#117 Industrial AI – Wie künstliche Intelligenz die Industrie verändert — mit Boris Scharinger

00:00:00:

00:00:02: Herzlich willkommen bei Digital for Leaders,

00:00:04: dem

00:00:05: Bildungs-Podcast für Führungskräfte.

00:00:08: Ihr Host Jan Weirer beschäftigt sich als Gründer von University for Industry täglich mit den vielfältigen Themenfeldern der Digitalisierung.

00:00:18: Lernen Sie von spannenden Experten und anhand von Praxisbeispielen wie Unternehmen erfolgreich die digitale

00:00:25: Transformation

00:00:26: meistern?

00:00:28: Liebe Hörerinnen!

00:00:30: Wenn es um Digitalisierung geht, dann ist ja so eines der Themen die mich wirklich begeistern und für die ich ehrlicherweise brenne.

00:00:38: Digitalisierung im Kontext Produktionen und Industrie.

00:00:42: Und Der Name meiner Firma University Industry der verrät das ja auch ein bisschen dass das einer der Gedanken war vor inzwischen fast elf Jahren die mein Mitgründer Wolfgang Hohen und ich hatten, als wir zusammen ins kalte Wasser gesprungen sind.

00:00:58: Und gesagt haben, oh da gibt es was zu tun im Bereich der Bildung.

00:01:01: Da haben wir gesagt naja es gibt etwas zu tun mit dieser Fragestellung wie können eigentlich digitale Themen in dem Industrieumfeld vorangebracht werden?

00:01:11: Und damals stand das sehr stark unter diesem großen Schlagwort Industrie vier Punkt Null.

00:01:17: Das ist immer noch präsent aber kommen inzwischen neue Themen dazu.

00:01:22: Das Thema Industrial Metaverse wird sehr, sehr stark vorangetrieben.

00:01:27: und ein weiteres Thema das in dem Kontext seit einigen Jahren nicht fehlen darf und so wie es viele andere Bereiche der Wirtschaft auch bewegt natürlich auch das Thema Industrie und Produktion bewegt ist natürlich das Thema KI Und ich freue mich deswegen ungemein darüber, dass wir heute so ein bisschen einen Doppelklick machen dürfen auf das Thema industrielle KI.

00:01:51: Und bin ehrlicherweise ein kleines bisschen stolz, dass ich einen wie ich finde total tollen Gast gewinnen konnte der für mich ja Vordenker in diesem Bereich ist und ich glaube man darf schon noch sagen so ein bißchen ein führender Experte ist und sie könnte total gespannt sein.

00:02:07: Heute geht es um Industrial AI Wie künstliche Intelligenz die Industrie verändert Und wir wollen so eine Diskussion heute führen über die transformative Kraft von KI.

00:02:21: Die Frage, wie KI im industriellen Kontext diese Transformation vorantreiben wird?

00:02:29: Mein Gast heute ist Boris Scharinger, er ist Innovationsmanager bei Siemens Digital Industries Und wie ich schon gesagt habe, ist ein Vordenker auf diesem Gebiet hat vor nicht allzu langer Zeit das Buch Industrial AI from Pilot to Profit veröffentlicht.

00:02:46: Ich glaube es hat alles um einen Standardwerk auf dem Gebiet zu werden.

00:02:52: Lieber Boris, wie gesagt, ich freue mich total dass du heute da bist und bisschen deine Einblicke und deinen Blick auf Industrial AI mit uns teilen wirst!

00:03:00: Ich freue mich auch wahnsinnig an auf den Austausch und auf unsere gemeinsame Session hier.

00:03:06: Ja, bevor wir ins Thema einsteigen magst du noch so ein bisschen paar Worte zu dir sagen was du bei Siemens den ganzen lieben langen Tag treibst?

00:03:15: Und wie du auch zum Thema Industrial AI gekommen bist, wie das dein Thema

00:03:19: wurde.

00:03:21: Das kann ich gerne tun!

00:03:22: Ich habe bei Siemens mehrjährige, langjährige Wertegang hinter mich gebracht ganz viel in der internen IT auch gearbeitet, immer irgendwo an der Schnittstelle zwischen Innovation und der notwendigen Stabilität die man braucht wenn man IT betreibt.

00:03:41: Habe einen Ausflug gemacht ein sehr spannenden auch nach Amerika war da im internen Audit.

00:03:49: wir haben das interne Audit schon so gestaltet dass wir viel des Thema Data Analytics im audit etablieren, also weg von den Audits die rein Interview basiert sind mehr hin zu Audits.

00:04:01: Die Daten getrieben schon vorbereiten aber eben auch Audits im Bereich Cyber Security, im Bereich Software Entwicklungsqualität und so weiter.

00:04:11: Im Jahr zwei tausend achtzehn bin ich dann schließlich zu Siemens Digital Industries in diese Innovationsmanagement Rolle gekommen als Trend Scout und Start-up Scout.

00:04:21: Und da gab es unterschiedliche Themenbereiche und die industrielle KI war einer davon.

00:04:26: Die war aber noch ganz am Anfang, da waren noch kein ChatGPT da.

00:04:32: Da ging die Dinge alle noch im klassischen Machine Learning ein bisschen langsamer vonstatten.

00:04:38: Ich habe eben schnell festgestellt hey wir haben auf der Siemens Seite unglaublich viele Fähigkeiten.

00:04:44: Wir haben tatsächlich das Personal, die Experten, die Data Scientists Aber wenig Marktsichtbarkeit, ja die Marktsrichtbarkeit im Bereich KI.

00:04:53: Die haben uns den Hyperscaler weggefischt und dann habe ich mich eben auch systematisch auseinandergesetzt mit KI-Ökosystemarbeit Mit Positionierungsfragen, mit Qualitätsfragen in der KI.

00:05:04: also was sorgt dafür dass KI von Siemens Anders schmeckt als KI von Hyperscale an sozusagen im industriellen Bereich?

