Come l'IA rivoluzionerà la produzione

In associazione con Software Siemens per le industrie digitali

Chiedi a Stefan Jockusch come potrebbe essere una fabbrica tra 10 o 20 anni e la risposta potrebbe lasciarti a un bivio tra fascino e smarrimento. Jockusch è vicepresidente per la strategia di Siemens Digital Industries Software, che sviluppa applicazioni che simulano l'ideazione, la progettazione e la produzione di prodotti come telefoni cellulari o smartwatch. La sua visione di una fabbrica intelligente è in fermento con robot indipendenti e mobili. Ma non si fermano a fare una o tre o cinque cose. No, questa fabbrica si auto-organizza.

Questo episodio del podcast è stato prodotto da Insights, il ramo dei contenuti personalizzati di MIT Technology Review. Non è stato prodotto dalla redazione del MIT Technology Review.

A seconda del prodotto che lancio in questa fabbrica, si rimescolerà completamente da solo e funzionerà in modo diverso quando arrivo con un prodotto molto diverso, dice Jockusch. Si auto-organizzerà per fare qualcosa di diverso.

Dietro questa fabbrica del futuro c'è l'intelligenza artificiale (AI), dice Jockusch in questo episodio di Business Lab. Ma l'IA inizia in modo molto, molto più piccolo, con il chip. Prendi la produzione di automobili. I chip che alimentano le varie applicazioni nelle automobili di oggi, e i veicoli senza conducente di domani, sono integrati con l'intelligenza artificiale, che supporta il processo decisionale in tempo reale. Sono altamente specializzati, costruiti pensando a compiti specifici. Le persone che progettano i chip devono quindi vedere il quadro generale.

Devi avere un'idea se il chip, ad esempio, controlla l'interpretazione delle cose che vedono le telecamere per la guida autonoma. Devi avere un'idea di quante immagini deve elaborare il chip o di quante cose si stanno muovendo su quelle immagini, dice Jockusch. Devi capire molto su cosa accadrà alla fine.

Questo modo complesso di costruire, fornire e collegare prodotti e sistemi è ciò che Siemens descrive come chip to city: l'idea che i futuri centri abitati saranno alimentati dalla trasmissione di dati. Le fabbriche e le città che controllano e gestiscono da sole, afferma Jockusch, fanno affidamento sul miglioramento continuo: l'IA esegue un'azione, impara dai risultati e quindi modifica le azioni successive per ottenere un risultato migliore. Oggi, la maggior parte dell'IA aiuta gli esseri umani a prendere decisioni migliori.

Abbiamo un'applicazione in cui il programma osserva l'utente e cerca di prevedere il comando che l'utente utilizzerà successivamente, afferma Jockusch. Più a lungo l'applicazione può guardare l'utente, più accurato sarà.

L'applicazione dell'IA alla produzione può comportare risparmi sui costi e grandi guadagni in termini di efficienza. Jockusch fornisce un esempio di una fabbrica Siemens di circuiti stampati, utilizzati nella maggior parte dei prodotti elettronici. La fresatrice usata lì ha la tendenza a salire nel tempo, a sporcarsi. La sfida è determinare quando la macchina deve essere pulita in modo che non si rompa nel mezzo di un turno.

In realtà stiamo utilizzando un'applicazione AI su un dispositivo edge che si trova direttamente in fabbrica per monitorare quella macchina e fare una previsione abbastanza accurata quando è il momento di eseguire la manutenzione, afferma Jockusch.

L'impatto completo dell'IA sul business e l'intera gamma di opportunità che la tecnologia può scoprire sono ancora sconosciute.

C'è molto lavoro da fare per capire meglio queste implicazioni, dice Jockusch. Siamo solo al punto di partenza per fare questo, per capire davvero cosa può fare l'ottimizzazione di un processo per l'impresa nel suo insieme.

Business Lab è ospitato da Laurel Ruma, direttrice di Insights, la divisione di pubblicazione personalizzata di MIT Technology Review. Lo spettacolo è una produzione di MIT Technology Review, con l'aiuto della produzione da Collective Next.

