#34 - „Get the basics right.“

00:00:06: Hello und herzlich willkommen zu einer neuen Folge von Debug the Future.

00:00:24: dem Podcast rund um Daten, KI und vor allem auch digitale Transformation.

00:00:29: Mein Name ist Frauke und ich sitze wie immer hier zusammen mit Andreas, mit dem ich schon einige spannende Podcasts begleiten durfte, vor allem letztes Mal mit dem CFO von Microsoft Deutschland, dem Alex Gärtner wo wir sehr spannende Insights gewonnen haben.

00:00:43: Andreas was ist dir so hängen geblieben?

00:00:45: Ja es war tatsächlich eine spannende Folge, weil wir auch davor schon in der Folge mit dem CTO der Stadt Wien über digitale Souveränität gesprochen hatten und da war's natürlich super dann danach mal die Perspektive aus der Softwarebranche zu bekommen wobei man natürlich sagen muss das DFO von Microsoft Deutschland ist jetzt natürlich nicht für das Produktportfolie verantwortlich sondern für die Anwendung intern.

00:01:03: also fand ich auch spannend zu sehen wie Microsoft eben dann auch die eigenen Produkte natürlich intern nutzt um ihre eigenen Prozesse zu identifizieren.

00:01:11: Und ja, hat da auch ein paar schöne Use-Case Beispiele.

00:01:13: Und trotzdem ist es schön, auch dazusehen dass auch eine Organisation wie Microsoft natürlich dann auch als großes Unternehmen einfach auch eine gewisse Zeit braucht alle mitzunehmen.

00:01:21: also fand ich ganz schön den Einblick mal zu bekommen.

00:01:24: Ja und heute sprechen wir aber nochmal über ein ganz anderes Thema oder weiteres Thema worauf wir uns sehr freuen?

00:01:30: Genau!

00:01:30: Heute sprechen wir darüber wie Daten, Modelle und Simulationen in industriellen Unternehmen zu besseren Entscheidungen beitragen können Insbesondere durch Virtual Prototyping und die Simulation von Produktionsprozessen.

00:01:41: Und dafür haben wir Lydian Image zu Gast, die bei Infinion Power Systems für Digitalisierung und Automatisierung der Produktentwicklung zuständig ist.

00:01:49: Lydia herzlich willkommen im Podcast!

00:01:51: Schön dass du heute bei uns bist.

00:01:53: Hallo schön das ihr mich eingeladen habt Lydia, wir freuen uns total auf das Gespräch mit dir.

00:01:59: Wir dürfen ja sagen, wir hatten schon auch ein bisschen Vorgespräch und es ist einfach ein wahnsinnig spannendes und weites Themenfeld was du begleiten darfst und die Schnittstelle auch, die du mit definierst am Ende zwischen Digitalisierung, Automatisierung, Datenmodelle und dann vor allem auch die industrielle Umsetzung Also sehr breit ist und sehr, sehr vielseitig.

00:02:20: Du bist ja heute jetzt bei Infinien warst aber davor auch viele Jahre in anderen Industrieunternehmen tätig.

00:02:26: Knorbremse Zeiss sind glaube ich in deiner Vita zu finden.

00:02:29: Wie bist du denn zu diesem Themenfeld überhaupt gekommen?

00:02:32: Ja das ist eine spannende Frage an sich.

00:02:34: also Ich habe eine ganz klassische wissenschaftliche Laufbahn hinter mir mit einem Physikstudium dann die Promotion der Pro Stock Und Da war ich immer aktiv an der Schnittstelle zwischen theoretischer Physik, High Performance Computing und Material Science.

00:02:51: So in den oder Materialwissenschaften Und was ich damals schon sehr intensiv gemacht habe als sei meiner wissenschaftlichen Arbeit ist im großen Stil physikalische Simulationen und dort eben auch mit Daten, mit Algorithmen Entwicklung darunter natürlich auch diverse Machine Learning Entwicklungen weil es einfach praktisch ist.

00:03:10: Und dann kommt immer so der Punkt im Leben eines Post-Docs.

00:03:13: Nachdem wir als Familie schon von Fürth nach Wied, nach Reeksburg, nach Cambridge, nach Berlin und endlich nach München gezogen sind, waren wir ehrlich gesagt einfach wieder um zu ziehen am Schluss, wir wollen in München bleiben!

00:03:23: Und so kam ich zur Knobbremse.

00:03:26: Und KnobBremse ist ein Hersteller von Bremssystemen für Züge, Spargzüge bis heute.

00:03:34: Seitdem fühle ich mich noch sicherer in Zügen muss ich ja nichts zugeben... Und woran die damals ein Interesse hatten, mich an Bord zu bringen als so eine wirkliche Kundlagenwissenschaftlerin war meine Erfahrung mit Remote Computing.

00:03:49: Damals war die große Cloud-Adaptionswelle im vollen Gang.

00:03:53: Meine Erfahrungen damit aus Datenmengen relevante Informationen rauszuziehen – mit welchen Algorithmen auch immer.

00:04:01: und am Ende des Tages bin ich als Physikerin einfach eine Problemlöserin im tiefsten Kern meines Herzens.

00:04:09: und das mögen, brauchen die meisten Unternehmen.

00:04:13: Du bist von dem Themenfeld dann sozusagen zu weiteren Unternehmen?

00:04:16: Und jetzt heute bei Infinion was machst du da genau?

00:04:19: Heute bei Infinions sind wir ganz frisch gestartet.

00:04:22: Das heißt es wurden... Dort, das ist immer wichtig zu wissen.

00:04:26: Diese Datenthemen, Digitalisierungsthemen gibt es immer die Corporate-Initiativen aus den Corporateinheiten und dann gibt's natürlich in einzelnen Businesslines auch immer so ihre Initiativen.

00:04:37: Ich bin hier bei Infineon in Teil einer der drei Divisionen und das sind die Division Power Systems.

00:04:44: dort wurden aus verschiedenen Teams zusammengestellt jetzt ein neues Team am ersten April dieses Jahr.

00:04:50: also wir sind jetzt gerade drei Monate alt geworden als Team Und unsere Zielsetzung ist es, unsere Kollegen die für die Produktentwicklung und noch wichtiger für die virtuelle Produktentwirkung verantwortlich sind.

00:05:04: Die in einem wahnsinniges Engineering-Ohau haben denen die richtige digitale und daten Grundlage bereitzustellen mit aufzubereiten so dass sie deren ihre Lösungen drauf setzen können Jeder einzelne zum vollen IT-Digitalisierung Software Automatisierung und sonstigen Experten werden kann, sondern das möglichst viel für die schon vorbereitet und wegabstrahiert ist.

00:05:28: Und das ist das was wir jetzt hier nach und nach aufbauen wollen.

00:05:31: Also du bist jetzt natürlich in dem Team Setup noch recht frisch mit drin Lydia aber du beschäftigt sich ja davor auch sehr lange mit dem Thema wie den Daten und KI auch industrielle... Produktentwicklung verändern.

00:05:41: und mich würde noch mal besonders interessieren, ob es da vielleicht zu den einen Moment oder das eine Beispiel auch gab im Laufe deiner Karriere wo du gemerkt hast.

00:05:47: Okay mit KI bewegt sich hier richtig was?

00:05:50: Da ist richtig Potenzial!

00:05:51: Und das ist das Thema, was ich auch weiter treiben möchte in

00:05:53: Zukunft.".

00:05:54: Ich mache das jetzt schon ein paar Jährchen und so haben sich da inzwischen zwei Gedanken die sich parallel momentan am Ende bekannt sind und die könnten nicht unterschiedlicher sein.

00:06:04: Der eine Gedanke ist die Perspektive aus der Wissenschaftlerin in mir Denn einfach als Teil meiner Arbeit und dem, was ich wissenschaftlich gemacht habe weiß ich sehr aktiv wie unglaublich mächtig Optimierungsalgorithmen sind.

00:06:22: Und wie es moderne Algorithmen erlauben wirklich gigantische Parameterräume zu optimieren?

00:06:30: Das ist genau das, was jedes neuronale Netz tut!

00:06:33: Was ist das, dass hinter Anthropik steckt?

00:06:35: Was ist da, was hinter GPT

00:06:36: steckt?!

00:06:41: weiß ich, dass ich meine Community mit Doktoranten die an den verschiedenen Unis in Europa aktiv waren.

00:06:49: Wir haben damit tagtäglich gearbeitet und diese Algorithmen weiterentwickelt.

00:06:53: Und trotz alledem wenn man sich die ganz großen Modelle anschaut wo wurden die denn trainiert?

00:06:58: Wo wurden sie denn optimiert?

00:06:59: Wurden diese Algoritmen wirklich in der Praxis umgesetzt?

00:07:03: In dem USA und in einem China in den Unternehmen.

00:07:07: Das ist das was mir einen sehr Dumpfengeschmack aktuell, das muss ich ganz ehrlich zugeben hinterlässt.

00:07:15: Dieses Gefühl von wir als Community haben es nicht geschafft unsere Unternehmen davon zu überzeugen warum citysalgorithmen so mächtig und warum wollen und sollten wir investieren?

00:07:31: Jetzt möchte ich mit einem dumpfen Gefühl starten denn dann gibt es wiederum Die Sache, die mich tagtäglich wieder begeistert und motiviert.

00:07:38: Das habe ich auch nach wie vor Spaß an meinem Job habe!