00:05:13: Und darüber bin ich eben sehr tief eingetaucht und auch sehr tief Die Arbeit mit Partnern im Markt, ob es jetzt Startups sind oder das System Integratoren oder Endkunden die auch wissen wollen wie ihre Roadmap aussehen sollte.

00:05:28: Genau und aus diesem Erfahrungsschatz und aus diesen Diskussionen ist jetzt viel entstanden was eben auch Eingang in das Buch gefunden hat.

00:05:36: Ja cool!

00:05:39: Du danke ja.

00:05:40: und dann lass uns genau ins Thema einsteigen.

00:05:42: wir wollen heute über das Schillerai reden.

00:05:44: Lass uns damit anfangen dass wir mal ganz basic uns die Frage stellen worüber reden wir, was ist das?

00:05:49: Was ist Industrial AI?

00:05:53: Industrial AI ist natürlich das Anwendungsgebiet KI in der Industrie.

00:05:57: Also sozusagen als Bezeichnung des Einsatzgebietes und jeder denkt und assoziiert sofort Produktion damit.

00:06:05: Stimmt!

00:06:07: KI in einer Produktion ist auch wichtig.

00:06:10: ich möchte aber den Bogen noch ein bisschen größer spannen.

00:06:13: also ein ganz erhebliches Wichtiges Gebiet mit viel Potenzial ist vor allen Dingen KI auch im Produktions-Design.

00:06:21: also wie... ...entwickel ich eine Produktion effizient, die meine Produkte an den Markt bringt und natürlich das Produktdesign selbst.

00:06:31: Also alles was mit CAD, was mit Simulationen was mit PLM Themen zu tun hat.

00:06:38: Das ist ein relativ breiter Bogen Produkt Design Produktions Entwicklung und dann die Produktion selbst.

00:06:47: Und dann ist es ja so, dass an der Stelle oder wenn man über KI redet viele erst mal an ihren Chat-Bot den sie irgendwie im zweifelsweiligen WhatsApp integriert haben oder vom Facebook kennen oder ihren Chatty denken.

00:07:02: aber ich glaube es ist ja wesentlich mehr als das was wir aus einer Konsumersicht an der stelle kennen.

00:07:06: vielleicht Bilder erzeugen kennt man noch aber KI ist vielmehr.

00:07:09: kannst du das nochmal ein bisschen einordnen?

00:07:12: Ja gut, die KI ist mehr.

00:07:15: KI hat ganz verschiedene Einsatzgebiete, die eben auch spezifisch sind für den industriellen Bereich.

00:07:23: aber vor allen Dingen die Herausforderungen im industriellen Bereich sind Spezifische.

00:07:33: Es gibt so das BORMO Produktion hat keinen Ando-Button.

00:07:36: also wenn ein Fehler in der Produktion passiert dann hat das immer einen Schaden zur Folge, der eine ganze Ecke über dem liegt.

00:07:48: Wenn ein Fehler passiert in Sachen KI-Anwendung im Social Media Bereich als Beispiel und diese spezifischen Anforderungen die wir haben an die Qualität von KI im industriellen Bereich bezeichne ich eben mit dem Begriff Industrial Grade AI also nicht Industrie als Einsatzgebiet, sondern in Industrie taugliche KI als KI die so entwickelt wird und wurde.

00:08:16: Dass sie die hohen Qualitäts Anforderungen zum Beispiel an Robustheit erfüllt ich im KI also im industriellen Umfeld brauche.

00:08:24: Insofern wir wissen ja auch alle dass das Autonome fahren ganz viel mit KI zu tun hat.

00:08:30: Das der Level an Qualität den ich erreichen muss für das autonome Fahren wirklich eine harte Nuss ist.

00:08:41: Ja, also viele Jahre schon fast Jahrzehnte an Entwicklung ganz viele ungeklärte Fragen auch noch in der Regulatorik um eben sich in ein voll autonomes Auto setzen zu können und viele Herausforderungen die wir im industriellen Industrieeinsatz haben sind weit ausbeher vergleichbar mit der Herausforderung ein autonomes Autor auf die Reihe zu kriegen als damit ein KI-Modell zu entwickeln, dass mir im Social Media Umfeld effizient Werbeanzeigen platziert.

00:09:12: Kannst du auch noch ein paar Worte sagen?

00:09:13: Zudem als ja so ein bisschen auf mein Steckenpferd ist in Produktionsumfeld wie vielleicht einfach ganz andere Daten eine Rolle spielen die eine Herausforderung sind und ich vielleicht auch einfach ganz anderen Modelle brauche wie meinen Social Media Modell das halt ein bisschen Sprache verstehen muss mit dem Zweifel noch ein Bild erzeugen

00:09:29: können musst.

00:09:30: Ja gut... Die Diskussion der industriellen Daten ist tatsächlich eine der schwersten und herausforderndsten Faktoren, die auch den Einsatz von KI im industriell Bereich durch ausbremsen.

00:09:47: Das hat damit zu tun dass diese Datendatensensor-Daten sind in den meisten Fällen das ist etwas was mein Maschinenpark her gibt in einer bestimmten Qualität was ich nicht leicht beeinflussen und verändern kann.

00:10:02: Wenn der bestimmte Maschiner einer Baureihe vielleicht älteren Datums bestimmten Datenpunkte nicht ausspuckt, dann ist es ein erheblicher Aufwand dafür zu sorgen.

00:10:11: Dass ich diese Maschine umrüste oder eine neue Maschine in eine neue maschine investiere das ist das eine.

00:10:18: des andere ist wir haben hoch optimierte Fertigungen.

00:10:21: wenn ich jetzt zum Beispiel in der KI haben möchte die mir Fehler identifiziert die ich trainiere auf Fehlererkennung Und ich habe Millionen von gleichförmigen Datensätzen über Gutteile, die täglich über meinen Band laufen oder von meinem Band laufen.

