietaupa pētniecības un attīstības pūles un pētniecības un attīstības naudu, bet arī palīdz optimizēt piegādes ķēdes krājumus, ražošanas izmaksas un jaunā produkta kopējās izmaksas. Un šeit patiešām apvienojas dažādi biznesa aspekti. Un es teiktu atklāti, mēs sākam saprast tūlītējās sekas, mēs sākam saprast, vai man ir AI vadīta kvalitātes pārbaude, kas samazinās manus atkritumus, lai es varētu saprast šāda veida biznesa vērtību.

Taču šīs optimizācijas izmantošanai ir vesela biznesa vērtības dimensija, kas patiešām attiecas uz visu uzņēmumu. Un es teiktu, ka notiek daudz darba, lai labāk izprastu šīs sekas. Bet es teiktu, ka šobrīd mēs esam tikai sākuma punktā, lai to izdarītu, lai patiešām saprastu, ko procesa optimizācija var dot uzņēmumam kopumā.

Laurels: Tātad optimizācija, nepārtraukta mācīšanās, nepārtraukta uzlabošana, tas liek man domāt, un, protams, automašīnas, Toyota Way , kas ir tā nozīmīgākā grāmata, kas tika uzrakstīta 2003. gadā, un tas ir pārsteidzoši, jo tā joprojām ir aktuāla. Bet, izmantojot saprātīgu ražošanu, vai AI ir iespējams nepārtraukti uzlabot to mikroshēmu līmenī, rūpnīcas līmenī, pilsētā, lai palīdzētu šiem uzņēmumiem pieņemt labākus lēmumus?

Stefans: Jā. Manā skatījumā, Toyota Way , atkal, grāmata, kas izdota 2000. gadu sākumā, ar nepārtrauktiem uzlabojumiem, manuprāt, nepārtraukta uzlabošana, protams, vienmēr var daudz ko darīt, bet ir nedaudz atpazīstamības pēdējos, es teiktu, piecus līdz 10 gadus, kaut kur, piemēram, ka nepārtrauktais uzlabojums varētu būt skāris iespējamo sienu. Tāpēc kopš tā laika ir daudz domāts par to, kas īsti ir nākamā ražošanas paradigma. Kad jūs pārtraucat domāt par evolūciju un optimizāciju un domājat par lielāku revolūciju. Un viens no šeit izstrādātajiem jēdzieniem tiek saukts par rūpniecību 4.0, kas patiesībā ir doma par idejas apvēršanu par to, kā ražošana vai vērtību ķēde var darboties. Un tiešām padomājiet par to, kā būtu, ja es iegūtu divas rūpnīcas, kas pilnībā pašorganizējas, kas ir sava veida revolucionārs solis. Tā kā mūsdienās rūpnīca galvenokārt tiek izveidota, pamatojoties uz noteiktu ideju par to, kādus produktus tā ražo un kad jums ir līnijas, konveijeri un tamlīdzīgi sīkumi, un tie visi ir pieskrūvēti pie grīdas. Tātad tā ir diezgan statiska, sākotnējā rūpnīcas ideja. Un jūs varat to optimizēt evolucionārā veidā uz ilgu laiku, taču jūs nekad nepārkāptu šo slieksni.

Tātad jaunākā doma vai citi jēdzieni, par kuriem tiek domāts, ir, ja mana rūpnīca sastāv no neatkarīgiem, kustīgiem robotiem un roboti var veikt dažādus uzdevumus. Viņi var transportēt materiālus vai pēc tam pārslēgties uz robota rokas vai satvērēja turēšanu. Un atkarībā no tā, kādu produktu es iemetu šajā rūpnīcā, tas pilnībā mainīsies un darbosies citādi, kad es nākšu ar ļoti atšķirīgu produktu, un tas pats organizēsies, lai darītu kaut ko citu. Tātad šīs ir dažas no paradigmām, par kurām šodien tiek domāts un kuras, protams, var kļūt par realitāti tikai tad, ja tajās tiek plaši izmantotas AI tehnoloģijas. Un mēs domājam, ka viņi patiešām mainīs vismaz to, ko darīs daži ražošanas veidi. Šodien mēs daudz runājam par pirmās partijas lielumu un to, ka klienti vēlas vairāk iespēju un produktu variantu. Tāpēc rūpnīcām, kas to spēj, lai patiešām ražotu ļoti pielāgotus produktus, ļoti efektīvi, tām ir jāizskatās daudz savādāk.

Tāpēc daudzējādā ziņā es domāju, ka pastāvīgu uzlabojumu pieejai ir liela nozīme. Bet es domāju, ka mēs šobrīd dzīvojam laikā, kad mēs vairāk domājam par ražošanas paradigmas revolūciju.

Laurels: Tas ir pārsteidzoši. Nākamā paradigma ir revolūcija. Stefan, liels paldies, ka pievienojies mums šodien šajā fantastiskajā sarunā par Business Lab.

Stefans: Pilnīgi noteikti. Mans prieks. Paldies.

Laurels: Tas bija Stefans Jokušs, Siemens Digital Industry Software stratēģijas viceprezidents, ar kuru es runāju no Kembridžas, Masačūsetsas štatā, MIT un MIT Technology Review mājas, no kura paveras skats uz Čārlza upi. Tas ir viss šajā Business Lab epizodē. Es esmu jūsu saimnieks Laurel Ruma. Es esmu Insights direktors, MIT Technology Review pielāgotās izdevējdarbības nodaļa. Mēs esam dibināti 1899. gadā Masačūsetsas Tehnoloģiju institūtā. Un jūs varat mūs atrast izdrukās, tīmeklī un tiešsaistes pasākumos un visā pasaulē. Lai iegūtu plašāku informāciju par mums un šovu, lūdzu, apmeklējiet mūsu vietni technologyreview.com. Raidījums ir pieejams visur, kur saņemat aplādes. Ja jums patika šī sērija, mēs ceram, ka veltīsit brīdi, lai mūs novērtētu un sniegtu atsauksmi. Business Lab ir MIT Technology Review produkcija. Šo sēriju producēja Collective Next. Paldies par klausīšanos.

paslēpties