00:07:41: Und das was mir immer wieder aufs neue Spaß macht und mir immer weiter mich aufs Neue fasziniert ist... Man hat Kollegen, die im Arbeitsalltag ein Problem haben.

00:07:52: Ich erzähle gleich mal das eine andere Beispiel.

00:07:55: Und man kann erstaunlich viel weiterhelfen wenn man Kontrolle über die Daten bekommt und Smart mit den Daten arbeitet.

00:08:04: Und Smart mit dem Daten arbeiten kann heißen ein Dashboard, kann heiße leichte algoritmische Lösungen, kann heißt ein Machine Learning System, kann heissen ein magentisches System.

00:08:15: Das ist dann eine Frage, welches Problem möchte ich lösen?

00:08:18: Aber der Werkzeugkasten will wir zur Verfügung haben um den Kollegen zu helfen oder um dem Kunden weiterzuhelfen.

00:08:26: Der ist einfach gigantisch.

00:08:29: Was mich immer da am meisten fasziniert und woran ich mal die meiste Freude habe, ist wenn kleine Dinge große Wirkung haben.

00:08:36: Also wir alle erzählen gerne von einem ganz großen System was man ganz groß machen kann und vergessen dann manchmal wie schon das Kleine... Die kleine Sache, wenn es doch nur skaliert, schon hilft!

00:08:48: Und ich hab jetzt noch an zwei Beispiele gedacht.

00:08:51: Es ist eine Beispiel was wir hatten und ich erzähle jetzt mal nicht genau welche Firma weil ich mir nicht ganz sicher will ob ichs erzählen dürfte Eine Kooperation mit allen superanstrengenden Kunden.

00:09:00: Der super anstrengende Kunde im Rahmen der Kooperation hat sich Zugang vertraglich zu sichern lassen zu sämtlichen Produktionsdaten und hat dann auf der Basis der Produktions-Daten konstant das Team geträngelt, ist jetzt das charmanteste Wort was mir einfällt!

00:09:18: Und die sind verzweifelt.

00:09:20: Die standen vor ihrer Produktionslinie, die standen von ihren Systemen und haben sich das angeschlossen.

00:09:26: Also es geht nicht anders!

00:09:29: Aber sie wussten nicht wie Sie reden wollen denn die haben Produktionsingenieurin gesprochen aber nicht Datengesprochen.

00:09:35: Und was dann wirklich viel viel geholfen hatte.

00:09:38: wir hatten damals einen ganz ganz tollen Kollegen der sich da richtig reingefuchst hat und einfach aus deren Daten einmal rausgekitzelt hat dass aus den Daten sichtbar wird was sie aus ihrem Produktionsverständnis heraus schon wissen, damit die dann letztendlich das kommunizieren können.

00:09:56: Und so entstand dann Stück für Stück zu einzelne Momente und Situationen.

00:10:02: Es gab so einen Moment, wo dann wir aus unserer Seite heraus das erste Mal wirklich ... dass die Seite wechseln konnte vom der Getriebene zum Treibenden zu werden!

00:10:16: Ich bin Reiterin Ich bin immer lieber die Getriebe treibender als sie reiben.

00:10:23: Und das war ein unglaublich schönes Erlebnis.

00:10:26: und was dafür hatte es außer, dass wir wollen das jetzt hinbekommen?

00:10:31: Wir wollen hier zusammenarbeiten und wir haben ja ein echtes Problem, was wir irgendwie geknackt kriegen müssen gar nicht so viel gebraucht.

00:10:39: Das ist natürlich die charmante Sache für so Atok-Themen.

00:10:42: Viele Datenthemen sind ja nicht Atokthemen, viele Datentheben möchte man wirklich ausrollen können, möchte man voll in den Betrieb nehmen können und möchte man dass es möglichst viele Kollegen oder Kunden einen Nutzen daraus haben können.

00:10:55: Und was da spannend und schön fand, das ist auch wieder ein Thema aus dem Produktionssupfeld.

00:11:01: jetzt bei infilm bin ich nicht mehr schrack in der Produktion unterwegs aber früher ein bisschen mehr.

00:11:04: und das ist die Frage gewesen nach wenn ich meine Produktion rauf skaliere.

00:11:12: Da muss sich neue Hallen bauen, denn dann sieht man hier wirklich in der physischen Welt und mit neuen Hallenbauen muss ich Produktionsmaschinen umräumen, umbauen, umstellen, umziehen damit das Ganze jetzt ausgebeitet wird kann, damit ich mal eine Produktion weiter rauf skalieren kann.

00:11:26: Ist ein wunderschönes Problem zu haben?

00:11:28: Das heißt einfach nur mehr Kunden wollen mein Produkt.

00:11:30: Fantastisch!

00:11:31: All das wovon wir träumen.

00:11:32: Problem an der ganzen Geschichte ist Man weiß manchmal nicht, warum plötzlich die selben Maschinen an der sich doch eigentlich nichts geändert haben sollte.

00:11:41: Nicht mehr dieselbe Qualität rauskommt.

00:11:43: und da kam man über eine gute Connectivity wenn man so seine Hausaufgaben im Bereich Industrial IoT gemacht hat.

00:11:51: Sehr schön und sehr stark durch, nennen wir es wieder Maschinern, nenn wir das AI-Rollen, denn wir ist Algorithmen unterstützend eben Tooling zur Verfügung stellen damit ich als Prozessingenieur die Route course einengen kann.

00:12:05: Kausalität ist immer schwierig für alle Beteiligten, aber umso mehr man einfach die Korrelation oder Durchkondition das Ganze einschränken kann, desto wahrscheinlicher ist es dass irgendwo raus finde wo hakt sind und warum klappt's denn jetzt nicht mehr?

00:12:19: Und damit deutlich schneller wieder auf das Qualitätsniveau zurückkommen, auf dem ich vorher war!

00:12:25: Das ist eine Lösung, die heute auch bei einer großen Zahl von Produktionsingenieuren im Einsatz ist, die auch aktiv genutzt wird.

00:12:35: Und auch wieder so ein für mich ein richtig schönes Beispiel von wie kann man helfen mit dem Werkzeugkasten den wir zur Verfügung haben?

00:12:46: Wie kann man helpen dass die Leute ihren Job besser tun können einfacher tun können gehen falls schneller tun können und mit schneller tun kann hoffentlich mit weniger Druck.

00:12:59: Ja, ich glaube tatsächlich auch dass das ganz viel Hilfe im Business gebraucht wird.

00:13:04: Weil natürlich die Datenkompetenz und auch das Verständnis von KI heute jetzt noch nicht ganz da sind wo wir sie dann gerne hätten.

00:13:09: Ich merke aber auch, Es ist ja einfach in Mitteln schon sehr viel helfen kann.

00:13:13: Also es auch nicht immer das komplexeste Modell oder so, sondern tatsächlich wieder auch gesagt hast ich da reinfuchsen weil die Daten verstehen.

00:13:18: Das bringt schon ganz, ganz viel wenn man sich damit beschäftigt.

00:13:21: Ich glaube diese Zeit fehlt auch häufig einfach den Personen im Tagesgeschäft an sich da wirklich mal reinzufuchsen, das einmal auf zu verstehen und dann simple Analysen aufzubereiten.

00:13:29: Das ist was mich auch mal wieder fasziniert wie schön man dann den Business-Kollegen helfen kann, dann kommt so ein Aha Moment irgendwann oder wenn sie dann verstehen hey das bringt mir wirklich etwas.

00:13:37: jetzt habe ich neue Erkenntnisse.

00:13:38: also kann ich sehr gut nachvollziehen Wie siehst du denn so in Summe den Reifegrad von Daten und KI in industriellen Unternehmen, also jetzt nicht nur im speziellen Produktionsprozess oder Produktentwicklung sondern sagt man wirklich auf Unternehmenssicht.

00:13:50: Was sind für dich die Dinge, die schon sehr gut gehen?

00:13:52: Und wo siehst Du auch noch das vielleicht noch ein bisschen zu viel versprochen wird, wo aber noch viele Hausaufgaben zu tun sind?

00:13:58: Also als ich damals die Wissenschaft verlassen habe und bei Klop-Bremse gestartet würde ich meine Wahrnehmung zumindest mal der Münchner Daten-Community beschreiben, als sein alle waren im Proof of Concept Rausch.

00:14:12: Man wurde zu Konferenzen eingeladen um den zehnten Proof Of Concept und jeder hat seinen Proof Off Concept vorgestellt.

00:14:20: Und jeder war total begeistert davon!

00:14:23: Dieser Proof off Concept Rauscher kam in Phasen.

00:14:25: Man hatte so den Big Data Rausch, diese Idee wenn man alles in einem Datalake ist dann wird magisch etwas passieren.

00:14:32: Und Proof-of-Concepts waren fantastisch.

00:14:35: Wann gab's den IoT Rausch?

00:14:37: Den hab ich geliebt, ah war der schön!

00:14:38: War auch grontius dass man alles connecten kann und worum man alles Connectivity einbauen kann.

00:14:45: und ist die Connectivity teurer als das eigentliche Produkt?

00:14:47: aber wir haben dann Proof of Concept tolle Zeit.

00:14:50: Dann kam so der Data Science Proof Of Concept Rausch und ich glaube an irgendeinem Punkt haben manche Unternehmen sich gedacht und realisiert.

00:14:58: Warte mal Dieses Klein-Klein und noch ein Projektchen.

00:15:03: Und dieses gibt mir mal vierzig Prozent von einem Data Scientist, wir haben hier einen Projekt.

