Hur AI kommer att revolutionera tillverkningen

I samarbete med Siemens Digital Industries Software

Fråga Stefan Jockusch hur en fabrik kan se ut om 10 eller 20 år, och svaret kan lämna dig vid ett vägskäl mellan fascination och förvirring. Jockusch är vice president för strategi på Siemens Digital Industries Software, som utvecklar applikationer som simulerar utformning, design och tillverkning av produkter som mobiltelefoner eller smarta klockor. Hans vision om en smart fabrik vimlar av oberoende, rörliga robotar. Men de stannar inte vid att göra en eller tre eller fem saker. Nej – den här fabriken är självorganiserande.

Det här podcastavsnittet producerades av Insights, den anpassade innehållsdelen av MIT Technology Review. Den producerades inte av MIT Technology Reviews redaktion.

Beroende på vilken produkt jag slänger på den här fabriken kommer den att blanda om sig själv helt och fungera annorlunda när jag kommer in med en helt annan produkt, säger Jockusch. Den kommer att organisera sig själv för att göra något annorlunda.

Bakom den här framtidens fabrik finns artificiell intelligens (AI), säger Jockusch i det här avsnittet av Business Lab. Men AI börjar mycket, mycket mindre, med chippet. Ta biltillverkning. Chipsen som driver de olika applikationerna i bilar idag – och morgondagens förarlösa fordon – är inbäddade i AI, som stöder beslutsfattande i realtid. De är mycket specialiserade, byggda med specifika uppgifter i åtanke. De som designar chips måste då se helheten.

Man måste ha en uppfattning om chippet till exempel styr tolkningen av saker som kamerorna ser för autonom körning. Man måste ha en uppfattning om hur många bilder som chipet måste bearbeta eller hur många saker som rör sig på de bilderna, säger Jockusch. Man måste förstå mycket om vad som kommer att hända i slutändan.

Detta komplexa sätt att bygga, leverera och koppla ihop produkter och system är vad Siemens beskriver som chip to city – idén att framtida befolkningscentra kommer att drivas av överföring av data. Fabriker och städer som övervakar och hanterar sig själva, säger Jockusch, förlitar sig på ständiga förbättringar: AI utför en åtgärd, lär sig av resultaten och justerar sedan sina efterföljande åtgärder för att uppnå ett bättre resultat. Idag hjälper de flesta AI människor att fatta bättre beslut.

Vi har en applikation där programmet tittar på användaren och försöker förutsäga vilket kommando användaren ska använda härnäst, säger Jockusch. Ju längre applikationen kan titta på användaren, desto mer exakt blir den.

Att tillämpa AI på tillverkning kan resultera i kostnadsbesparingar och stora effektivitetsvinster. Jockusch ger ett exempel från en Siemens-fabrik på tryckta kretskort, som används i de flesta elektroniska produkter. Fräsmaskinen som används där har en tendens att gå upp med tiden - att bli smutsig. Utmaningen är att avgöra när maskinen måste rengöras så att den inte går sönder mitt i ett skift.

Vi använder faktiskt en AI-applikation på en kantenhet som sitter precis i fabriken för att övervaka den maskinen och göra en ganska exakt förutsägelse när det är dags att utföra underhållet, säger Jockusch.

Den fulla effekten av AI på affärer – och hela skalan av möjligheter som tekniken kan avslöja – är fortfarande okänd.

Det händer mycket arbete för att förstå dessa konsekvenser bättre, säger Jockusch. Vi är precis vid startpunkten för att göra detta, att verkligen förstå vad optimering av en process kan göra för företaget som helhet.

Business Lab är värd för Laurel Ruma, chef för Insights, den anpassade publiceringsavdelningen av MIT Technology Review. Showen är en produktion av MIT Technology Review, med produktionshjälp från Collective Next.

Det här podcastavsnittet producerades i samarbete med Siemens Digital Industries Software.

Visa anteckningar och länkar

Siemens hjälper den vietnamesiska biltillverkaren att tillverka första fordon, Automation.com, 6 september 2019

Chip to city: framtiden för mobilitet, av Stefan Jockusch, The International Society for Optics and Photonics Digital Library, 26 september 2019

Fullständig avskrift

Laurel Ruma : Från MIT Technology Review, jag heter Laurel Ruma, och det här är Business Lab, programmet som hjälper företagsledare att förstå ny teknik som kommer ut från labbet och in på marknaden. Vårt ämne idag är artificiell intelligens och fysiska tillämpningar. AI kan köras på ett chip, på en edge-enhet, i en bil, i en fabrik, och i slutändan kommer AI att driva en stad med beslutsfattande i realtid, tack vare snabb bearbetning, små enheter och kontinuerligt lärande. Två ord för dig: smart fabrik.