Questo episodio del podcast è stato prodotto in collaborazione con Siemens Digital Industries Software.

Mostra note e collegamenti

Siemens aiuta la casa automobilistica vietnamita a produrre i primi veicoli, Automation.com, 6 settembre 2019

Chip to city: il futuro della mobilità, di Stefan Jockusch, The International Society for Optics and Photonics Digital Library, 26 settembre 2019

Trascrizione completa

Lauro Ruma : Dal MIT Technology Review, sono Laurel Ruma, e questo è Business Lab, lo spettacolo che aiuta i leader aziendali a dare un senso alle nuove tecnologie che escono dal laboratorio e nel mercato. Il nostro argomento oggi è l'intelligenza artificiale e le applicazioni fisiche. L'IA può essere eseguita su un chip, su un dispositivo periferico, in un'auto, in una fabbrica e, in definitiva, l'IA gestirà una città con processi decisionali in tempo reale, grazie all'elaborazione rapida, ai piccoli dispositivi e all'apprendimento continuo. Due parole per te: fabbrica intelligente.

Il mio ospite è il dottor Stefan Jockusch, vicepresidente per la strategia di Siemens Digital Industries Software. È responsabile della pianificazione aziendale strategica e dell'intelligence di mercato, e coordina anche i progetti in tutti i segmenti di business e con Siemens Digital Leadership. Questo episodio di Business Lab è prodotto in associazione con Siemens Digital Industries. Benvenuto, Stefano.

Stefan Jockusch : Ciao. Grazie per avermi.

Alloro : Quindi, se potessimo iniziare un po', potresti parlarci di Siemens Digital Industries? Cosa fai esattamente?

Stefano : Sì, in Siemens Digital Industries, siamo il business del software tecnico. Quindi sviluppiamo un software che supporta l'intero processo dall'idea iniziale di un prodotto come un nuovo telefono cellulare o smartwatch, alla progettazione e quindi al prodotto realizzato. Quindi ciò include il design meccanico, il software che funziona su di esso e persino i chip che alimentano quel dispositivo. Quindi, con il nostro software, puoi mettere tutto questo nel mondo digitale. E ci piace parlare di cosa ne ricavi, come gemello digitale. Quindi hai un gemello digitale di tutto, il comportamento, la fisica, la simulazione, il software e il chip. E ovviamente puoi usare quel gemello digitale per prendere praticamente qualsiasi decisione o provare come funziona il prodotto, come si comporta, prima ancora di doverlo costruire. Questo è in poche parole quello che facciamo.

Alloro: Quindi, restando sull'idea del gemello digitale, come spieghiamo l'idea del chip alla città? In che modo i produttori possono simulare effettivamente un chip, le sue funzioni e quindi il prodotto, diciamo, come un'auto, nonché l'ambiente che circonda quell'auto?

Stefano: Sì. Dietro quell'idea c'è davvero il pensiero che in futuro, e già oggi, dobbiamo costruire prodotti, consentendo alle persone che ci lavorano di vedere l'intero, piuttosto che solo un piccolo pezzo. Quindi questo è il motivo per cui lo rendiamo grande come dire dal chip alla città, il che significa davvero che quando progetti un chip che funziona in un veicolo di oggi e ancora di più in futuro, devi tenere conto di molte cose mentre stai progettando quel chip. Devi avere un'idea se il chip, ad esempio, controlla l'interpretazione delle cose che le telecamere vedono per la guida autonoma, devi avere un'idea di quante immagini deve elaborare quel chip o quante cose si stanno muovendo su quelle immagini e ovvi pedoni, che riconoscimento devi fare? Devi capire molto su cosa accadrà alla fine. Quindi l'idea è quella di consentire a un designer a livello di chip di comprendere il comportamento effettivo di un prodotto.