00:15:10: das bringt uns nicht so richtig weiter.

00:15:12: die Leute würden fröhlich aber irgendwie kostet viel Geld und wir wissen nicht was da rüber kommt.

00:15:18: Was ich dann zu beobachtet hatte ist es gab dann die Unternehmen die wirklich entschieden haben Wir glauben an Daten wie man so schön im neudeutschen sagt Und die haben angefangen wirklich zu investieren in die Grundlagen, in die Datenstrukturen.

00:15:33: In die Connectivity gerade so im Produktionsumfeld ganz wichtig aber auch wenn du beim Entkunden bist je nachdem was du tust.

00:15:40: ich denke jetzt hier waren Züge zum Beispiel.

00:15:42: Wir haben wirklich gesagt gehabt wir glauben daran.

00:15:45: das wird ein Enabler für uns.

00:15:47: wir investieren Und was ich jetzt aktuell beobachte, die Schere zwischen den Unternehmen klappt sich mit einem gigantischen Tempo immer weiter auf.

00:15:58: Zwischen den Unternehmen, die vor zehn, fünfzehn Jahren gesagt haben wir investieren in Daten und glauben an Daten.

00:16:05: Wir machen das jetzt!

00:16:12: Im inneren täglichen Leben und Arbeiten zu ihrer Balance gefunden haben zwischen Multicloud, zwischen Cloud, zwischen On-Premise.

00:16:21: Wie arbeiten wir mit Daten?

00:16:23: Was machen wir selbst?

00:16:24: Wie machen wir in Governance?

00:16:25: Also die, die da für sich so einen Ack gefunden haben wie sie das im Tagesgeschäft balancieren.

00:16:32: Die rauschen jetzt mit einer Wahnsinnsgeschwindigkeit voran denn die kommen voran Sei es jetzt mit Ihren Informationen bereitstellen, wo Sie gebraucht werden.

00:16:43: Ich denke da jetzt so an die typischen IoT-Adaptions der Sports, die man so hat, die Finance der Sports ,die man so hatte... Die Customer der Sports für deinen Sales Team, die Man so hat und alles was darüber hinausgeht.

00:16:56: Und dann hast du die Unternehmen, die nie so richtig sich entschieden haben, nie so dieses klare Wir investieren jetzt gemacht haben.

00:17:06: Und da sieht man immer noch, die sind immer noch hier klein unterwegs und dort ein bisschen klein.

00:17:11: Die machen hier ein Projektchen oder damit viel Schmerzen kriegen sie das ein bisschen skaliert und mit noch mehr Schmerz bekommen sich hier mal ein bisschen was ausgerollt.

00:17:20: Und wo mir das so wie Schuppen von den Augen fiel als ich jetzt diesen Frühjahr war auf zwei Konferenzen und in beiden war das so extrem auffällig.

00:17:31: Da hat es die Firmen damals investiert haben heute über Ihre GNI-Adaption sprechen.

00:17:37: Und die haben einfach eine ganz andere Art, wie stellen wir eine Context Layer bereit?

00:17:44: Ohne Context layer ist dann GNI halt nicht speziell smart!

00:17:49: Wie stellen wir das Governance bereit?

00:17:51: Die Firmen, die damals schon der ganzen Cloud Adaptions stark unterwegs sind, die haben ein Gefühl dafür entwickelt, wie geht man mit dynamischer Kostenentwicklung um und haben so ein bisschen einen.

00:18:03: Die haben so ein Erfahrungsschatz und erste Denkansätze.

00:18:06: Wie gehen wir jetzt damit um und wenden das, was wir damals gelernt haben?

00:18:10: Jetzt an auf die neuen Thematiken, die halt mit den ganzen AI-Tools, die so auf dem Markt kommen, umgehen.

00:18:18: Die Firmen, die diesen Weg nicht gemacht haben, tun sich wahnsinnig schwer.

00:18:22: wie stellen wir den Kontext näher bereit?

00:18:24: Die tun sich Wahnsinnig Schwer!

00:18:26: Was bedeutet das für unsere Governance?

00:18:27: Gehen wir jetzt mit den Kosten um?

00:18:30: Und das macht ihn noch mal langsamer Während er die anderen nochmal eine Beschleunigung bekommen, weil sie halt einfach mit einem ganz anderen Basis los schießen können und auch für sich ihren Weg fetten können.

00:18:43: Das ist ja ein super Appell an die jetzt vielleicht noch nicht so viel investiert haben in den letzten Jahren jetzt auch endlich Gas zu geben, weil irgendwann ist die Lücke dann auch unaufholbar.

00:18:51: was werden denn so deine zwei drei Themen?

00:18:54: die du empfehlen würdest, dann jetzt auch sehr dringlich anzugehen um eine Basis zu schaffen.

00:18:58: Und fallen dir da so zwei drei Themen ein?

00:19:01: Die no-brainer sind also egal welches Unternehmen welche Größe welche Branche die man auf jeden Fall als Basis braucht.

00:19:07: Ja die habe ich immer parat.

00:19:09: Ich muss mal vorab sagen ich hab meine ganze bisschen die frühen zwanziger hinein intensives Ballett gemacht.

00:19:15: und was machst du im Ballett?

00:19:16: Du gehst immer back to the basics.

00:19:19: Deine erste Ballettschunde beginnt mit einem Trondue und einen Plächer.

00:19:23: Und deine letzte Ballettschule deines Lebens tut das

00:19:25: auch.".

00:19:26: Und im selben Sinne beim Thema Daten würde ich sagen, get the basics right!

00:19:31: Sehe zu dass du dir überlegst was ist meine Datenplattformstrategie?

00:19:35: Was passt zu meinem

00:19:36: Unternehmen?!

00:19:37: Wir haben damals bei Zeiss, wir waren einer der ersten Unternehmen die es erfolgreich in Deutschland geschafft haben, bei Zeissen klaren Data-Mesh Ansatz gefolgt weil das daß is was zur Firmenkultur, zur Firmensstruktur am besten aus unserer Sicht gekrasst hat.

00:19:51: Ich kenne auch Unternehmen, die anders agieren und auch anders agierend können.

00:19:55: Weil sie auch gar nicht so das Produktportfolie-Pessay haben.

00:19:58: Das ist Vollkommodär.

00:19:59: aber überlegt ihr was ist meine Datenplattform?

00:20:02: Und was ist die richtige Architektur und Strategie?

00:20:06: Und setzt das einmal wirklich sauber auf!

00:20:08: Und das wurde jetzt in den letzten Malen habe ich das immer wieder von Kollegen aus unterschiedlichsten Unternehmen.

00:20:14: Glaub an Self-Service.

00:20:16: Vertraue an deine Kollegen, wo immer die im Business sitzen und enable die Versuche nicht aus einer Zentralorganisation heraus – ich bin meine ganze Karriere durch in Zentral-Organisation gewesen – Kontrolle ausüben sondern versuche es jedem Kollegen so leicht wie möglich zu tun.

00:20:32: machen das Richtige zu tun.

00:20:35: Das funktioniert natürlich nicht vollständig ohne Rede Das ist ganz klar.

00:20:39: Aber umso leichter man das macht, umso mehr man denkt wie kann ich unsere User die wir haben ob es jetzt die Kunden sind?

00:20:46: Wirklich Customer Facing oder ob das jetzt intern in meiner eigenen Organisation oder ob dass meine Partner sind mit denen ich zusammen arbeite sein Werkstätten oder ähnliches?

00:20:55: Wie kann ich die empowern und wie kann Ich die enable damit die ihren Jobs so leicht und so smooth wie möglich machen können?

00:21:01: und kann nur jede Firma für sich beantworten.

00:21:06: Denn das hängt ja davon ab, wie sind wir aufgestellt?

00:21:08: Wie ist es denn für strukturiert?

00:21:09: Wie sind wir organisiert?

00:21:11: Welche Kunden, Partner, innere Strukturen haben wir?

00:21:14: Wenn diese zwei Sachen mal gesetzt sind denke ich den nächsten Knackpunkt und der ist jetzt heute wichtiger denn je.

00:21:22: Denke nicht all Daten im Sinne von Files und Dateien oder sonstige sondern denke als Daten also ein Träger von Informationen Schaffet ihr Stück für Stück Klarheit, welche Informationen haben welche Relevanz für mich und behandelt das entsprechend?

00:21:39: Dinge die einen hohen Informationswert in wirklichem Sinne von Wert für mich als Organisationen haben sollten auch behandelt werden wie etwas wertvolles.

00:21:49: Das ist schon fast ein Schlusswort wobei wir jetzt erst in die Deep Dives kommen, Lügia!

00:21:58: Aber man konnte dir wirklich super gut zuhören und lauschen.

00:22:01: Und merkt auch dein Herzblut in den ganzen Themen, und wir kommen glaube ich jetzt noch mal zu zwei Themen die dich auch nochmal sehr eng begleiten die letzten Jahre und das ist einmal das Virtual Prototyping und Simulation von Simulationsprozessen.

00:22:14: Da wollen wir gerne mit dir einmal noch mal tiefer reinschauen.

00:22:17: ja ich glaube dass Spannende ist wenn man so von außen drauf guckt Ich hatte das schon am Anfang gesagt und da merkt man ja auch sehr schön den Link zwischen dir als Physikerin als neue Welt dazukommt, in Anführungszeichen.

00:22:30: Das ist eine Kombination aus Dingen ... Aus Engineering-Wissen, aus Daten, Simulationen und Modellen zunehmend auch AI.