Min gäst är Dr Stefan Jockusch, som är vice vd för strategi för Siemens Digital Industries Software. Han ansvarar för strategisk affärsplanering och marknadsinformation, och Stefan koordinerar även projekt över affärssegment och med Siemens Digital Leadership. Det här avsnittet av Business Lab är producerat i samarbete med Siemens Digital Industries. Välkommen Stefan.

Stefan Jockusch : Hej. Tack för att jag fick komma.

Laurel : Så, om vi kunde börja lite, kan du berätta om Siemens Digital Industries? Vad exakt gör du?

Stefan : Ja, inom Siemens Digital Industries är vi den tekniska mjukvarubranschen. Så vi utvecklar mjukvara som stödjer hela processen från den första idén om en produkt som en ny mobiltelefon eller smartklocka, till designen och sedan den tillverkade produkten. Så det inkluderar den mekaniska designen, programvaran som körs på den och till och med chipsen som driver enheten. Så med vår programvara kan du lägga allt detta i den digitala världen. Och vi gillar att prata om vad du får ut av det, som den digitala tvillingen. Så du har en digital tvilling av allt, beteendet, fysiken, simuleringen, programvaran och chippet. Och du kan förstås använda den där digitala tvillingen för att i princip fatta vilket beslut som helst eller prova hur produkten fungerar, hur den beter sig, innan du ens måste bygga den. Det är i ett nötskal vad vi gör.

Laurel: Så, för att hålla fast vid idén om den digitala tvillingen, hur förklarar vi idén om chip till stad? Hur kan tillverkare faktiskt simulera ett chip, dess funktioner och sedan produkten, säg som en bil, såväl som miljön kring den bilen?

Stefan: Ja. Bakom den idén ligger egentligen tanken att vi i framtiden, och redan idag, måste bygga produkter, så att de som arbetar med det kan se helheten, snarare än bara en liten bit. Så det är därför vi gör det så stort som att säga från chip till stad, vilket verkligen betyder att när du designar ett chip som körs i ett fordon av idag och mer så i framtiden, måste du ta hänsyn till många saker medan du designar chippet. Du måste ha en uppfattning om chipet, till exempel, styr tolkningen av saker som kamerorna ser för autonom körning, du måste ha en uppfattning om hur många bilder som chipet måste bearbeta eller hur många saker som rör sig på dessa bilder och självklara fotgängare, vilken igenkänning måste man göra? Man måste förstå mycket om vad som kommer att hända i slutändan. Så tanken är att göra det möjligt för en designer på chipnivå att förstå det faktiska beteendet hos en produkt.

Och det som händer idag, speciellt är att vi inte utvecklar bilar längre bara med en bil i åtanke, vi kopplar allt fler fordon till miljön, till varandra. Och ett av de stora syftena, som vi alla vet, det är naturligtvis att förbättra föroreningen i städerna och även trafiken i städerna, så verkligen att göra dessa storstadsområden mer beboeliga. Så det är också något som vi måste ta hänsyn till i hela den här processkedjan, om vi vill se helheten som designer. Så detta är bakgrunden till hela den här idén, chip to city. Och återigen, hur det borde se ut för en designer, om du tänker efter, jag designar den här visionmodulen i en bil, och jag vill förstå hur kraftfull den måste vara. Jag har ett sätt att fördjupa mig i en simulering, en mycket exakt sådan, och jag kan se vilken data mitt fordon kommer att se, vad som finns i dem, hur många sensoringångar jag får från andra källor och vad jag måste göra. Jag kan verkligen spela igenom allt det där.

Laurel: Jag gillar verkligen den där inramningen att kunna se helheten, inte bara biten av detta otroligt komplexa sätt att tänka, bygga, leverera. Så för att komma tillbaka till den pjäsnivån, hur spelar AI en roll på chipnivån?