00:10:37: Ich habe nur ganz selten Datenpunkte über fehlerhafte Teile.

00:10:43: Dann nützt mir nichts, dass ich Gigabytes und Therapeits an Datensammeln weil eben Millionen von Gutdatensätzen mir fast nicht helfen, deren semantische Bedeutung für ein Modell ist ganz gering, wenn ich eben die drei oder fünf Datensätze pro Monatsuche, die einen bestimmten Fehlerbild entsprechend das dann meine KI in der Zukunft identifizieren soll.

00:11:08: Das sind also so typische Herausforderungen, die im Social Media Bereich sehr anders geratet sind.

00:11:15: Ich sage jetzt mal noch als Beispiel Wenn ein Data Scientist im social media Bereich feststellt dass er über einen Datenpunkt nicht verfügt den er gerne haben möchte sehr geschäftlich auch Sinn macht, dann habe ich eine Social Media Plattform tatsächlich innerhalb von wenigen Wochen und Monaten darauf angepasst diesen Datenpunkt zu sammeln.

00:11:35: Und diese Situation ist halt fundamental anders.

00:11:37: wenn ich in der Produktionslinie schaue die steht da die sollen möglichst wenig angefasst werden.

00:11:43: dies investiert auf sieben bis zehn Jahre.

00:11:46: und wenn jetzt die Hand hebe und sage ich bräuchte bitte ein anderes Maschinenmodell weil das Maschin Modell dass da steht den Datenpunkt nicht liefert Dann habe ich eine spannende Diskussion mit dem CFO.

00:11:57: Ja, und anschließend die spannende Diskussion mit mehreren Zulieferern.

00:12:01: Genau!

00:12:01: Und im Zweifelsfall mit der Werkstleitung weil die Maschinenlichtlinien verletzt ist wenn ich was umbauen muss oder was auch immer.

00:12:06: Also auch genau.

00:12:08: Jetzt lass uns kurz auch ein wenig Chancen reden.

00:12:10: ja weil sozusagen da gibt es gewisse Herausforderungen.

00:12:13: ja aber es gibt ja wahrscheinlich auch ein großes Versprechen das mit KI möglich wird.

00:12:18: wo sind also die großen Highlights, die man sofort denken sollte.

00:12:22: Wenn man über KI im geilen Zeitlich gedachten Umfelddenken in der Industrie denken möchte also nicht nur Produktion wie du ja gesagt hast.

00:12:31: Ja gut es gibt Use Case Cluster die sehr etabliert sind an dem man schnell denkt, die eine gewisse Popularität haben.

00:12:42: ich sage jetzt mal Qualitätsinspektion durch Maschinenwischen Lösungen, die eben dadurch dass sie KI verwenden ein bisschen flexibler geworden sind oder vielleicht auch ein bisschen genauer als in der Vergangenheit.

00:12:57: Das sind jetzt noch Use-Cases, die wenig Potenzial haben Differenzierung zu bringen genauso wie das Thema Predictive Maintenance.

00:13:08: ich persönlich habe die Formuläre, die Hypothese des predictive maintenance use cases vor allen Dingen deshalb so populär geworden sind in den letzten Jahren weil sie in den primär Produktionsprozess nicht eingreifen, wenn Sie fehlerhaft laufen.

00:13:22: Ja also ich mache damit nichts kaputt.

00:13:25: Ich

00:13:26: kann es machen oder ausprobieren?

00:13:27: Wenn's klappt freue ich mich, wenn nix passiert.

00:13:29: Genau ja!

00:13:30: Ich habe dem Produktions-Prozess nicht gefährdet, wenn ich einen Predictive Maintenance Use Case ausbringe und diese Balance zwischen Innovationen und Stabilität Vermeidung von Fragilität, wenn ich mit einem Produktionsleiter spreche und sage was jetzt deine Maschine an dann richten sich da die Nackenhaare auf.

00:13:52: Das ist eben ein permanentes Thema und einer der Hintergründe warum predictive maintenance so populär ist.

00:13:57: aber ... Der kommerzielle Gegenwert von predictive maintenance use cases ist verhältnismäßig gering.

00:14:05: Wenn ich jetzt in transformative Use Cases schaue bin ziemlich schnell eher auf der Design Exploration Seite, was meine ich damit?

00:14:16: Ich möchte zwei drei Beispiele dazu geben.

00:14:19: Das erste Beispiel, das uns sofort in den Sinn kommt ist die Pharma-Branche mit Drug Discovery wo KI ganz massiv hilft molekulare Strukturen aufzudecken, die ich produzieren kann, die ich möglicherweise auf Nebenwirkungen schon im Vorfeld scannen kann und so weiter.

00:14:42: Also dieses ganze Feld baut die Pharma-Branche um, ist aber nicht hinten an der Produktionsseite angelangt sondern vorne an der Produktdesign Seite.

00:14:56: Was habe ich noch für ein Beispiel in dem Bereich?

00:14:59: Unsere Schwester Firma Siemens Energy hat zum Beispiel das Design ihrer Gasturbinen mithilfe von Design Exploration deutlich verbessern können und damit in einem Bereich, indem sie über einen bestimmten Zeitraum Wettbewerbsfähigkeit am Markt verloren haben hat dies das wieder aufholen können.

00:15:22: Und die Konkurrenz an der Stelle überholen kann.

00:15:25: Das ist diese Design Space Exploration.

00:15:28: im Grunde lasse ich Algorithmen Design Varianten generieren und dann gehe ich mit diesen Design Varianten in die Simulation, simuliere sie gegen ganz unterschiedliche Themen durch.

00:15:42: Also bei einer Gas-Turbine zum Beispiel die Maximaltemperatur, die ich ausreizen kann in der Gas-turbine.