00:22:36: Also wirklich das Gesamtpaket!

00:22:37: Und ich durfte heute morgen im Podcast reinlauschen von Latvina Heißenberg, die ist ja auch ne Topphysikerin und überlegt gerade wie Einstein sozusagen die Einsteinentheorie neu definiert wird.

00:22:48: also noch mal auf einem ganz anderen Meterleveln aber so dieser Physikerhintergrund scheint was ganz Besonderes zu sein.

00:22:54: Also von daher sind wir heute auch beim besonderen Thema mit dir.

00:22:58: Und wenn du jetzt mal das ganze Thema Virtual Prototyping aus deiner Rolle raus beschreibst, was ist aus Deiner Sicht?

00:23:04: Du hast am Anfang schon so ein bisschen angedeutet aber der eigentliche Mehrwert sozusagen für die Produktentwicklung und dann aber auch für die Entscheidungsprozesse.

00:23:12: Darüber rede ich doch immer gerne!

00:23:14: Das eine was so ist... Ich habe meine gesamte Karrieregime sehr Produkten aufverbracht also entweder gemeinsam mit den Produktentwirkungsteams und da ist mir wichtig zu sagen gemeinsame Mitteln weil ich bin seltenst Die, die Produkte entwickeln.

00:23:27: Weil ich bin meistens die, die sich um die Daten, die Algorithmen und solche Themen kümmern oder eben die Produktherstellung.

00:23:33: Ich habe eine absolute Liebe für Produktionen-Produktionsprozesse.

00:23:36: Ich finde es einfach so schön zu besuchen und anzusehen wie wirklich aus ein Haufen Kram am Anfang was richtig cooles am Ende rauskommt.

00:23:45: großartig!

00:23:47: Und... Zu diesem ganzen Thema wird Prototyping und daran erinnere ich mich bis heute noch unglaublich stark.

00:23:54: Ich bin aus der Wissenschaft raus, habe eine Knappbremse gestartet... ...und hatte aus der Ferne so am Rande miterlebt wie Siemens den Valero entwickelt.

00:24:05: Also Valero ist der Zug, der in Deutschland als ICE bekannt ist.

00:24:09: Aus meiner Sicht ein unglaublich schönes Beispiel deutschen Ingenierings.

00:24:13: also das liegt ja nicht am Zug wenn es zu spät ist.

00:24:16: Das ist ein wunderschönes Produkt!

00:24:18: und dieser Zug wurde damals schon überwiegend virtuell entwickelt.

00:24:24: Und ich fand das faszinierend, weil wenn man sich mal wie viele verschiedene Komponenten kommen hier zusammen?

00:24:29: Wie viel verschiedene Themen kommen hier zu sein?

00:24:31: Ich bin davon bis heute noch begeistert!

00:24:34: Und ich muss ehrlich zugeben, wenn das Valero Entwicklerteam in München sitzen würde... Ich glaube, ich würde mich regelmäßig einladen bei denen um denen zuzuschauen, wie die das machen.

00:24:44: Bis sie irgendwann verzweifeln und sagen so pass auf ihr hast jetzt ein Büro, du hast jetzt einen Tisch hier ist jetzt ein Schreibtisch.

00:24:49: bitte wenn wir dich nicht loswerden dann haben wir wenigstens Deck für dich.

00:24:55: ob ich das wirklich tun würde weiß ich nicht aber man weiß ja nicht.

00:24:59: schöner Traum.

00:25:02: was natürlich für mich total schön ist in meiner aktuellen Rolle auch ist, dass ich jetzt das erste Mal teilnehmen darf daran.

00:25:10: Das heißt, ich bin jetzt erst mal wirklich in einer Rolle, in der ich aktiv teilnehmend darf.

00:25:14: daran.

00:25:15: wie kommen den Daten, Algorithmen eventuell auch Machine Learning, eventuell die ganzen Genial Tools?

00:25:21: diese gibt plus physikalische Simulationen da zusammen mit den entsprechenden Optimierungsrunden, die man dann drehen möchte um eben aus einer Idee für ein Inging ein Produkt zu kreieren ohne dass man jetzt erst mal wirklich tatsächlich schon die Hardware anfasst.

00:25:42: Und das ist ehrlich gesagt großartig.

00:25:44: und warum ist es so großartigt?

00:25:46: Zum einen natürlich inhaltlich, also wir haben hier mit Daten zu tun, wir haben ja mit Optimieren zu tun.

00:25:51: Das ist mir gefällt keine Frage!

00:25:53: Warum gefällt ein Unternehmen und warum investieren die dort hinein?

00:25:57: Und das isst Geschwindigkeit und Kosten.

00:26:02: Wenn ich jetzt mal auch wieder bei meiner Liebe für den ICE kurz bleibe, ist es glaube ich vorstellbar.

00:26:08: Dass wenn man darüber nachdenkt machen wir das ein bisschen steiler oder machen die Rundungen ein bisschen runter?

00:26:14: Wenn ich das wirklich an der Hardware vertesten und möchte dann dauert es ganz schlimm bis so was gebaut ist und vertestet ist wohingegen.

00:26:21: Wenn ich dass wirklich simulieren kann, ist das ein Parameter den ich verändern Und dann kann ich mir die Größen wiederholen.

00:26:27: Jetzt bezogen auf meine aktuelle Rolle, in der Halbleitindustrie ist es sehr verbreitet und sehr üblich inzwischen, dass man seine Protobirtuell erstellt.

00:26:37: Denn der tatsächlich physische Aufwand von der Idee bis hin am Ende ist das Chip den ich vermessen kann, der dann aus dem Wafer am Ende rauskommt, ist zum einen teuer und zum anderen Zeit sehr umfändig!

00:26:50: Was das Schöne ist... anhand von physikalischen Modellen beschreiben lässt.

00:26:58: Denn das ist ja gar nicht so selbstverständlich, denn die Welt ist ja ziemlich komplex.

00:27:01: Nicht alles was wir in der Welt erleben, lässt sich mit physikalischem Modell beschreiben und gut berechnen.

00:27:08: Und da ist sowohl jetzt im Falle von so einem ICE gibt es sehr starke und mächtige Methoden wie man das machen kann.

00:27:15: aber auch Chip-Entwicklung haben sich sehr starke und sehr gute Methoden, auch eine sehr starpe und ausgeprägte Toolinglandschaft, die ich gerade am Kennenlernen bin.

00:27:24: Weil alle mit ihren eigenen Datenformaten kommen?

00:27:27: Die ist überhaupt ermöglichend zu sagen, wenn nicht den Chypso-Design, was ist denn die Wärmeentwicklung, die Ich erwarten kann bei einer gewissen Last ,die ich drauf setze, bei einem gewissen Betriebsanspruch, den ich dort setze?

00:27:41: oder was sind mir die elektrischen Eigenschaften, die?

00:27:45: Und jetzt kann man sich vorstellen, wenn ich das virtuell aufsetzen kann und einmal durchrechnen kann.

00:27:50: Kann ich mir Gedanken machen was möchte ich denn hier optimieren?

00:27:53: Möchte ich vielleicht optimieren wie viele Chips sollen denn hier auf einem Wave verpassen?

00:27:59: Dann habe ich eine geometrische Optimierung dann kann die schon okay.

00:28:02: Wenn ich das jetzt hier eher länglich mache Was bedeutet dass?

00:28:06: führt mein Setup am Chip?

00:28:08: und Wie kann Ich Das Beschreiben In der Simulation, was kommt denn hier raus?

00:28:12: Kann ich dann immer noch meine... das, was ich erreichen möchte, erreichen.

00:28:17: Man kann es sich aber auch vorstellen.

00:28:18: Wir können jetzt wieder an AI denken wenn wir jetzt an die neuen Generationen von Nvidia denken und mal uns anschauen so die ersten Nvidia Grafikkarten mit denen ich noch gearbeitet habe als Doktorantin.

00:28:31: Die haben ein ganz anderes Lastprofil gehabt.

00:28:33: also wie viel Spannung und wie viele Strom möchten sie wirklich direkt am Chip haben?

00:28:38: Das hat sich ganz massiv gebandet wo einfach am Ende die Energie, die so ein Chip in kürzester Zeit futtern möchte.

00:28:47: von so einer NVIDIA-Lösung ist halt massiv gestiegen.

00:28:50: Dementsprechend auch deren Computerpower massif gestiegen.

00:28:53: aber das stellt ja Ansprüche an die Chipptechnologie außen rum und an die Infrastruktur außenrum.

00:29:01: Wenn ich weiß, dass es wo die Reise hingeht und nicht das Ganze mal durchsimulieren kann.

00:29:05: Dann habe ich wieder eine Möglichkeit mich darauf vorzubereiten, wo entwickelt sich denn der Markt hin?

00:29:11: Oder was ist der Grundeanspruch?

00:29:13: und können wir den erreichen?

00:29:14: und kann das machen ohne da sich eine komplette Fab... Also eine Fab ist ein Produktions-Einheit für so einen Halbleiter.

00:29:23: Ohne dass ich denen anrufen muss und sagen muss, so schaltet mal die Maschinen an macht das mal hier für mich.

00:29:30: Faszinierend!

00:29:31: Was ich mich gerade frage ist, inwiefern jetzt so diese Rolle von Datenmodellen vielleicht auch KI im beidesten Sinne Algorithmen sich auch im Laufe der Zeit verändert haben.