Stefan: AI handlar mycket om att stödja eller till och med fatta rätt beslut i realtid. Och det är där jag tror att AI och chipnivån blir så viktiga tillsammans, eftersom vi alla vet att många smarta saker kan göras om man har en stor dator som sitter någonstans i ett datacenter. Men AI och chipnivån är verkligen väldigt riktad mot dessa applikationer som behöver realtidsprestanda och en prestanda som inte har tid att kommunicera mycket. Och idag har det verkligen utvecklats till att chipsen som gör AI-applikationer nu är designade redan på ett mycket specialiserat sätt, oavsett om de måste göra mycket datorkraft eller om de måste spara energi så gott de kan, så var väldigt låg strömförbrukning eller om de behöver mer minne. Så ja, det blir mer och mer vanligt att vi ser AI inbäddad i små små chips, och då kommer vi förmodligen i framtida bilar att ha ett dussintal AI-applikationer på halvledarnivå för olika saker.

Laurel: Tja, det tar upp en bra poäng eftersom det är människorna som behöver fatta dessa beslut i realtid med dessa små chips på enheter. Så hur hjälper komplexiteten i något som kontinuerligt lärande med AI inte bara AI:n att bli smartare utan också påverkar utmatningen av data, som sedan så småningom, även om det är mycket snabbt, gör att människan kan fatta bättre beslut i realtid?

Stefan: Jag skulle säga att de flesta tillämpningar av AI idag snarare är utformade för att hjälpa en människa att fatta ett bra beslut snarare än att fatta beslutet. Jag tror inte att vi litar så mycket på det än. Så som ett exempel, i vår egen programvara, som så många tillverkare av mjukvara, börjar vi använda AI för att göra det enklare och snabbare att använda. Så till exempel har du dessa mycket komplexa designapplikationer som kan göra många saker, och naturligtvis har de hundratals menyer. Så vi har en applikation där programmet tittar på användaren och försöker förutsäga kommandot som användaren kommer att använda härnäst. Så bara för att erbjuda det och bara säga, 'Ska du inte göra det här?' Och naturligtvis talade du om ständiga förbättringar, kontinuerligt lärande – ju längre applikationen kan se användaren, desto mer exakt blir den.

Det är för närvarande redan på en nivå på över 95 %, men naturligtvis förbättrar kontinuerligt lärande det. Och förresten, detta är också ett sätt att använda AI inte bara för att hjälpa en enskild användare utan för att börja koda en kunskap, en upplevelse, en varierad upplevelse av bra användare och göra den tillgänglig för andra användare. Om en mycket erfaren ingenjör gör det och använder AI och du i princip tar de lärda lärdomarna från den ingenjören och ger den till någon mindre erfaren som måste göra en liknande sak, kommer den erfarenheten att hjälpa den nya användaren också, nybörjaren.

Laurel: Det är verkligen övertygande eftersom du har rätt – du bygger en kunskapsdatabas, en verklig databas med data. Och sedan hjälper allt detta AI:n så småningom, men hjälper också verkligen människan eftersom du försöker utöka denna kunskap till så många människor som möjligt. Nu, när vi tänker på det och AI vid kanten, hur förändrar detta möjligheterna för verksamheten, oavsett om du är en tillverkare eller personen som använder enheten?

Stefan: Ja. Och generellt sett är det förstås ett sätt för alla som gör en smart produkt att differentiera sig, att skapa differentiering eftersom alla dessa, funktionerna som AI möjliggör såklart är smarta, och de ger en viss differentiering. Men exemplet jag just nämnde där du kan förutsäga vad en användare kommer att göra, det är såklart något som många mjukvaror ännu inte har. Så det är ett sätt att skilja på. Och det öppnar förvisso massor av möjligheter att skapa dessa mycket differentierade delar av funktionalitet, oavsett om det är i programvara eller i fordon, inom något annat område.

Laurel: Så om vi faktiskt skulle tillämpa detta kanske på en smart fabrik och hur folk tänker på en tillverkningskedja, så händer det först, och sedan händer det och en bildörr sätts på och sedan sätts en motor i eller vad som helst. Vad kan vi tillämpa på den sortens traditionella sätt att tänka på en fabrik och sedan tillämpa detta AI-tänkande på den?