00:15:50: Je höher die Maximaltemperatur ist, desto höher ist der Wirkungsgrad der Gas Turbine.

00:15:55: Gleichzeitig möchte ich aber dafür sorgen dass diese Schaufeln, die Blades dass die möglichst lange haltbar sind, dass sie durch die hohen Temperaturen nicht leiden und ich die nicht alle Jahre auswechseln muss sondern die fünf Jahre durchlaufen können usw.

00:16:11: Und diese ganz unterschiedlichen zum Teil im Konflikt miteinander stehenden Ziele, die versuche ich durch Simulation zu bewerten und dann optimal zu finden.

00:16:21: Das tue ich massiv indem ich eben dieser Design Varianten simuliere und das ist am Ende des Tages nur möglich wenn meine Simulation durch KI unterstützt und beschleunigt wird Denn sonst habe ich so viel zu simulieren, dass sich in der endlicher Zeit gar nicht so einen guten Ergebnis kommen.

00:16:38: Und das bildet also diese Fälle.

00:16:41: und ein anderes Beispiel ist Tesla hat ja – das wissen viele von unseren Hörern auch – diese Gigapress installiert und in die Produktion eingeführt.

00:16:53: Da wird der Unterbau einer K-Chassis, die vorher aus der vorher aus siebzig Einzelteilen gefertigt wurde, wird hier in einer gigantischen Presse sozusagen aus einem Stück geformt.

00:17:10: Und wenn ich das tue muss sich eine Metalllegierung, eine Aluminiumlegierung finden die auch wieder ganz verschiedene Ziele erfüllt, ganz verschiedene Constraints erfüllt und diese Constraint haben sowohl zu tun mit dem Produkt also es muss eine Legierungs sein die im Auto zum Beispiel durch Salze auf der Straße im Winter nicht angegriffen wird.

00:17:35: Und gleichzeitig muss sie Produktionsziele erfüllen, Sie müssen nämlich in einen bestimmten Abkühlverhalten in diese Presse eingeschossen werden.

00:17:43: Sonst funktioniert das nicht.

00:17:45: so ein großes Teil zu formen und Abkühlvereiten und abkühlzeit spielt eine große Rolle auch für den Durchsatz der Maschinen Und damit Simulationen durch unterschiedliche Materialkombination zu gehen und die Metalllegierung zu finden, die diese Gigapresse möglich macht.

00:18:05: Das wäre auch nicht möglich gewesen ohne massiven KI-Einsatz.

00:18:08: Es sind Beispiele wo Unternehmen sich wirklich auf den Hosenboden setzen und sagen mit welchen Tools schaffen wir uns einen echten Wettbewerbsvorteil vor der Konkurrenz?

00:18:22: Tiefergehende, aber durchaus auch komplexerer Herausforderungen.

00:18:26: Das ist das was ich wenn in einem

00:18:28: Büro

00:18:29: Alltag bin wo ich halt wahnsinnig viel Produktivität heben kann dadurch dass sich ja einen einfachen Chatbot verwendet, damit ich Applaus für Optimierung und Zweifelsfall noch ein einfacher Agenten baue.

00:18:39: Das is ja schon ein viel tiefgreifender Eingriff auch in Kernkompetenzen an der Stelle oder?

00:18:46: Das würde ich auch sagen.

00:18:47: natürlich gibt es viele Bereiche der Alltagsproduktivität Und es gibt natürlich interessantes Produktivitätspotenzial, auch so im Bereich der Serviceprozesse.

00:18:57: Also jetzt mal Support und Ticket-Bearbeitung ja wo die großen Beratungen dieser Welt immer sagen wow da ist zwanzig dreißigvierzig Prozent Produktivität drin.

00:19:07: dann gibt's natürlich viele Auguren die sagen in der Softwareentwicklung In der Code Generierung tut sich gerade viel.

00:19:15: Das sind spannende Einsatzbereiche Die im Regelfall helfen.

00:19:22: Produktivitätszuwachs toll, aber nicht differenzierend.

00:19:25: Das

00:19:27: kann jeder machen oder?

00:19:28: Kann jeder machen würde

00:19:30: jetzt aus meiner Sicht auch für eine Beistrategie sprechen dass ich sage da kaufe ich mir die Tools und Lösungen am Markt während man in dem Umfeld Material Discovery etc.

00:19:41: zum Beispiel sehr viel mehr R&D Eigenleistung sehr vielmehr Make anstreben würde

00:19:49: Bevor wir drauf schauen sozusagen wie, wie ich das dann umsetze was ich tun muss.

00:19:55: Noch vielleicht mal so eine Tangente weil ich die ganz spannend finde und wir haben uns da ja auch schon öfter drüber gehalten nämlich die Frage diese Industrial AI und dieses Industrial Metaverse und digitale Zwillinge?

00:20:08: das ist hier irgendwie auch vernetzt.

00:20:10: lasst uns da gerne mal einen kleinen Exkurs machen.

00:20:12: das finde ich persönlich auch sehr, sehr spannend.

00:20:15: wieder verschiedene Dinge und Technologien ineinandergreifen.

00:20:18: Kannst du uns da ganz kurzen Ausblick auch geben?

00:20:21: Ganz kurz ein Ausblick!

00:20:22: Und dann gerne mehr für die Hörerschaft in dem fabelhaften Quasera-Training das wir dafür zusammenentwickelt haben.

00:20:31: Gut also digitaler Zwilling im Kern ist ja die Möglichkeit eine bestimmte Komponente zu simulieren.

00:20:40: Ja dass ich sage Ich habe hier eine digitale Repräsentation eines Elektromotors, eines Antriebs der vielleicht einen Förderband antreibt oder ein Roboter.

00:20:51: und in dieser digitalen Repräsentation habe ich Simulationsparameter, Modelle, Kalibrierung so dass ich durchgehen kann auf der Fehlersuche oder für die Optimierung von Maschineinstellungen etc.