00:29:48: zu Grundlage, zur Validierung von Ideen verwendet wird.

00:29:52: oder geht es schon tatsächlich dahin wie man es teilweise jetzt ja auch in der Pharmaindustrie sieht dass eine tatsächlich neue quasi Strukturen erfunden werden ist.

00:29:59: Ist das auch hier schon so?

00:30:00: Dass es wirklich dreiberneue Ansätze und ganz neue Ideen sind?

00:30:04: Ich glaube die Halbleit der Industrie ist noch nicht ganz an dem Punkt wo die Pharma-Industrie steht, wo die Pharmaindustrie ja auf einem ganz anderen Reife grad schon virtuell ihre Produktentwicklung betreibt durch große Screening verschiedenster möglicher chemischer Komponenten.

00:30:23: Aber was ich schon beobachte ist mehr und mehr tatsächlich ein... Ich nenne es jetzt mal anders so ein bisschen, also jeder der so'n bisschen Produktionshintergrund hat kennt den Traum von der Close Loop Production Site, die sich selber optimiert Und das ist in dem Kontext an einigen Stellen tatsächlich in einem ganz anderen Form möglich.

00:30:47: Dadurch, dass man ja nicht nur die Simulation machen kann um mal zu schauen was wäre denn alles denkbar?

00:30:53: Was ich ja auch tun kann.

00:30:55: Ich kann ja im großen Stil mit meinen Simulationen Daten generieren und kann dann ja basieren auf mein Daten.

00:31:04: also das habe ich schon bei so struktur suche Themen Prostock-Zeiteln der Mocha kann dann ja basieren auf den Daten, die ich generiere wiederum ein neuronales Netz trainieren.

00:31:14: Und jetzt habe ich hier eine Repräsentation all meiner verschiedensten Simulationen, die durchlaufen haben lassen in ein neurones Netz verpackt und auf einmal statt vierundzwanzig Stunden lang simulieren, hab' ich letztendlich auch Schieberegler bei so einer Neuralsetze sich wirklich schön optimieren aber kriege ich plötzlich Antworten.

00:31:34: Seht ihr immer hundertprozent korrekt?

00:31:37: kommt darauf an, wie weit ich weggehe von dem was mein ursprünglicher Datensatz war.

00:31:42: Aber und damit kann ich dann in einer ganz anderen Form mich auf, ich sag mal Produktsuche begeben.

00:31:50: Und wenn ich Produktsache meine auch da gibt es einen ganzen Sof und verschiedene Algorithmen die mir erlauben zu sagen Was möchte ich denn gerne erreichen?

00:31:59: Das ist mein Zielsetzung.

00:32:00: Was hätte ich denn gerne?

00:32:01: Und als AI-Mensch wollen wir alle immer mehr Computerpower, also ich möchte mehr Computer power.

00:32:05: Was genau bedeutet das?

00:32:07: und dann sagen so was bedeutet das?

00:32:10: kann ich jetzt mal hier welche Parameter die ich beeinflussen kann in meinem Design ob helfen mir denn hier die Computerpower zu optimieren?

00:32:17: und dem Kontext kann ich in einer ganz anderen Geschwindigkeit auf neue System Ideen kommen wie fundamental strukturell unterschiedlich sie sind zudem was vorher schon gehabt hat und dass das, was man in der Pharmaziestand heute schon sieht.

00:32:35: Das könnte ich mir vorstellen weiß ich aber ehrlich gesagt gar nicht.

00:32:38: Vielleicht noch mal zum Abschluss von dem Bereich Virtual Prototyping.

00:32:41: Du hast ja am Anfang auch schon so ein bisschen drauf abgestellt, also wir haben jetzt ein bisschen.

00:32:45: was ist es?

00:32:46: Wie weit wie ist der Reife gerade auch schon.

00:32:48: und am Anfang hast du uns auch nochmal schön dargelegt naja, du siehst eine Rolle eigentlich auch immer innerhalb- und mit einem Team also immer dieses gemeinschaftliche.

00:32:56: verändert denn Virtual Prottyping auch wirklich die Zusammenarbeit zwischen Engineering Data Teams, Business Verantwortlichen?

00:33:05: hat das etwas ausgelöst?

00:33:06: schon aus deiner Sicht?

00:33:08: Ich glaube, ja.

00:33:10: Und warum?

00:33:11: ich glaube Ja?

00:33:12: Ist weil es dort nicht einfach aber einfacher ist einen Mehrwert für die Kollegen anzubieten in dem Moment indem man ihnen die Daten gut gemanagt, gut organisiert und gut verarbeitbar überhaupt bereitstellt.

00:33:31: Der zweite Teil darauf, ich glaube, Jahr ist rechenaufwandig was Man zum Beispiel, mal ein Beispiel aus meiner Vergangenheit was wir vor vielen Jahren einmal gemacht haben ist nur möchte gerade in der Bahnindustrie gibt es eine Norm deren Nummer ich für inzwischen glücklicherweise vergessen habe aber wir nannten sie einfach immer die Schüttelnorm.

00:33:55: Das heißt auf dem Zug ruttelt und schüttelt und vibriert das und die Dinge müssen dem standhalten können.

00:34:02: Kannst du das nicht im Zuge einbauen?

00:34:05: Und wie machst du das?

00:34:06: Man hat dafür mechanische Simulationen von einem Bauteil.

00:34:09: Um zu schauen, würde dieses Bauteile die Schüttelnorm einhalten und dass diese Simulation, die es dort gibt sind basierend auf was man einen Einschwinger nennt.

00:34:18: Was ist ein Einschwinger wenn man sich das vorstellt is ein Einschwinger ist?

00:34:23: wir nehmen einmal an jedes bauteil verhält sich wie eine Kugel die vibriert.

00:34:29: jetzt denke ich wieder am einen geliebten ICE Und wenn ich mir anschaue wie zum Beispiel in meinem geliebten ICE eine Klimaanlage verbaut ist, dann werde ich sehen die ist wirklich weit weg von einer Kugel.

00:34:38: Weil die ist extrem lang und flach!

00:34:42: Das wirkt sich massiv darauf aus wie dieses wie dieser Körper schwingt.

00:34:46: Jetzt kann ich hergehen und sagen ja da müssen wir von dem Einschwinger vielleicht so einem Vielpunkteschwingersystem umschalten und auf einmal fliegt mir die Berechenzeit die das braucht was zu simulieren um die Ohren.

00:35:01: Dann stehe ich da ne gmerne, bravo!

00:35:04: Was machen wir denn jetzt?

00:35:05: Und hier kommt dann wieder die Eleganz.

00:35:06: dem was man sehr schön machen kann ist.

00:35:09: Man kann sehr schön über die Daten, die aus Messungen herauskommen ein Parameterset extrahieren.

00:35:18: das ist letztendlich am Ende dein Maschinenleuchter oder gewissen Bedingungen, die immer wieder einen Parametersett gibt.

00:35:22: und was sind der richtige Parametersatz jetzt?

00:35:24: oder den gegebenen Bedingung so dass du damit plötzlich Von der Rechen auch von T- und Simulationsansatz her vergleichbar bleibt zum Einschwinger, aber du die Komplexität des sehr lange gezogen flachen Körpers berücksichtigen kannst.

00:35:42: Und das eröffnet so einem überzeugten Ingenieur, der wirklich viel seine Karriere bis daheim eingesetzt hat solche Simulationen zu machen – ich meine es ist das Eröffnen einfach alle Touren von Ideen was dir alles jetzt plötzlich berechnen könnt oder tun könnte!

00:35:59: Und das macht es dann doch wieder einfacher Freundschaften zu schließen.

00:36:03: Da sind wir bei dem Thema den Business helfen, oder?

00:36:07: Also da wo ein konkretes Problem ist ansetzen und mit einfachen Mitteln helfen.

00:36:12: Ich glaube dass geht ja nicht nur in der Produktentwicklung wo wir eben waren beim Thema Virtual Prototyping sondern genauso auch wenn ich... Produktionsprozesse simuliere.

00:36:20: Da dann vielleicht jetzt eher im Sinne von Produktionskapazitäten, Durchlaufzeiten, Qualität, Energieeffizienz.

00:36:26: Das sind andere Parameter nach denen ich optimiere.

00:36:28: aber die Idee dahinter ist die gleiche oder?

00:36:30: Ja und macht genauso viel Spaß!

00:36:37: Dass das türkische an den Produktions-Prozessen ist alles kommt darauf an.

00:36:43: um wieder das Wort vom Vorher zu verwenden hat man seine Hausaufgaben mal gemacht Und bei den Produktionsprozessen kommt neben der Datenplattform Hausaufgaben, wie gehe ich mit meinen Produktionsdaten um?

00:36:54: Das ist schwierig.

00:36:56: Denn Produktions-Daten bedeutet immer alle Datensysteme die relevant sind für die Produktion im Hier und Jetzt dürfen nicht gestört werden.

00:37:08: Aber jedes Extrahirn von Daten ist ein Stören!

00:37:12: D.h.,

00:37:13: eine Datenplatform im Produktionsumfeld aufzubauen ist echt eine Herausforderung, weil sie muss so aufgebaut werden.

00:37:21: Dass man immer genau im Blick hat, auf welcher Zeitschaler sind wir unterwegs?

00:37:25: Ist das etwas was sofort die Produktion beeinflusst?

00:37:28: Ist es etwas, was im Laufe des Tages die Produktsion beeinflussen kann?