Stefan: Tja, vi kan börja med det äldsta problemet en fabrik har haft. Jag menar, fabriker har alltid handlat om att producera något väldigt effektivt och kontinuerligt och utnyttja resurserna. Så vilken fabrik som helst försöker vara igång när den ska vara igång, utan oförutsedd eller oplanerad driftstopp. Så AI börjar bli ett bra verktyg för att göra detta. Och jag kan ge dig ett mycket praktiskt exempel från en Siemens-fabrik som tillverkar kretskort. Och ett av stegen de måste göra är fräsning av dessa kretskort. De har en fräsmaskin och vilken fräsmaskin som helst, speciellt en sådan som är mycket automatiserad och robotiserad, den har en tendens att gå upp med tiden, att bli smutsig. Och så en utmaning är att ha rätt underhåll eftersom du inte vill att maskinen ska gå sönder mitt i ett skift och skapa denna oplanerade stilleståndstid.

Så en stor utmaning är att ta reda på när den här maskinen måste underhållas, utan att naturligtvis underhålla den varje dag, vilket skulle bli väldigt dyrt. Så vi använder faktiskt en AI-applikation på en kantenhet som sitter precis i fabriken, för att övervaka den maskinen och göra en ganska exakt förutsägelse när det är dags att göra underhållet och rengöra maskinen så att den inte misslyckas under nästa skift . Så det här är bara ett exempel, och jag tror att det finns hundratals potentiella applikationer som kanske inte är helt utarbetade ännu inom detta område att verkligen se till att fabriker producerar konstant hög kvalitet, att det inte finns några oplanerade stilleståndstider för maskinerna. Det finns naturligtvis redan mycket användning av AI vid visuella kvalitetsinspektioner. Så det finns massor av applikationer på fabriksgolvet.

Laurel: Och detta har enorma konsekvenser för tillverkarna, för som du nämnde, det sparar pengar, eller hur? Så är det här ett tufft skifte, tror du, för chefer att tänka på att investera i teknik på ett lite annorlunda sätt för att sedan få alla dessa fördelar?

Stefan: Ja. Det är som med all teknik, jag skulle inte tro att det är ett stort block, det finns ett stort intresse just nu och det finns många tillverkare med initiativ inom det området. Så jag skulle säga att det förmodligen kommer att skapa betydande framsteg i produktiviteten, men naturligtvis innebär det också investeringar. Och jag kan säga eftersom det är ganska förutsägbart att se vad återbetalningen av denna investering kommer att bli. Så vitt vi kan se finns det mycket positiv energi där, att göra denna investering och att modernisera fabriker.

Laurel: Vilken typ av moderniseringar behöver du för personalen i fabrikerna när du installerar och applicerar, typ av omverktyg för att ha AI-applikationer i åtanke?

Stefan: Det är en bra fråga eftersom jag ibland skulle säga att många användare av applikationer med artificiell intelligens förmodligen inte ens vet att de använder en. Så du får i princip en låda och det kommer att berätta, rekommenderas att underhålla denna maskin nu. Operatören vet förmodligen vad de ska göra, men vet inte nödvändigtvis vilken teknik de arbetar med. Men som sagt, det kommer naturligtvis att finnas några, skulle jag säga, nästan framväxande specialiteter eller nya färdigheter för ingenjörer att verkligen, hur man använder och hur man optimerar dessa AI-applikationer som de använder på fabriksgolvet. För som sagt, vi har de här applikationerna som är igång och fungerar idag, men för att komma till de applikationerna för att vara riktigt användbara, vara tillräckligt exakta, så krävs det förstås en hel del expertis, åtminstone en del iteration likaså. Och det finns förmodligen inte så många människor idag som verkligen är tillräckligt erfarna med tekniken och som dessutom förstår fabriksmiljön tillräckligt bra för att göra detta.

Jag tror att detta är en ganska, ganska sällsynt färdighet nuförtiden och för att göra detta till en mer vanlig tillämpning måste vi naturligtvis skapa fler av dessa experter som är riktigt bra på att göra AI fabriksklar och få den till rätt mognad .

Laurel: Det verkar vara en utmärkt möjlighet, eller hur? För att människor ska lära sig nya färdigheter. Det här är inte ett exempel på att AI tar bort jobb och de där mer negativa konnotationer som man får när man pratar om AI och affärer. I praktiken, om vi kombinerar allt detta och pratar om VinFast, den vietnamesiska biltillverkaren som ville göra saker helt annorlunda än traditionell biltillverkning. Först byggde de en fabrik, men sedan tillämpade de den typen av övergripande tänkande om chip på fabriken och sedan så småningom på staden. Så när vi kommer tillbaka hela cirkeln, varför är detta tänkande unikt, speciellt för en biltillverkare och vilka möjligheter och utmaningar har de?