E quello che sta succedendo oggi, in particolare, è che non sviluppiamo più automobili solo pensando a un'auto, stiamo sempre più collegando i veicoli all'ambiente, l'uno con l'altro. E uno dei grandi scopi, come tutti sappiamo, è ovviamente quello di migliorare la contaminazione nelle città e anche il traffico nelle città, in modo da rendere davvero più vivibili queste aree metropolitane. Quindi è anche qualcosa di cui dobbiamo tenere conto in tutta questa catena di processi, se vogliamo vedere l'insieme come designer. Quindi questo è lo sfondo di tutta questa idea, dal chip alla città. E ancora, come dovrebbe apparire per un designer, se ci pensi, sto progettando questo modulo di visione in un'auto e voglio capire quanto deve essere potente. Ho un modo per immergermi in una simulazione, molto accurata, e posso vedere quali dati vedrà il mio veicolo, cosa contengono, quanti sensori ottengo da altre fonti e cosa devo fare. Posso davvero giocare con tutto questo.

Alloro: Mi piace molto l'inquadratura di essere in grado di vedere l'intero, non solo il pezzo di questo modo incredibilmente complesso di pensare, costruire, fornire. Quindi, per tornare a quel livello di pezzo, in che modo l'IA gioca un ruolo a livello di chip?

Stefano: L'intelligenza artificiale è molto importante per supportare o addirittura prendere la decisione giusta in tempo reale. Ed è qui che penso che l'IA e il livello del chip diventino così importanti insieme, perché sappiamo tutti che molte cose intelligenti possono essere fatte se hai un grande computer seduto da qualche parte in un data center. Ma l'intelligenza artificiale e il livello di chip sono davvero molto mirati a queste applicazioni che richiedono prestazioni in tempo reale e prestazioni che non hanno tempo per comunicare molto. E oggi si sta davvero evolvendo in modo che i chip che fanno le applicazioni di intelligenza artificiale siano ora progettati già in un modo molto specializzato, sia che debbano fare molta potenza di calcolo o che debbano risparmiare energia il più possibile, quindi sii molto basso consumo di energia o se hanno bisogno di più memoria. Quindi sì, sta diventando sempre più comune vedere l'IA incorporata in minuscoli chip, e quindi probabilmente nelle auto del futuro avremo una dozzina circa di applicazioni di intelligenza artificiale a livello di semiconduttore per cose diverse.

Alloro: Bene, questo solleva un buon punto perché sono gli esseri umani che hanno bisogno di prendere queste decisioni in tempo reale con questi piccoli chip sui dispositivi. Quindi, in che modo la complessità di qualcosa come l'apprendimento continuo con l'IA, non solo aiuta l'IA a diventare più intelligente, ma influisce anche sull'output dei dati, che alla fine, anche se molto rapidamente, consente all'uomo di prendere decisioni migliori in tempo reale?

Stefano: Direi che la maggior parte delle applicazioni dell'IA oggi sono piuttosto progettate per aiutare un essere umano a prendere una buona decisione piuttosto che prendere la decisione. Non credo che ci fidiamo ancora così tanto. Ad esempio, nel nostro software, come tanti produttori di software, stiamo iniziando a utilizzare l'IA per renderlo più facile e veloce da usare. Quindi, ad esempio, hai queste applicazioni di progettazione molto complesse che possono fare molte cose e, naturalmente, hanno centinaia di menu. Quindi abbiamo un'applicazione in cui il programma osserva l'utente e cerca di prevedere il comando che l'utente utilizzerà successivamente. Quindi solo per offrirlo e dire solo: 'Non stai per farlo?' E, naturalmente, hai parlato del miglioramento continuo, dell'apprendimento continuo: più a lungo l'applicazione può osservare l'utente, più accurato sarà.

Attualmente è già a un livello superiore al 95%, ma ovviamente l'apprendimento continuo lo migliora. E a proposito, questo è anche un modo per utilizzare l'IA non solo per aiutare un singolo utente, ma per iniziare a codificare una conoscenza, un'esperienza, un'esperienza varia di buoni utenti e renderla disponibile ad altri utenti. Se un ingegnere molto esperto lo fa e usa l'IA e fondamentalmente prendi quelle lezioni apprese da quell'ingegnere e le dai a qualcuno meno esperto che deve fare una cosa simile, quell'esperienza aiuterà anche il nuovo utente, l'utente inesperto.