00:37:32: oder ist es etwas was das Produktionsdesign und Nachbesserungen beeinflußt?

00:37:37: Und abhängig davon kann ich riskierenden System zu stören mehr oder weniger.

00:37:45: Also das ist ja eine Ausaufgabe, die passieren muss.

00:37:47: Die zweite Hausaufgage, die passieren muss, ist das ganze Thema Industry IoT.

00:37:51: Inzwischen hat man sehr viele Produktionsmaschinenhersteller, die ihre Connectivity-Lösung anbieten.

00:37:57: Das ist absolut fantastisch!

00:37:58: Ist super, ist toll, freut einen sofort auf den ersten Blick.

00:38:01: und auf den zweiten Blick stellt man fest, Mist für unsere Produktionslinien sind die überhaupt nicht kompatibel miteinander?

00:38:08: Und dann haben wir den nächsten großen Spaß.

00:38:11: Wie kriege ich das komfortibel und wie krieg' ich die Dinge, die für meine Produktion relevant sind überhaupt in meinen Connectivity Setup integriert?

00:38:19: Und auf einmal bin ich als Produktionsprozess dabei irgendwo Sensoren hinein zu pappen und zu kleben und zu bauen.

00:38:25: Um das möglichzumachen!

00:38:27: Das ist aber auch im Großen viel passiert.

00:38:29: Also wir haben bestimmt alle schon mal so das Video gesehen wo Firmen Mikrofonen ihre Produktionshalle setzen um eventuelle Fehler zu detektieren Ein ähnliches dergleichen.

00:38:42: Jetzt gehen wir mal von dem Fall aus, wie haben das gemacht?

00:38:47: Und was dann wirklich sehr schön ist und dass da gibt es auch inzwischen sehr viele Beispiele, ich kann zum Beispiel über Kameragestütze Systeme oder Computer Vision Systeme anfangen meine Fehler meinen Ausschuss zu detektieren.

00:39:03: wenn ich aber die Informationen hinter den ganzen Produktionsprozess Stück für Stück mit habe habe ich auch eine Möglichkeit relativ schnell zu entscheiden, muss dieses Baustück in den Nachbesserungsloop?

00:39:16: Muss ich hier nochmal einen voll neu Produktionsloop?

00:39:19: oder wenn ich das über dem Produktionsprozess habe und mir das statistisch anschaue, lohnt es sich gar nicht in den nächsten Produktionsschritt zu gehen.

00:39:27: Und ich breche jetzt hier einfach ab.

00:39:29: Denn wenn ich nach Schritt drei abbreche, statt alle zwanzig Schritte durchzuführen, noch Schritt zwanziger als Festzustände ist wegschmeißen möchte... ist mehr auf jeden Fall schon mal Zeit und Energie, habe ich damit gespart.

00:39:41: Und da kann man wirklich richtig tolle Sachen machen jetzt.

00:39:46: Da verhält sich natürlich immer die Frage nachdem ich sage, man kann schon mit kleinen Dingen so richtig weiterhelfen?

00:39:51: Ja was ist denn wenn das mit dieser vollen Nahvollziehbarkeit, die volle Datenkonnektivität... Das ist im Produktionsumfeld wirklich eine harte Kloche zu lösen!

00:40:01: Was ist es, wenn wir den noch nicht so hundertprozentig gelöst

00:40:03: haben?!

00:40:06: Das eine Beispiel, woran ich immer wieder denken muss ist das letztendlich eine Kapazitätsplanungsoptimierung gewesen.

00:40:13: Und was damals war?

00:40:15: Wir waren damals eingeladen für einen Workshop in Italien bei den Kollegen in Italie und ich wusste dass die dort im Italien auch ein Produktionsstandort haben und ich habe gesagt hey ich würde mir den so gerne anschauen.

00:40:27: wäre das denn mal okay?

00:40:29: Dann haben die gesagt, du pass auf.

00:40:30: Wenn ihr Sonntags anreist, Sonntagabend der Kollege, der führt euch durch, der macht das gerne für euch.

00:40:35: Der zeigt euch das mal.

00:40:37: und so haben wir uns angeschauten, haben uns unterhalftet und gefragt und was auffiel ist es gab einige Schritte.

00:40:44: Die waren hochspezialisierte manuelle Prozesse, die wirklich Leute auch nur durchführen können, die darin Übung haben diesen Schritt durchzuführen, die daran wirklich geschult sind das zu tun oder ja fahren mitbringt das zu tun.

00:40:59: Jetzt, was Sie dort uns erzählt haben ist, was sie machen ist.

00:41:03: Jeden Freitag überlegen Sie sich wie sieht denn die Auslastung nächste Woche aus?

00:41:08: Wie viele Spezialisten brauchen wir denn um das eventuell auf andere Produktionsstandorte zu verteilen wenn sie selber nicht genügend haben?

00:41:17: oder eben um den Kollegen zu sagen hey wollt ihr nächste Woche vielleicht mit Überstunden abbauen?

00:41:23: und dass stellt sich heraus war unwahrscheinlich schwierig zu tun.

00:41:28: Und wir sind dann nach Hause gefahren, wieder zurück nach München gekommen und das hat echt an uns genagten.

00:41:33: Wir haben da echt dann uns mehrfach zusammen zeigern, da müssen wir doch irgendwie helfen können.

00:41:37: Das kann doch nicht sein!

00:41:39: Und wir kamen dann auf so ein paar Ideen, haben die angerufen und gesagt gehabt, ihr glaubt mir, wir haben eine Idee?

00:41:48: Wollen wir es versuchen?

00:41:48: Wird das für euch okay?

00:41:51: Die haben dann geschaut, welche Daten haben wir im System?

00:41:54: Welche Drachen haben wir?

00:41:55: Wie können wir das machen?

00:41:56: Und am Ende eine Kombination aus den Daten, die im System sind.

00:42:02: Eine Kombination aufs Machine Learning-Lösung.

00:42:04: Eine kombination aus einem extrem füffiger, extrem smarter Mitarbeiter.

00:42:08: Wirklich Ideen hatte noch mal algorithmisch nachzubessern.

00:42:13: Konnten sie ... Am Ende des Tages war es eine Excel-Datei hochladen.

00:42:18: was ihnen dann gesagt hat gut wir schätzen das sollte die Auslastung für die nächste Woche eventuell sein um darauf basierend ihre Kapazitätsplanung zu machen, war das perfekt?

00:42:29: Nein.

00:42:30: Aber was es gemacht hat, gerade die Kombination aus Machine Learning und dann doch am Ende sehr klar logischen Algorithmen deshalb die Transparenz gegeben, die die Kollegen brauchen dass sie ihre Erfahrungen einbringen können.

00:42:43: So, das ist das was uns auch erzählt wurde.

00:42:46: Die haben früher häufig am Freitag bis spät in der Nacht gesessen geplant und gekrübelt um wie machen wir das denn?

00:42:51: Und lagen dann trotzdem falsch.

00:42:53: und nichts ist hässlicher als wenn du am Montag deinen Mitarbeiter sagen musst Leute sorry aber wollt ihr nicht vielleicht doch heimgehen?

00:43:02: Und nichts ist blöder, als wenn du deinem Kollegen sagst hey macht euch ne schöne Woche genießt.

00:43:07: es geht mit der Familie in den Zoo und auf einmal die zwei die da sind wissen nicht mehr wo in der Kopf steht vor Arbeit.

00:43:14: Und genau das konnte dann Großheits wirklich sehr gut abgefangen werden.

00:43:18: nur die einfach sagen die Geschwindigkeit mit der wir plötzlich eine Kapazitätsplanung hatten Die Kontrollierbarkeit für uns als Management dass wir nicht teilweise bis später am Abend am Freitag noch ins die Köpfe geraucht haben Und auch wenn die Genauigkeit immer noch nicht perfekt war, weil sie besser als es vorher gab.

00:43:37: Das Ganze basierend eigentlich aus den Daten, die ohnehin in den Systemen da sind mit geschickt verarbeiteten Know-how das da ist und das ist etwas was mir bis heute immer noch sehr viel Freude macht, wenn ich daran denke es wahnsinnig viel Begeisterung ausgelöst hat.

00:43:59: Wir haben dann auch anderen Kollegen erzählt, also die Anfrage, die plötzlich bei uns kam und sagt wir haben da auch Schmerzen, könnt ihr so was nicht für uns machen?

00:44:10: Und das ist ja das wovon jeder der von Skalierung spricht!

00:44:13: Das ist wovor er träumt!

00:44:15: Ja und wenn du schaust wo das ganze Thema heute steht... Was glaubst du, wo sind Dinge wo einfach jetzt in der Produktion typischerweise die Daten dieses Themen jetzt einfach soweit sind, die Konnektivität dass man tatsächlich die Daten nehmen kann und jetzt simulieren kann.

00:44:27: Und wo sind aber trotzdem Dinge, wo man einfach immer noch auch die menschliche Erfahrung das Prozess wissen was über Jahre in den Köpfen der Mitarbeiter sich aufgebaut hat wo man das noch braucht?

00:44:36: Und da ist es einfach nicht in den Daten abgebildet!

00:44:39: Es gibt ja eine kleine Anekdote aus meinem Eben an die ich immer wieder denken muss und auf die ich bis heute noch keine wirklich gute Antwort gefunden habe.

00:44:47: für mich Ich war ganz frisch gerade aus der Wissenschaft bei Knobremd gelten.