Stefan: Ja. VinFast är ett intressant exempel för när de började tillverka fordon började de i princip på ett grönt fält. Och det är förmodligen den största skillnaden mellan VinFast och de allra flesta av de stora biltillverkarna. Att alla är hundra år eller äldre och har såklart en hel del historia, vilket sedan översätts till att ha befintliga fabriker eller att ha en massa saker som verkligen byggdes före digitaliseringens tidsålder. Så VinFast utgick från ett greenfield, och det är förstås en stor utmaning, det gör det väldigt svårt. Men fördelen var att de verkligen har möjlighet att börja med ett helt digitaliserat tillvägagångssätt, att de kunde använda mjukvara. För de byggde i princip allt, och de kunde verkligen börja med denna ganska kompletta digitala tvilling av inte bara deras produkt, utan de designade också hela fabriken på en dator innan de ens började bygga den. Och så bygger de det på rekordtid.

Så det är nog den stora, unika aspekten att de har denna möjlighet att vara helt digitala. Och när du väl är i det tillståndet, när du redan kan säga hela min design, naturligtvis, min mjukvara som körs på fordonet, men också hela min fabrik, hela min fabriksautomation. Jag har redan det här på ett helt digitalt sätt och jag kan köra igenom simuleringar och scenarier. Det betyder också att du har en bra utgångspunkt för att använda dessa AI-tekniker för att optimera din fabrik eller för att hjälpa arbetarna med ytterligare optimeringar och så vidare.

Laurel: Tror du att det är omöjligt att vara en av de där hundra år gamla tillverkarna och långsamt anta den här typen av teknik? Du behöver antagligen inte ha en greenfield-miljö, det gör bara allt enkelt eller jag ska säga enklare, eller hur?

Stefan: Ja. Alla, jag menar, bilindustrin har traditionellt sett varit en av de som investerat mest i produktivitet och digitalisering. Så alla är på den vägen. Återigen, de har inte den här unika situationen som du, eller har sällan den här unika situationen som du verkligen kan börja från ett blankt blad. Men mycket av mjukvarutekniken är förstås också anpassad till det scenariot. Där du till exempel har en befintlig fabrik, så det hjälper dig inte mycket att designa en fabrik på datorn om du redan har en. Så du använder dessa tekniker som gör att du kan gå igenom fabriken och göra en 3D-skanning. Så du vet exakt hur fabriken ser ut från insidan utan att ha den designad i en dator, eftersom du i princip producerar den informationen i efterhand. Så det är definitivt vad de etablerade eller traditionella biltillverkarna gör mycket och där de också i princip tar med digitaliseringen även in i den befintliga miljön.

Laurel: Vi diskuterar verkligen implikationerna när företag kan använda simuleringar och scenarier för att tillämpa AI. Så när du kan, oavsett om det är greenfield eller inte eller om du använder det för din egen fabrik, vad händer med verksamheten? Vilka är resultaten? Var finns några av de möjligheter som är möjliga när AI kan appliceras på själva chippet, på bilen och så småningom till staden, på ett större ekosystem?

Stefan: Ja. När vi verkligen tänker på inverkan på verksamheten tror jag ärligt talat att vi är i början av att förstå och beräkna vad värdet av snabbare och mer exakta beslut verkligen är, som möjliggörs av AI. Jag tror inte att vi har en mycket fullständig förståelse vid det här laget, och det är ganska uppenbart för alla att digitalisering gillar designprocessen och tillverkningsprocessen. Det sparar inte bara FoU-ansträngningar och FoU-pengar, utan det hjälper också till att optimera försörjningskedjans lager, tillverkningskostnaderna och den totala kostnaden för den nya produkten. Och det är verkligen där olika aspekter av verksamheten möts. Och jag skulle ärligt talat säga, vi börjar förstå de omedelbara effekterna, vi börjar förstå om jag har en AI-driven kvalitetskontroll som kommer att minska mitt avfall, så jag kan förstå den typen av affärsvärde.