Alloro: È davvero avvincente perché hai ragione: stai costruendo un database della conoscenza, un vero database di dati. E poi anche tutto questo alla fine aiuta l'IA, ma poi aiuta davvero anche l'umano perché stai cercando di estendere questa conoscenza a quante più persone possibile. Ora, se pensiamo a questo e all'IA ai margini, in che modo questo cambia le opportunità per l'azienda, che tu sia un produttore o la persona che utilizza il dispositivo?

Stefano: Sì. E in generale, ovviamente, è un modo per tutti coloro che realizzano un prodotto intelligente di differenziarsi, di creare differenziazione perché tutte queste, le funzioni abilitate dall'IA ovviamente sono intelligenti e danno una certa differenziazione. Ma l'esempio che ho appena citato in cui puoi prevedere cosa farà un utente, ovviamente è qualcosa che molti software non hanno ancora. Quindi è un modo per differenziarsi. E certamente apre molte opportunità per creare queste funzionalità altamente differenziate, sia nel software che nei veicoli, in qualsiasi altra area.

Alloro: Quindi, se dovessimo effettivamente applicare questo forse a una fabbrica intelligente e al modo in cui le persone pensano a una catena di produzione, prima succede, e poi succede e viene montata la portiera di una macchina e poi viene inserito un motore o altro. Cosa possiamo applicare a quel tipo di modo tradizionale di pensare a una fabbrica e quindi applicare questo pensiero dell'IA ad essa?

Stefano: Bene, possiamo iniziare con il problema più vecchio che ha avuto una fabbrica. Voglio dire, le fabbriche hanno sempre avuto lo scopo di produrre qualcosa in modo molto efficiente e continuo e di sfruttare le risorse. Quindi qualsiasi fabbrica cerca di essere attiva e funzionante ogni volta che dovrebbe essere attiva e funzionante, senza tempi di fermo imprevisti o non pianificati. Quindi l'IA sta iniziando a diventare un ottimo strumento per farlo. E posso darti un esempio molto pratico da una fabbrica Siemens che produce circuiti stampati. E uno dei passaggi che devono fare è fresare questi circuiti stampati. Hanno una fresatrice e qualsiasi fresatrice, specie quella del genere che è altamente automatizzata e robotica, ha la tendenza a salire nel tempo, a sporcarsi. E quindi una sfida è avere la giusta manutenzione perché non vuoi che la macchina si guasti nel bel mezzo di un turno e crei questi tempi di fermo non pianificati.

Quindi una grande sfida è capire quando è necessario mantenere questa macchina, senza ovviamente mantenerla tutti i giorni, il che sarebbe molto costoso. Quindi stiamo utilizzando effettivamente un'applicazione di intelligenza artificiale su un dispositivo edge che si trova direttamente in fabbrica, per monitorare quella macchina e fare una previsione abbastanza accurata quando è il momento di eseguire la manutenzione e pulire la macchina in modo che non si guasti nel turno successivo . Quindi questo è solo un esempio e credo che ci siano centinaia di potenziali applicazioni che potrebbero non essere ancora del tutto risolte in quest'area per garantire davvero che le fabbriche producano una qualità elevata e costante, che non ci siano tempi di fermo non pianificati delle macchine. Ovviamente c'è già molto uso dell'IA nelle ispezioni di qualità visiva. Quindi ci sono tonnellate e tonnellate di applicazioni in fabbrica.

Alloro: E questo ha enormi implicazioni per i produttori, perché, come hai detto, fa risparmiare denaro, giusto? Quindi è un cambiamento difficile, secondo lei, per i dirigenti pensare di investire nella tecnologia in un modo un po' diverso per ottenere tutti questi vantaggi?