00:44:51: Man muss sich schon vorstellen, man ist so aus der Grundlagenwissenschaften und ich bin ein Ziehkind der Max-Planck-Gesellschaft.

00:44:58: also Weltfremder kann man sich es gar nicht ausmalen.

00:45:01: und kommen dann zu einem Hardcore Maschinenbau unternehmen.

00:45:04: Und ich habe dort ein paar Kollegen getroffen, absolut fantastische Leute die wirklich die Zugwelt über alles genieht haben gesagt, du weißt was?

00:45:11: Wir nehmen dich mal mit zum Betreiber damit du das mal erlebst.

00:45:14: Das haben sie gemacht.

00:45:15: und dann stand ich da im Depot.

00:45:18: Du durfte da mal mit hinreißen.

00:45:19: Ich habe vorher auf dem Flug dorthin eine lange Liste gekriegt, was ich alles beim Kunden auf gar keinen Fall niemals und ever ever sagen darf!

00:45:27: Ist auch ne gute Idee muss ich sagen... Und dann stand ich da während so einer S-Bahn reingerollt ist.

00:45:33: Das eine ist wenn du in einem Depot schieße direkt neben, wenn es so eine S-bahn rein wollte sind schon beeindruckende Riesen.

00:45:42: Da waren zu zwei, drei Mitarbeiter.

00:45:45: Lass sie Ende fünftig gewesen sein, vielleicht Anfang sechzig also definitiv näher an der Rente als ich.

00:45:54: Und die standen konzentriert und fragte sich so was macht er da?

00:45:58: Er sagt ja, der hört dem Zug zu.

00:46:02: Der hört den Zug zu!

00:46:05: Schau mal hörst du das?

00:46:06: Da hört man so eine ganz hohe Frequenz hier gerade.

00:46:14: Der will jetzt gerade rausfinden woher die genau kommt Und dann stellte sich ihm raus, weil der stand dann im Depot.

00:46:22: Der Mitarbeiter, den es so gab ist sofort eine spezielle Stelle ins Lager gegangen und hat sich um welches Zeug geholt, ist zu dem Zug gelaufen.

00:46:28: Für mich war das alles Magie zum Zeitpunkt immer noch!

00:46:32: Und der Betreiber von diesem Depot hat mir erklärt, naja, die sagen jetzt, wir haben hier Mitarbeiter, die sind seitdem sie aus der Schule raus sind bei uns.

00:46:41: Die kennen jeden einzelnen Zug Und die wissen von jedem einzelnen Zug, je nachdem wie der hier hineinschnurrt.

00:46:49: Wo ihm was schmerzt und wo ihm etwas drückt.

00:46:52: Was der Mitarbeiter jetzt nur raus hören wollte war nicht ob ihm was Schmerz oder Drück dem Zug, sondern wo genau er anfangen muss zu gucken weil er keils den ganzen Zug abzulaufen.

00:47:03: Das ist etwas das mich zutiefst fasziniert hat.

00:47:07: Dass du Mittelweiter sie eine dermaßen Erfahrung sammeln dass sie durch Darstehlung zuhören ins Deportier gehen, ein Bauteil raussuchen und zum Zug gehen.

00:47:20: Das einzige Problem was er mir da auch erzählt hat ist die meisten unserer Mitarbeiter gehen den nächsten zehn Jahren in Ruhestand und die junge Leute wollen nicht mehr so lange bei uns bleiben bis sie solche Erfahrungen haben um das so zu tun!

00:47:37: Und da an dem Punkt kommt dann so die Sache wie schafft man es jetzt im richtigen Maß diese Erfahrungsschätze letztendlich in Technologie zu bießen.

00:47:50: Und da gibt es an einigen Stellen sehr, sehr positive Beispiele über Vibrationssensore, gibt es sehr gute Beispiele auch über akustische Sensorik was striktgeschraubt auch nachher von Viportionen ist, gibt das sehr, Sehr positive Bespiele die die Depots.

00:48:05: Die deutsche Bahnführer ICE hat hat sehr viele bildgebende Systeme verbaut die auch wieder sehr sehr gute beispiele gehen was man da tun kann.

00:48:12: so man kann hier technologisch schon extrem viel tun.

00:48:15: Auf der anderen Seite stand ich jetzt schon oft genug am Kleiß, weil der IC ausfiel.

00:48:23: Weil er noch im Depot stand.

00:48:26: Jetzt kann ich nur spekulieren was hier das Problem ist und eventuell kriegt die Technik das doch nicht alles so gut abgedeckt!

00:48:34: Ja, ich glaube da sind wir wieder bei den Hausaufgaben die dann vielleicht doch noch zu tun sind.

00:48:38: an der anderen Stelle ob es dann Konnektivität ist.

00:48:40: Ob das Datenstrukturen sind oder auch vielleicht hier und da Skill beim Mitarbeitenden fehlt.

00:48:44: Das wollen wir nur mutmaßen.

00:48:45: aber ich glaube wie in jedem Unternehmen da sind noch so ein paar Haus Aufgaben zu tun bis dann alles rund läuft.

00:48:50: Und ich glaube, das wäre auch noch mal eine Frage.

00:48:52: Wenn ich jetzt so ein bisschen an unsere Zuhörerinnen und Zuhörer denken würde ihr mit deiner Erfahrung viele treiben ja auch dann jetzt also unserer Zuhäurerinnen oder einfach Data and AI-Initiativen voran?

00:49:03: Und gerade in komplexen Industrien wo du ja unterwegs bist stellt man sich natürlich häufig die Frage wie kann ich denn jetzt nur am Anfang so ein wenig gesagt dass diese POC Use Case Falle oder Pilotfalle ist ja schon auch uralt?

00:49:15: aber wir tappen glaub ich immer nochmal rein.

00:49:17: Niemand ist davor gefeiert.

00:49:19: Und wenn du jetzt so ein bisschen Empfehlung aussprechen würdest, was sind wirklich die einen zwei Punkte?

00:49:25: Wie kriegt man eine einzelne Use Case wirklich in skalierbare Wirkung.

00:49:28: Was sind so die Stellstrauben auf die man achten muss?

00:49:31: Ich glaube ich habe so zweieinhalb Punkte.

00:49:34: Das Eine ist damit würde ich starten investiere in Talente.

00:49:38: Aber ich glaube es wird häufig unterschätzt Ja, wie viel man bewegt bekommt wenn man die richtigen Talente an das richtige Problem setzt und denen die Hürden aus dem Weg räumt.

00:49:51: Das ist auch ein Stück weit so mal mit das was ich als mein Hauptauftrag als Führungskraftsee ist, Hürde- und Plokaten aus den Wegräumen.

00:49:59: Und ich denke dass es schon einmal ein ganz wichtiges und wenn ich sage investiere in Talente das heißt nicht unbedingt, dass man immer neue Leute reihen muss.

00:50:09: Die Juwelen stecken oftmals in der Firma schon drinnen.

00:50:12: Man muss sie nur finden und ihnen den Raum geben, sich zu entfalten.

00:50:19: Der zweite Punkt an dem ich ganz fest glaube ist finde deinen Schwerpunkt!

00:50:28: Und was ich damit meine?

00:50:29: Denke nicht anders POC.

00:50:31: Denke mich an das nächste Projekt.

00:50:33: Denken nicht ans nächste große Unternehmensprogramm sondern denke über nach... Was ist der eine Schwerpunkte oder zwei Schwerpunkte die ich setzen möchte?

00:50:43: für mich mein Unternehmen, meine Kunde und meinem Markt.

00:50:46: Und das ist, wo ich persönlich immer wieder überzeugt bin, unterschätze niemals die Kraft von Innovationen und höre niemals auf in den Innovationen zu investieren.

00:50:56: Und Innovation in dem Kontext meine ich ganz stark wer sind meine Kunden heute?

00:51:02: Was sind meine Produkte heute und in welchem Markt bin ich heute?

00:51:06: Und was macht für diese Kunden, für dieses Produkt von Toglio und in diesem Markt?

00:51:13: den ich bewegen möchte.

00:51:16: Und zwar heute macht ihr dann sehr gut klar und Gedanken, das ist Class-Cool Arbeit!

00:51:21: Das wissen wir alle.

00:51:23: Wer sind meine Kunden vom Morgen?

00:51:26: Was ist das Produktportfolio von morgen was ich brauche und wo entwickelt sich mein Markt hin?

00:51:30: Hier kann ich nur spekulieren Und da habe ich immer eine Unschärfe drinnen in der Spekulation.

00:51:37: Wenn ich in diesem Spannungsfeld zwischen wo sind wir heute und wo könnte die Reise für uns hingehen, sage das ist der Schwerpunkt mit dem werde ich mich... kann ich mich von der Konkurrenz unterscheiden?

00:51:50: Kann ich mich vorbereiten auf was die Zukunft in unsere Macht bringen mag?

00:51:56: Und kann ich einen Hebel in Gang setzen der für mich als Unternehmen den Unterschied macht.

00:52:04: Und da setzt seine Karten drauf?

00:52:06: Also du sagst zum einen die Talente und Mitarbeitende sozusagen in den Fokus rücken, vor allem auch Weiterbilden ausbuhlen und dann noch mal auf die Value Pools gucken, die man am Ende hat und darin sinnvoll investieren und fokussiert vorgehen.

00:52:24: Das sind deine zwei Punkte oder zweieinhalb Punkte, die dir wichtig sind!

00:52:29: Wunderbar.

00:52:31: Ja, vielen Dank, Lydia für diese spannende Diskussion!