00:21:07: Und natürlich spielt immer dann wenn Simulation zum Einsatz kommt KI eine Rolle, weil sie Simulation beschleunigen kann.

00:21:16: Oft hat es einen Preis.

00:21:17: ich bin ein bisschen ungenauer wenn nicht mit Hilfe von KI simuliere.

00:21:21: was habe ich auf der positiven Seite große Zeitvorteile.

00:21:26: Ich schaffe sozusagen das was sich mit klassischen Solvern simulieren ausrechnen von linearen Gleichungen.

00:21:33: Das schaffe ich durch KI Modelle so zu komprimieren, dass ich die Simulationsergebnisse deutlich schneller habe.

00:21:41: Was zum Beispiel wichtig ist wenn ich Design Space Exploration mache und durch Zehntausend Varianten eines Designs durchreteriere.

00:21:49: Also digitale Zwillinge profitieren von KI weil wir Simulationsvorgänge beschleunigen können natürlich Daten Konstellationen auswerten können Muster entdecken können wie vielleicht jetzt durch eine rein grafische Visualisierung und menschliche Analyse nicht entdecken würden.

00:22:10: Auf der anderen Seite befeuern Digital Zwillinge die Entwicklung von KI-Modellen, weil sie entweder die daten generieren, synthetische Daten generieren mit denen ich dann KI trainieren kann oder weil Sie noch direkter beitragen im Reinforcement Learning eine Belohnungs- oder Bestrafungsfunktion abzubilden, die dann meinem KI-Modell sagt.

00:22:36: Die Entscheidung war jetzt ne gute Entscheidung, die zur Optimierung beigetragen hat und die Entscheidung war eine schlechte Entscheidung weil sie diese Situation sozusagen verbleichtert hat.

00:22:48: Das klingt jetzt ein bisschen abstrakt.

00:22:51: Ich möchte jetzt einen Beispiel geben dass das vielleicht ein bisschen beleuchtet.

00:22:58: Ein digitaler Zwilling kann eine fotorealistische Visualisierung sein eines Werkstücks zum Beispiel.

00:23:06: Nehmen wir mal an, wir haben ein Ingenieur der konstruierten Werkstück das dann in einer Presse oder in einer CNC Maschine anschließend gefertigt wird und eine KI die drauf schaut um die Soldakqualitätsdefekte identifizieren.

00:23:27: Allgemeinen Vorgehen ist die Entwicklung der KI daran verknüpft, dass jemand in die Produktion geht sich diese Werkstücke nimmt.

00:23:36: Sie fotografiert vor allen Dingen die Fehler haften und in den fehlerhaften Werkstücken die Fehler labelt.

00:23:44: So markiert das ich dann ein Modell darauf trainieren kann diese Fehler anschließend zu entdecken.

00:23:49: Und wenn ich jetzt arbeite mit einer digitalen Repräsentation des Werkstücks ja also einen virtuellen Modell auf das metallische Oberfläche lege, auf das ich im virtuellen Fehlerbilder projiziere und dadurch Fehlerbildersynthetisch generiere mit denen ich die KI trainieren kann.

00:24:10: Da bin ich in der Lage ein KI-Modell zu entwickeln dass die Fehler identifiziert bevor diese Werkstücke zum ersten Mal schon vom Band laufen.

00:24:19: Damit überkommst du auch das Problem, was du vorhin ja beschrieben hast.

00:24:23: Wo du sagst, wenn ich seltene Fehler habe kann ich sie machen und überzeugst, dass es eine technische Fehler ist.

00:24:28: Und dadurch kann ich auf einmal in einem Umfeld arbeiten, wo ich vorher nicht die Chance hatte mit digitalen Prozessen zuarbeiten richtig?

00:24:34: Genau!

00:24:34: Da muss sich dann nicht sechs Monate lang warten, sodass meine Pilotin hier sechs Monate endlich... Richtig oder bis ich irgendwie KI trainiert hab überhaupt.

00:24:44: Ich kann die KI schon mit einem relativ guten Ergebnis Am tag eins beim werkstück eins das physisch vom band läuft.

00:24:53: Zum Einsatz bringen.

00:24:54: ja und dass in der industriellen metaverse, das ist natürlich jetzt eine geschichte die uns am herzen liegt und wie am herzend liegt.

00:25:03: weil Also wenn ich auf den digital twin schaue habe ich normalerweise ein digital twin einer Komponente eines elektromotors.

00:25:10: Ja Und damit kann ich natürlich simulieren und optimieren auf einer komponenten Ebene d.h.. Ich werde immer irgendwo Optimum finden.

00:25:20: Denn der elektrische Antrieb steht nicht für sich selbst, er ist ja in ein System eingebaut.

00:25:25: Der ist vielleicht in eine CNC Maschine eingebauen.

00:25:28: Wenn ich jetzt die CNC Maschinen simulieren möchte dann muss ich schon ganz viele Digital Twins und ganz vielen Komponenten miteinander zusammenbringen.

00:25:37: Und es ist aber so dass die CNC-Maschine nicht für sie alleine stehe sondern die CNC maschine ist Teil einer Produktionslinie oder eines Produktionsvorgangs Und diese Produktionslinie steht in einem Werk zusammen mit anderen Produktions-Linien und Intralogistik.

00:25:53: Wenn ich jetzt hunderte und tausende von Digital Twins miteinander in einen Zusammenhang bringen möchte, um nicht mehr auf einer Komponentebene zu optimieren sondern um auf einer Systemebene zu optimiren, um auf der Ebene der gesamten CNC Maschine oder der gesamte Produktions Linie dann brauche ich ja eine Aggregationsplattform von Digital Twins.

00:26:18: Und diese Digital Twints können auch nicht alle aus dem selben Autoren-Tool kommen, die können nicht aller aus dem einen Siemens-Tools kommen, sondern ich brauche einen Standard bei dem ich Digital Twinsts von unterschiedlichsten Herstellern von Komponenten und Maschinen und System etc.