Men det finns en hel dimension av affärsvärde av att använda denna optimering som verkligen översätts till hela företaget. Och jag skulle säga att det pågår mycket arbete för att förstå dessa konsekvenser bättre. Men jag skulle säga vid det här laget, vi är precis vid startpunkten för att göra detta, att verkligen förstå vad optimering av en process kan göra för företaget som helhet.

Laurel: Så optimering, kontinuerligt lärande, kontinuerliga förbättringar, det här får mig att tänka på, och bilar, förstås, Toyota Way , vilket är den där framstående boken som skrevs 2003, vilket är fantastiskt, eftersom det fortfarande är aktuellt idag. Men med lean manufacturing, är det möjligt för AI att kontinuerligt förbättra det på chipnivå, på fabriksnivå, i staden för att hjälpa dessa företag att fatta bättre beslut?

Stefan: Ja. Från min synvinkel, Toyota Way , återigen, boken som publicerades i början av 2000-talet, med ständiga förbättringar, enligt min åsikt kan ständiga förbättringar naturligtvis alltid göra mycket, men det finns lite igenkänning under de senaste, jag skulle säga fem till 10 år, någonstans som att den ständiga förbättringen kan ha träffat väggen av vad som är möjligt. Så sedan dess har det funderats mycket på vad som egentligen är nästa paradigm för tillverkning. När du slutar tänka på evolution och optimering och du tänker på mer revolution. Och ett av koncepten som tagits fram här heter industri 4.0, vilket egentligen är tanken på att vända upp och ner på idén om hur tillverkning eller hur värdekedjan kan fungera. Och tänk verkligen på tänk om jag får två fabriker som är helt självorganiserande, vilket är ett slags revolutionerande steg. För idag är det mestadels en fabrik som är uppbyggd kring en viss uppfattning om vilka produkter den tillverkar och när man har linor och transportörer och sånt, och alla är fastskruvade i golvet. Så det är ganska statiskt, den ursprungliga idén om en fabrik. Och du kan optimera det på ett evolutionärt sätt under lång tid, men du skulle aldrig bryta igenom den tröskeln.

Så den nyaste tanken eller de andra koncepten som man funderar på är, tänk om min fabrik består av oberoende, rörliga robotar, och robotarna kan utföra olika uppgifter. De kan transportera material, eller så kan de övergå till att hålla en robotarm eller en gripare. Och beroende på vilken produkt jag slänger på den här fabriken kommer den att blanda om sig själv och fungera annorlunda när jag kommer in med en helt annan produkt och den kommer att organisera sig själv för att göra något annorlunda. Så det är några av de paradigm som man tänker på idag, som naturligtvis bara kan bli verklighet med stor användning av AI-teknik i dem. Och vi tror att de verkligen kommer att revolutionera åtminstone vad vissa typer av tillverkning kommer att göra. Idag pratar vi mycket om partistorlek ett, och att kunderna vill ha fler alternativ och variationer i en produkt. Så de fabriker som kan göra det här, för att verkligen producera väldigt kundanpassade produkter, mycket effektivt, de måste se mycket olika ut.

Så på många sätt tror jag att det finns mycket giltighet i tillvägagångssättet med ständiga förbättringar. Men jag tror att vi just nu lever i en tid där vi tänker mer på en revolution av tillverkningsparadigmet.

Laurel: Det är fantastiskt. Nästa paradigm är revolution. Stefan, tack så mycket för att du var med oss ​​idag i det som har varit ett helt fantastiskt samtal på Business Lab.

Stefan: Absolut. Mitt nöje. Tack.

Laurel: Det var Stefan Jockusch, vice vd för strategi för Siemens Digital Industry Software, som jag pratade med från Cambridge, Massachusetts, hemmet för MIT och MIT Technology Review, med utsikt över Charles River. Det var allt för det här avsnittet av Business Lab. Jag är din värd, Laurel Ruma. Jag är chef för Insights, avdelningen för anpassad publicering av MIT Technology Review. Vi grundades 1899 vid Massachusetts Institute of Technology. Och du kan hitta oss i tryck, på webben och vid evenemang online och runt om i världen. För mer information om oss och showen, kolla in vår hemsida på technologyreview.com. Showen är tillgänglig var du än får dina poddar. Om du gillade det här avsnittet hoppas vi att du tar dig tid att betygsätta och recensera oss. Business Lab är en produktion av MIT Technology Review. Det här avsnittet producerades av Collective Next. Tack för att du lyssna.

Dölj