00:52:33: Jetzt sind wir fast am Ende angekommen aber wie immer haben wir noch die Forecast-Frage und jetzt wissen von dir das du noch ein ganz anderes Thema hast was dich privat sehr interessiert nämlich Wettervorhersage.

00:52:44: Aber vielleicht bevor wir zu der Frage kommen musst du nochmal den Zuhörer erklären wie es denn zu diesem ausgefallenen Hobby kommt?

00:52:50: Zweite Dinge kam hier zusammen.

00:52:52: Das eine ist was ist ein Wetter Vorhersages angewandte Physik im großen Mars staut.

00:52:58: Und wenn man eine Liebe für High Performance Computing hat, die habe ich bis heute.

00:53:02: Also nichts schöner als zu wissen, dass man so ein riesengroßen Computer einfach für sich schnurren hat.

00:53:07: Tolles Gefühl!

00:53:09: Die wirklichen Peterflop-Performance Algorithmen heute, die aktiv laufen, sind Wettervorhersagen.

00:53:16: Wenn du mal wirklich sehen möchtest wie wird High Performance computing auf seine Spitze getrieben?

00:53:21: Schau bei den Wettersimulierern vorbei und das hab' ich früher immer gerne getan.

00:53:26: Das ist das eine, was ich so liebe.

00:53:28: Das andere, was dazu kommt... Ich habe ein Pferd und wenn es meinem Pferdd zu heiß ist hat das keine Lust!

00:53:35: Und wenn es angenehm kühl ist, ist ne Irren, bisschen Wind, bisschen Regen findet sie auch noch vollkörpernd okay?

00:53:41: Dann ehe sich in Stimmung für jeden Plötsing.

00:53:44: Das kann man nicht umgenutzt lassen und wenn's ganz eklig isst dann akzeptiert sie auch mal eine Regentecke.

00:53:51: Auch das möchte man wissen denn wenn sie klitscht nass ist, das kannst du ja auch wiederum nicht leiden.

00:53:54: Es ist schlecht gelaunt.

00:53:56: Deswegen habe ich ein sehr akutes Interesse immer daran.

00:53:58: Was ist denn das Wettermorden?

00:54:01: Und diese zwei Dinge, das sind so die, die mich immer wieder bei einer irrsinnigen Freude haben auf der einen Seite natürlich ganz pragmatisch wenn ein richtiger Starkregen kommt.

00:54:11: Wir haben das ja gesehen also jetzt war gerade die Hitzebälle danach kau ein ein Regen runter der wirklich absurd war.

00:54:16: Da möchte ich das ganze Kerne wissen weil wenn meine Stute schlecht gelaunt ist dann ist sie wirklich schlecht Gelaunt und dann macht ihr nicht mehr so viel Spaß.

00:54:24: Also das möchte ich wissen, damit ich die Ausreichen einpacken kann.

00:54:28: Und jetzt kommt die Physikerin in mir, der sich wirklich schwerfällt, wenn die Wettervorhersage es nicht schafft mit diesen stark regnen Sitzen vorher zu sagen Das erste was ich da mache und dass ist etwas ungewohnt Ich stehe im Starkregen vor meinem Pferd und Philosophiere darüber warum sie jetzt algorithmisch nicht geklappt haben könnte das Vorherzusagen besser und warum wir jetzt hier klitschen das Dachstehen.

00:54:52: Mein Pferd findet die Philosophie immer nicht so toll.

00:54:54: Dieser könnte mir vielleicht diesen Drocknen fortsetzen, aber es ist ein anderes Problem!

00:55:00: Und ich bin natürlich keine Wettervorhersagespezialistin.

00:55:05: Aber für alle, die sich das jetzt fragen, ja was kamen aus der Diskussion mit deinem Pferden?

00:55:10: Mein Pfett heißt Simon.

00:55:11: Ja was kamenaus in der Diskussionsmitteilend mit raus?

00:55:14: Das worauf wir uns geeinigt haben Ist Daten und Daten im Sinne von.

00:55:24: Hab ich genügend Daten in meinem Datenpool, in meiner Datenhistorie die solche extreme von totaler Hitze zu total krassen Niederschlag?

00:55:34: Habe ich genügen Daten, die die solche Events abspilgen.

00:55:38: Und nachdem so etwas per Konstruktion ein Rare-Event ist, Rare Event Prediction ist hart!

00:55:44: Das andere ist die Frage nach wie konnten das zustande?

00:55:50: du hast sehr lokalisierte Zentren wo etwas passiert.

00:55:55: Und hier kann man sich auch wieder vorstellen, wenn ich etwas in einem sehr kleinen Parameterraum mich interessiert.

00:56:01: In dem Fall halt schauen wir uns ja bei der Wetterversage immer so das Gesamtklima mal die Gesamtatmosphäre der gesamten Weltkugel an.

00:56:08: Ja wie eng ist denn hier mein Datenmash?

00:56:11: und wenn halt an den Punkt Starnberg wo mein Pferd steht halt nunmal einfach gar kein Datenpunkt generiert wird für die Vorhersage sondern die Kilometer weit entfernt sind weiter voneinander entfernt sind, als das für Beta-Phänomen wirklich vorhanden ist.

00:56:27: Da muss die Simulation dazwischen den Punkten, die es hat, irgendwo interpolieren und es wäre eine komische Interpolation, wenn ihr auch mal zu Plätzchen extremen spannen würde.

00:56:36: Das demonstriert wieder so unfassbar klar fühlbar – das in dem Fall!

00:56:43: Wie wichtig es ist dass ich meinen Datensatz und meine Datenpunkte wirklich so erhebe, dass sie auflösen was ich am Problem eigentlich fangen möchte und beschreiben möchte.

00:56:53: Und wenn mein Datennetzter sich habe, einfach viel zu grob ist für das, was mich jetzt akut interessiert, dann werden meine Predictions nicht funktionieren.

00:57:04: Das sehen wir im Datenalltag – ob jetzt in der Produktion sehen wir das?

00:57:09: Das können wir auch beim Virtual Prototyping sehen.

00:57:11: oder sehen wir an ganz vielen anderen Punkten.

00:57:14: Bei Finanzdaten haben wir es damals gesehen, wenn du dort Vorkasting machen möchtest Und wenn deine Daten einfach nur auf Kopf und Level aufgelöst sind, aber du wüsstest gerne etwas über deinen speziellen Marktentwicklung an einem speziellen Land.

00:57:26: Und da nur nicht so viele Daten dabei sind, kannst du fast keinen Forecasting machen!

00:57:32: So geht das dem Wetterkollegen auch jetzt.

00:57:34: Könnte ich hergehen und denen anbieten und sagen was haltet ihr davon?

00:57:37: Wir machen eine kleine Wetterstation direkt bei meiner Stute am Boxfest.

00:57:41: Weil dann ist ja ein Datenpunkt bei uns.

00:57:44: Wer hat bei uns geholfen?

00:57:45: könnte sein.

00:57:47: Dann kommt die große Herausforderung Wie baue ich einen zusätzlichen Datenpunkt, der plötzlich auf einem anderen Raster liegt in eine Simulation ein?

00:57:56: Und das ist wirklich türkisch.

00:57:58: Das ist ein faszinierendes Problem und ich glaube wir alle können es total nachvollziehen.

00:58:02: jetzt musst du aber trotzdem uns noch deinen Vorgas geben.

00:58:04: ja trotz all den Datenpunkten und High Performance Computing wie lange dauert's denn noch bis wir das Problem endlich mal im Griff haben?

00:58:11: Ich behaupte mal wir bekommen es immer besser im Begriff.

00:58:15: Wir haben hier in Bayern einen wirklich richtig fittes Team, die algorithmisch daran arbeiten, Extremwetter vorhersagen zu machen und dennach ich würde sagen wir werden Stück für Stück immer besser.

00:58:29: Werden wir das vollständig in Griff kriegen ist eine Frage des Wettrenners und es ist ein Wetter-Rennen zwischen Klimawärmung und Simulationsexperten.

00:58:38: Wenn wir es schaffen mehr Fahrer zu fahren weniger CO² zu produzieren und dann würde ich sagen dass kriegen die Jungs in der Simulation hin.

00:58:47: wenn wir Das nicht schaffen.

00:58:50: Dann machen wir denen.

00:58:51: und dann sehe ich wieder an dem Punkt, du musst es deinen Kollegen und Mitarbeitern schon irgendwie möglich machen, Barrieren aus dem Weg zu räumen, das Richtige möglichst einfach auch tun können.

00:59:01: Und wenn wir wollen, dass sie's tun können müssen wir gegen die Klimawärmung ankämpfen.

00:59:05: Den Wetterbericht zum Liebe wenigstens!

00:59:07: Ich seh doch andere Vorteile aber den Wetter Bericht auf jeden Fall!

00:59:11: Absolut und das ist ein ganz tolles Schlusswort.

00:59:13: vielen Dank Lydia hat Spaß gemacht mit dir zu diskutieren.

00:59:16: Ganz lieben Dank, dass du da warst Und natürlich auch Frauke an dich.

00:59:19: War eine tolle Diskussion mal wieder und wir freuen uns schon auf die nächste Folge, oder?

00:59:23: Absolut!

00:59:24: Vielen Dank, Lydia!

00:59:25: Ein Spaß gemacht und auf ganz bald!

00:59:27: Bis bald!

00:59:27: Danke euch!

00:59:28: Tschüss!

00:59:43: Ciao!