00:26:36: auf eine Plattform bringe in einen Zusammenhangbringe um auf der Systemebene anzugreifen.

00:26:43: Das ist die Faktor, die Vision und die Aufgabe und Mission des Industrie-Meterrasses.

00:26:52: Ich glaube an der Stelle kann man nur sagen, lass das am Schluss auch machen wenn wir ein paar Hinweise geben wie man weiterhören kann.

00:26:58: ich glaube mit dem Thema IMW liebe Hörer so sollten sie sich auch beschäftigen weil das ist wahnsinnig spannend.

00:27:04: aber Boris wollen wir jetzt den Bogen wieder zurück auf das engere Thema Industrial AI setzen Und ein bisschen auch in den Diskussionen, die du mit euren Partnern und Kunden im Siemens-Ufett oder vielleicht auch Siemens intern führst.

00:27:19: Was sind so die Herausforderungen von denen Unternehmen stehen?

00:27:22: Wie müssen sie über dieses Thema nachdenken?

00:27:24: Welche Fähigkeiten müssen die aufbauen?

00:27:28: Welchen Änderungen müssen die machen um erfolgreich eine Industrial AI so einzusetzen dass es wirklich transformativ wird?

00:27:34: weil ich glaube das ist ja vorhin sehr klar geworden Es geht nicht darum den Chatbot zu machen, um irgendwie ein bisschen besser den Support zu machen.

00:27:42: Sondern es gibt da die Chance wirklich substanzielle Unterschiede im Geschäftsmodell am Ende aufzubauen.

00:27:48: aber was muss ich als Unternehmer als Unternehmen machen um das einsetzen zu können?

00:27:53: Ich schaue ganz gerne auf das was ein Unternehmen etablieren muss.

00:27:59: Das klaster ich ganz gerne so in wesentlichen fünf Blöcke.

00:28:06: Talent auf die Reihe bekommen.

00:28:08: Ich brauche Zugang zu KI-Experten, Spezialisten, ich brauche aber auch eine Mitarbeiterentwicklung und Aktivierung in der

00:28:19: Fläche.".

00:28:19: Das Thema industrielle KI zieht sich oder KI zieht sich durch alle Unternehmensfunktionen.

00:28:24: Sieht sich auch ins Accounting rein, sieht sich in den Service rein, sieht sich ins Prokument rein?

00:28:29: Da ist schon wichtig dass das alle Mitarbeiter Dann blickt darauf entwickeln, verstehen welche Werkzeuge neu in ihren Werkzeugkasten hinzukommen um das Produktivitätspotenzial dann auch anzugehen.

00:28:42: Also Aktivierung und Mitarbeiterentwicklung in der Breite aber dann eben auch systematisch Zugang erarbeiten zu Spezialisten.

00:28:51: Das ist das Thema Talent.

00:28:53: Das zweite Thema ist Zugang zu Daten schaffen und zwei drei Herausforderungen im Kontext haben wir schon erwähnt Eine umfassende Datenstrategie beschäftigt sich natürlich mit der Frage, wo helfen synthetische Daten?

00:29:09: Wie ist meine Datenqualität.

00:29:11: Wie sind meine Datenstrukturen?

00:29:12: Wo sind meine Datentöpfe?

00:29:15: Wie kann ich die leveragen und wie kann ich sie einsetzen, um KI zu befeuern, die dann für mich einen Unterschied macht.

00:29:23: auch Kooperationen.

00:29:24: sicherlich eine schwierige kulturell auch schwierige Frage für die deutsche Wirtschaft da in Datenkollaboration hineinzugehen, Daten zu teilen.

00:29:34: Die schwierigen Aspekte von Trade Secrets die sich in diesen Daten befinden von Intellectual Property das man schützen möchte Das ist etwas was man sich erarbeiten muss und hat mehrere Geschmacksrichtungen hat auch ein kulturellen Aspekt der Bereitschaft zu teilten Zugang.

00:29:53: dann zur Technologie selbst Vorbei decisions zu tun mit der frage open source modelle kommerzielle modelle wo setze ich was am besten ein.

00:30:08: Und habe ich partnerschaften?

00:30:10: hab ich verträge mit anbietern die mir da weiterhelfen?

00:30:13: dann das thema kei governance.

00:30:15: hattest du ja auch schon ne podcast folge zu dem thema?

00:30:19: es hat im industriellen umfeld natürlich noch ein paar tiefer gehende aspekte Nicht ganz so ethisch sage ich jetzt mal, aber das Thema Qualitätsmanagement, Robustheit von KI.

00:30:32: Wie teste ich das?

00:30:34: Wie messe ich das?

00:30:35: wie mache ich das?

00:30:36: transparent sind ganz wichtige Aspekte von KI Governance für den industriellen Bereich.

00:30:42: und dann last but not least des thema ML Ops also eine komische Abkürzung die im Wesentlichen über die Fähigkeit spricht KI zu betreiben.

00:30:54: Und da möchte ich noch eine Anmerkung platzieren.

00:30:55: Wir haben in Deutschland ganz viele Partner und Ökosystem Strukturen, die mir in der Projektphase helfen, KI zu entwickeln.

00:31:05: Also

00:31:06: in dieser Phase wo ich anfange und wo ich die Schritte gehe...

00:31:11: Und auch erste Modelle und JustCase ist entwickelt?

00:31:13: Ja also da haben wir Applied AI.

00:31:16: Da haben wir die Fraunhoferinstitute.

00:31:19: ja nur Ich muss anschließend KI-Modelle betreiben Ich muss die Monitoren, ich muss sie nachtrainieren und diese Betreiberstrukturen.

00:31:29: Ja also in der IT- und Softwareentwicklung hat man irgendwann mal gesagt wir haben die Programmierer und Entwickler die Fragilität ins System bringen weil Sie am laufenden Band durch ihre Entwicklerarbeit Dinge verändern.