Stefano: Sì. È come con ogni tecnologia, non penserei che sia un grosso blocco, c'è molto interesse a questo punto e ci sono molti produttori con iniziative in quello spazio. Quindi direi che probabilmente creerà un progresso significativo nella produttività, ma ovviamente significa anche investimento. E posso dire che è abbastanza prevedibile vedere quale sarà il ritorno di questo investimento. Per quanto possiamo vedere, c'è molta energia positiva lì, per fare questo investimento e modernizzare le fabbriche.

Alloro: Di che tipo di modernizzazione hai bisogno per la forza lavoro nelle fabbriche quando installi e applichi, tipo di riorganizzazioni per tenere in mente le applicazioni di intelligenza artificiale?

Stefano: Questa è un'ottima domanda perché a volte direi che molti utenti di applicazioni di intelligenza artificiale probabilmente non sanno nemmeno che ne stanno usando una. Quindi in pratica ottieni una scatola e ti dirà che si consiglia di mantenere questa macchina ora. L'operatore probabilmente saprà cosa fare, ma non necessariamente con quale tecnologia sta lavorando. Ma detto questo, ovviamente, ci saranno probabilmente alcune, direi, specialità quasi emergenti o abilità emergenti per gli ingegneri su come utilizzare e come ottimizzare queste applicazioni di intelligenza artificiale che usano in fabbrica. Perché come ho detto, abbiamo queste applicazioni che sono attive e funzionanti oggi, ma per arrivare a quelle applicazioni per essere davvero utili, per essere abbastanza accurati, ovviamente, a questo punto è necessaria molta esperienza, almeno un po' anche l'iterazione. E probabilmente non ci sono molte persone oggi che hanno davvero abbastanza esperienza con le tecnologie e che comprendono anche l'ambiente di fabbrica abbastanza bene per farlo.

Penso che questa sia un'abilità abbastanza, piuttosto rara di questi tempi e per renderla un'applicazione più comune, ovviamente dovremo creare più di questi esperti che sono davvero bravi a rendere l'IA pronta per la fabbrica e portarla alla giusta maturità .

Alloro: Sembra essere un'ottima opportunità, giusto? Affinché le persone imparino nuove abilità. Questo non è un esempio di intelligenza artificiale che porta via posti di lavoro e le connotazioni più negative che si ottengono quando si parla di intelligenza artificiale e affari. In pratica, se uniamo tutto questo e parliamo di VinFast, la casa automobilistica vietnamita che voleva fare le cose in modo un po' diverso rispetto alla produzione automobilistica tradizionale. In primo luogo, hanno costruito una fabbrica, ma poi hanno applicato quel tipo di pensiero generale del chip alla fabbrica e poi alla città. Quindi, tornando al punto di partenza, perché questo pensiero è unico, soprattutto per una casa automobilistica e che tipo di opportunità e sfide ha?

Stefano: Sì. VinFast è un esempio interessante perché quando hanno iniziato a produrre veicoli, hanno praticamente iniziato su un campo verde. E questa è probabilmente la più grande differenza tra VinFast e la stragrande maggioranza delle principali case automobilistiche. Che tutti loro abbiano cento o più anni e ovviamente abbiano molta storia, che poi si traduce nell'avere fabbriche esistenti o avere molte cose che sono state davvero costruite prima dell'era della digitalizzazione. Quindi VinFast è partito da un campo verde, e questa ovviamente è una grande sfida, lo rende molto difficile. Ma il vantaggio era che avevano davvero l'opportunità di iniziare con un approccio completamente digitalizzato, che erano in grado di utilizzare il software. Perché in pratica stavano costruendo tutto e potevano davvero iniziare con questo gemello digitale abbastanza completo non solo del loro prodotto, ma hanno anche progettato l'intera fabbrica su un computer prima ancora di iniziare a costruirlo. E poi lo costruiscono in tempi record.