00:31:43: Und wir haben Die Admins und Server admins die schauen dass das system unangetastet bleibt.

00:31:49: ja und um diese beiden Welten zusammenzubringen haben wir DevOps geschaffen als Disziplin, schon fast eine eigene Podcastfolge wert.

00:31:58: Und im KI-Bereich brauchen wir was Ähnliches.

00:32:00: Wir brauchen die Data Scientists, die Modelle entwickeln prima und wir brauchen aber auch die Operators, die in der Lage sind kontinuierlich, Modelle zu monitoren oder zu aktualisieren damit umzugehen dass es Datadrift gibt das ist Model Drift gibt also Veränderungen in der Umgebung, Veränderung in den Daten Äh die dafür sorgen, dass die Modelle plötzlich nicht mehr gut performen.

00:32:24: Und dann muss ich handeln und damit muss sich das muss ich aufdecken, damit muss ich umgehen... ...und da muss ich die prozessoralen organisatorischen und Toolstrukturen für schaffen.

00:32:33: Um halt das Ganze eben nicht als Projekt zu haben, sondern diese Langfristigkeit, die ich dann in einem industriellen Kontext, wo man eben doch eher mal in der Dekade denken muss je nach Industrie ne?

00:32:41: Ja richtig ganz genau!

00:32:44: Ja, lass uns gegen Ende noch vielleicht einen Blick auf das Thema werfen.

00:32:50: So ein bisschen nochmal das große Ganze und in deinem Buch gehst du ja auch sehr stark auf diesen transformativen Charakter das ganze ein.

00:33:00: Du bist ja auch davon bewegt was für Chancen er einfach bringt.

00:33:05: wenn du so ein bisschen nach vorne schaust und Richtung Unternehmen denkst Warum ist es ein tolles Thema?

00:33:13: Warum sollten sich die Entscheider in den Unternehmen mit Industrial AI beschäftigen?

00:33:16: und wo siehst du da einfach so die größten Chancen.

00:33:21: Die größtenchancen sehe ich wirklich, dass wir die Flexibilität von Produktionsprozessen auf der einen Seite erhöhen.

00:33:30: ja also KI als Mustererkennungs jetzt mal ganz abstrakt gesprochen Als Mustererkennungsinstrument hilft uns eine ganze Ecke mehr Flexibilität in bestimmte Strukturen zu bringen.

00:33:46: Der humanoide Roboter, der mit KI betrieben ist sozusagen das Extremversprechen der Universalität in der Produktion und diese Flexibilitäten suchen wir alle.

00:33:57: Wir suchen Möglichkeiten die losgrößen kleiner zu machen.

00:34:04: auf Supply Chain Risiken umzugehen, ja plötzlich sind bestimmte Teile nicht mehr am Markt verfügbar.

00:34:11: Ich muss meine Produktion umstellen auf andere Teile und das will ich nicht hart kodiert durch Programmierung tun.

00:34:16: da will ich KI Mechanismen so viel wie möglich einsetzen, um möglichst wenig Änderungsaufwand im täglichen Leben dann zu haben oder mit dieser Veränderung effizient umgehen zu können.

00:34:28: Und natürlich Produkt Design dieses Thema Design Space Exploration, von dem ich schon gesprochen habe.

00:34:35: Bessere Designs nicht nur bessere Design der Produkte selbst sondern auch bessere designs der Produkte um sie effizienter produzieren zu können mit weniger Ressourcenaufwand.

00:34:45: also das ist der große strategische Rahmen das ist es wertversprechen dass die KI im industriellen Bereich mit sich bringt und Entscheider sind natürlich aufgefordert, das klar auch zu analysieren und zu sagen.

00:35:00: vielen Dank für die Ideenliste von hundertzwanzig Use Cases.

00:35:04: Die ihr lieber Mitarbeiter schar entwickelt hat.

00:35:07: aber welche dieser hundert zwanzig use cases zahlen denn jetzt?

00:35:11: zahlen den Jetzt wirklich ein auf dass was für uns strategisch und differenzierend wirkt.

00:35:17: Und ich sag nicht macht den Chatbot nicht.

00:35:19: und ich sage nicht mach die KI unterstützte Ticket Bearbeitung nicht.

00:35:25: Ich sag nur, lasst uns bitte den Aufwand die Ressourcen das Talent dass wir auf unserer eigenen Payroll haben.

00:35:32: Bitte dort einsetzen wo wir in der Lage sind differenzierend zu wirken.

00:35:39: Das eine auch machen aber das machen was wirklich differenzieren ist fokussiert machen oder?

00:35:45: Fokusiert machen.

00:35:45: und im anderen Bereich kann ich bei und Partnerin Strategien fahren.

00:35:49: ja da kann ich mir dann eben den Co-Pilot von Microsoft holen oder was auch immer.

00:35:54: dann sozusagen die Lösung ist und das sozusagen ganz undramatisch als Sourcing einer IT-Lösung, eine AI-Lösung am Markt fahren.

00:36:11: nochmal anderthalb Stunden machen.

00:36:12: Ich bin schon immer überlegen, ob ich mal noch so ein Ableger-Pod pass mache, wo ich einfach mit meinen Experten solange rede bis die Zeit auf.

00:36:18: eine.

00:36:19: solche Formate gibt es ja auch.

00:36:21: Aber ich habe einen Stammhörer der schimpft mich immer wenn wir zu lange machen.

00:36:25: Deswegen muss mir so bisschen die Kurve bekommen.

00:36:29: Vielen vielen Dank für diesen total umfassenden, total tiefen Einblick ins Thema Industry ein.

00:36:35: Wenn du nochmal so ganz kein bisschen Revue passieren lässt, da sind ja mit einfach mal deine Frage gestartet was ist denn das?