Quindi questo è probabilmente il grande, unico aspetto che hanno questa opportunità di essere completamente digitali. E una volta che sei in quello stato, una volta che puoi già dire tutto il mio progetto, ovviamente, il mio software in esecuzione sul veicolo, ma anche tutta la mia fabbrica, tutta la mia automazione di fabbrica. Ho già questo in modo completamente digitale e posso eseguire simulazioni e scenari. Ciò significa anche che hai un ottimo punto di partenza per utilizzare queste tecnologie di intelligenza artificiale per ottimizzare la tua fabbrica o per aiutare i lavoratori con le ottimizzazioni aggiuntive e così via.

Alloro: Pensi che sia impossibile essere uno di quei produttori centenari e adottare lentamente questo tipo di tecnologie? Probabilmente non devi avere un ambiente greenfield, rende tutto facile o dovrei dire più facile, giusto?

Stefano: Sì. Tutti loro, voglio dire che l'industria automobilistica è stata tradizionalmente una di quelle che ha investito di più nella produttività e nella digitalizzazione. Quindi sono tutti su quella strada. Ancora una volta, non hanno questa situazione davvero unica che tu, o raramente hanno questa situazione unica che puoi davvero iniziare da una tabula rasa. Ma gran parte della tecnologia software, ovviamente, è anche adattata a quello scenario. Dove, ad esempio, hai una fabbrica esistente, quindi non ti aiuta molto progettare una fabbrica sul computer se ne hai già una. Quindi usi queste tecnologie che ti consentono di passare attraverso la fabbrica ed eseguire una scansione 3D. Quindi sai esattamente come appare la fabbrica dall'interno senza che sia stata progettata in un computer, perché essenzialmente produci quelle informazioni dopo il fatto. Quindi è sicuramente ciò che fanno molto le case automobilistiche affermate o tradizionali e in cui stanno anche portando la digitalizzazione anche nell'ambiente esistente.

Alloro: Stiamo davvero discutendo delle implicazioni quando le aziende possono utilizzare simulazioni e scenari per applicare l'IA. Quindi, quando puoi, indipendentemente dal fatto che sia greenfield o meno o lo stai adottando per la tua stessa fabbrica, cosa succede all'azienda? Quali sono i risultati? Dove sono alcune delle opportunità possibili quando l'IA può essere applicata al chip reale, all'auto e infine alla città, a un ecosistema più ampio?

Stefano: Sì. Quando pensiamo davvero all'impatto sul business, francamente penso che siamo all'inizio della comprensione e del calcolo del valore di decisioni più rapide e accurate, che sono rese possibili dall'IA. Non credo che abbiamo una comprensione molto completa a questo punto, ed è abbastanza ovvio per tutti che la digitalizzazione è come il processo di progettazione e il processo di produzione. Non solo fa risparmiare sforzi in ricerca e sviluppo e denaro in ricerca e sviluppo, ma aiuta anche a ottimizzare le scorte della catena di approvvigionamento, i costi di produzione e il costo totale del nuovo prodotto. Ed è proprio qui che si incontrano diversi aspetti del business. E francamente, iniziamo a capire gli effetti immediati, iniziamo a capire se ho un controllo di qualità basato sull'intelligenza artificiale che ridurrà i miei sprechi, così posso capire quel tipo di valore aziendale.

Ma c'è un'intera dimensione del valore aziendale dell'utilizzo di questa ottimizzazione che si traduce davvero nell'intera impresa. E direi che c'è molto lavoro da fare per capire meglio queste implicazioni. Ma direi che a questo punto siamo solo al punto di partenza per fare questo, per capire davvero cosa può fare l'ottimizzazione di un processo per l'impresa nel suo insieme.

Alloro: Quindi ottimizzazione, apprendimento continuo, miglioramento continuo, questo mi fa pensare, e le automobili, ovviamente, La via Toyota , che è quel libro seminale che è stato scritto nel 2003, che è sorprendente, perché è ancora attuale oggi. Ma con la produzione snella, è possibile che l'IA migliori continuamente quella a livello di chip, a livello di fabbrica, in città per aiutare queste aziende a prendere decisioni migliori?