00:36:40: Und haben dann ganz verschiedene Aspekte und Querverweise gemacht.

00:36:44: Was sind für dich, wenn du an unsere Hörerinnen und Hörern denkst?

00:36:48: So drei Sachen die sie mitnehmen dürfen, die sie sich merken dürfen, wenn Sie in Zukunft über ihn das schon wieder einachten.

00:36:56: Was ich wirklich wichtig finde ist die Frage einen strategischen Rahmen zu setzen.

00:37:03: ja woin?

00:37:04: welcher Höhe wird investiert?

00:37:07: wird investieren um Fähigkeiten zu schaffen in einem Unternehmen oder wird nur auf einer Use-Case-Ebene investiert, wenn ich weiß gibt ein Return on Invest.

00:37:18: Und ich muss da eine Balance finden und es ist wichtig für Entscheider das.

00:37:25: beide Aspekte, Return on Investment von Use Cases aber eben auch die Basis legen, die Datenstrategie erarbeiten.

00:37:34: Das muss man auf die Reihe kriegen ja?

00:37:36: Und dann die Erwartungen erden.

00:37:40: Industrie folgt anderen Investitionszügeln.

00:37:43: Industrie hat immer den Aspekt der physischen Assets, nicht nur im Hinblick auf es geht was kaputt wenn die KI falsch entscheidet sondern auch physische Assets im Sinne von Investitionsgüter.

00:37:57: Das ist das hat eine spezielle Mechanik Eine spezielle Business Case Mechanik und deshalb Wenn wir unsere Erwartungen daran ein bisschen kalibrieren dann laufen wir auch nicht alle mit einer Flappe durch die Gegend und sagen, Deutschland und Europa verliert den Anschluss oder die Industrie verliert einen Anschloss.

00:38:16: Social Media ist anders in den Skalierungsstrukturen als Die Industrie und wir müssen uns da nicht verstecken Und das ist mir wichtig darauf Darauf hin zu weisen.

00:38:29: und dann wenn man diese Strukturen einigermaßen Verstanden hat auf der Entscheidungsebene Dann sind es natürlich die Leute die ich befähige die Ich mehr an Bord hole die den großen Unterschied machen.

00:38:41: Ja du, vielen Dank.

00:38:44: Mit dem letzten vor allen Dingen sprichst du um mir aus dem Herzen und da sind wir beide ja auch...

00:38:49: Unterwegs!

00:38:49: Sehr passionate, genau das sind wir sehr leidenschaftlich unterwegs.

00:38:53: Ich glaube in diesem Sinne, das ist eine wunderbare Überleitung.

00:38:59: Ich habe ja am Schluss immer die Frage an meine Gäste.

00:39:01: Was kann man sich denn anschauen oder lesen?

00:39:03: Oder hören um noch ein bisschen mehr zu dem Thema zu erfahren und ich glaube es ist sehr offensichtlich was gleich kommen wird als Empfehlung.

00:39:10: aber was empfiehlst du denn wenn ich mehr wissen möchte über das Thema Industrial AI?

00:39:15: also sicherlich das Buch Industrial AI von Pilot to Profit.

00:39:23: quasi auch zitiert oder das, was wir schon besprochen haben ist nochmal ausgiebiger dargelegt.

00:39:29: Sowohl auf der Ebene der Strategiefindungen und der Priorisierung aber eben auch mit gewürzt mit sehr vielen Fallbeispielen, aus dem man sich immer so ein bisschen etwas mitnehmen kann.

00:39:42: Viele Start-ups die ich beschreibe mit ihren Lösungen in bestimmten Funktionen eines Industrieunternehmens nicht nur Produktion Produktdesign, sondern eben auch die Supportfunktionen.

00:39:55: Wo ich eben beleuchte, welchen Unterschied KI heute schon macht.

00:39:59: und dann finde ich tatsächlich das was wir zusammen auch erarbeiten konnten im Umfeld Industrie Metaverse Klasse.

00:40:08: Warum?

00:40:09: Weil viele Menschen das Industrie-Meterverse so assoziieren mit oder gibt es eine drei D Visualisierung und da setze ich irgendwie so ne dreidee Brille auf Leistung, dass wir von einer komponenten Suboptimum-Ebene auf eine systemische Ebene hochgehen und das Metaverse, Industrie-Metaverse und sein Potenzial zu verstehen.

00:40:33: Da gibt es eben diesen wunderbaren Industrie Meterverse Kurs auch auf Coursera, den ich unseren Hörern in der Industrie wirklich wärmstens empfehlen kann.

00:40:44: Ja du danke für die beiden Tipps liebe Hörer, liebe Höhrer.

00:40:46: Die beiden Dinge verlinke ich Ihnen natürlich in den Show Notes also das Buch von Boris und dem AMV-Kurs vom Siemens, den es bei Coursera gibt.

00:40:54: Ich würde noch eine dritte Sache hinzufügen.

00:40:56: Es gibt auch einen wunderbaren Podcast mit Ronald Gamberg ein Siemens Kollege von Boris zum Thema Industrial Metaverse.

00:41:04: Den verlinke ich Ihnen auch noch.

00:41:05: Und jetzt bleibt mir nur zu sagen vielen Dank für einen sehr, sehr spannenden Ritt durch das Thema Industrial Area.

00:41:11: Lieber Boris Danke dass du heute Zeit für uns hattest.

00:41:13: Danke an dich und auch danke an die Hörerschaft!

00:41:17: Vielen Dank fürs Zuhören.

00:41:19: wenn Ihnen diese Folge von Digital for Leaders gefallen hat empfehlen sie den Podcast gerne weiter teilen Sie ihn auf Social Media oder hinterlassen sie eine Bewertung.

00:41:28: Um immer auf den Laufenden zu bleiben, folgen Sie Jan Weirer und University for Industry.

00:41:33: Auf LinkedIn!