Stefano: Sì. Secondo me, La via Toyota , ancora, il libro pubblicato all'inizio degli anni 2000, con il miglioramento continuo, a mio avviso, il miglioramento continuo ovviamente può sempre fare molto, ma c'è un po' di riconoscimento negli ultimi, direi da 5 a 10 anni, da qualche parte come che, quel miglioramento continuo potrebbe aver colpito il muro di ciò che è possibile. Quindi da allora si è riflettuto molto su quale sia davvero il prossimo paradigma per la produzione. Quando smetti di pensare all'evoluzione e all'ottimizzazione e pensi a più rivoluzioni. E uno dei concetti che sono stati sviluppati qui si chiama industria 4.0, che è in realtà il pensiero di capovolgere l'idea di come la produzione o di come possa funzionare la catena del valore. E pensa davvero a cosa succede se ottengo due fabbriche completamente auto-organizzate, il che è una specie di passo rivoluzionario. Perché oggi, per lo più, una fabbrica è organizzata attorno a una certa idea di quali prodotti produce e quando hai linee, nastri trasportatori e cose del genere, e sono tutti imbullonati al pavimento. Quindi è abbastanza statico, l'idea originale di una fabbrica. E puoi ottimizzarlo in modo evolutivo per molto tempo, ma non sfondare mai quella soglia.

Quindi il pensiero più recente o gli altri concetti a cui si sta pensando sono, cosa accadrebbe se la mia fabbrica fosse composta da robot indipendenti in movimento e i robot potessero svolgere compiti diversi. Possono trasportare materiale o possono quindi passare a tenere un braccio robotico o una pinza. E a seconda del prodotto che lancio in questa fabbrica, si rimescolerà completamente da solo e funzionerà in modo diverso quando arrivo con un prodotto molto diverso e si organizzerà da solo per fare qualcosa di diverso. Quindi questi sono alcuni dei paradigmi a cui si pensa oggi, che ovviamente possono diventare una realtà solo con un uso massiccio delle tecnologie di intelligenza artificiale al loro interno. E pensiamo che rivoluzioneranno davvero almeno ciò che faranno alcuni tipi di produzione. Oggi si parla molto della dimensione del lotto uno e del fatto che i clienti desiderano più opzioni e variazioni in un prodotto. Quindi le fabbriche che sono in grado di fare questo, per produrre davvero prodotti molto personalizzati, in modo molto efficiente, devono avere un aspetto molto diverso.

Quindi, in molti modi, penso che ci sia molta validità nell'approccio del miglioramento continuo. Ma penso che in questo momento viviamo in un'epoca in cui pensiamo di più a una rivoluzione del paradigma manifatturiero.

Alloro: È stupefacente. Il prossimo paradigma è la rivoluzione. Stefan, grazie mille per esserti unito a noi oggi in quella che è stata una conversazione assolutamente fantastica sul Business Lab.

Stefano: Assolutamente. Piacere mio. Grazie.

Alloro: Era Stefan Jockusch, vicepresidente della strategia per Siemens Digital Industry Software, con cui ho parlato da Cambridge, Massachusetts, sede del MIT e della MIT Technology Review, affacciata sul fiume Charles. Questo è tutto per questo episodio di Business Lab. Sono la tua ospite, Laurel Ruma. Sono il direttore di Insights, la divisione di pubblicazione personalizzata di MIT Technology Review. Siamo stati fondati nel 1899 presso il Massachusetts Institute of Technology. E puoi trovarci su carta stampata, sul web e in occasione di eventi online e in tutto il mondo. Per ulteriori informazioni su di noi e sullo spettacolo, visita il nostro sito Web all'indirizzo technologyreview.com. Lo spettacolo è disponibile ovunque tu abbia i tuoi podcast. Se ti è piaciuto questo episodio, speriamo che ti prenderai un momento per valutarci e recensirci. Business Lab è una produzione di MIT Technology Review. Questo episodio è stato prodotto da Collective Next. Grazie per aver ascoltato.

nascondere