Robot and AI Meet Ultrasonic

00:00:04: Robotic in der Industrie.

00:00:06: Der Podcast mit Helmut Schmidt und Robert Weber.

00:00:11: Hello everybody and welcome to a new episode of our podcast.

00:00:14: Mein Name ist Robert Weber and I have invited two guests today.

00:00:17: The first guest is Christian Wagner from Folk Ultrasonic and Jan Kutnik from Evooptima.

00:00:23: Hello Christian.

00:00:23: Hey Robert, good morning.

00:00:25: Hello Jan, welcome to the podcast.

00:00:27: Good morning.

00:00:28: Wir haben einen AI-Basen-Produkt gemeinsam entwickelt.

00:00:34: Es geht um den non-destruktiven Material-Test in den Ultrasonic und der Robotik-Applikation II.

00:00:42: Wir hatten schon ein Episode auf diesem Thema mit Audi ein paar Wochen ago.

00:00:46: Dann haben wir es in den Kopf und sagten, dass es mehr gibt als das.

00:00:51: Ich bin wirklich froh, mehr zu hören.

00:00:54: Bevor wir beginnen, introduce yourselves briefly to our listeners.

00:00:59: Christian, please start.

00:01:01: Hello, good morning.

00:01:02: I'm Christian.

00:01:03: Right now I'm managing Foktor Trasonics and Hanover.

00:01:08: One of the leading entity suppliers in the world for spot weld inspection.

00:01:14: Es gibt viele Dinge mit AI, weil Ultrasonik in Relation zu Qualitätsinspektionen ist.

00:01:22: Es hat viel Data, und das ist eine ideale Basis für den User der AI.

00:01:29: Vielen Dank, wir werden heute noch mehr hören.

00:01:31: Jan, bitte introduce yourselves briefly to the listeners.

00:01:35: Okay, mein Name ist Jan Kutnik.

00:01:37: Ich habe ein PhD aus der Technik Universität geprägt.

00:01:40: Ich habe mich dann in den Jahr, in dem ich in der Swiss AI Lab in Itziya gearbeitet habe.

00:01:47: Jetzt habe ich mein eigenes Unternehmen Evoptima, das AI für irgendwelche Industrie

00:01:54: ist.

00:01:54: Okay, danke, Jan.

00:01:55: Du hast schon unsere Gäste, ich denke, zwei Mal auf dem Podcast, also ist es die dritte Zeit, dass du

00:02:02: das Teil bist,

00:02:03: oder?

00:02:03: Ja, genau.

00:02:04: Christian, fangen wir an.

00:02:05: Was war das Problem, was die Kunden hier

00:02:12: vorhanden waren?

00:02:13: Wie kamst du mit der Idee, die AI zu lösen?

00:02:14: Ja, ehrlich gesagt.

00:02:15: Der originelle Problem war, dass unser current Software und die Devices nicht so gut waren, als ich es gerne hätte, aus meiner Kundenprospektive.

00:02:23: Okay, so ist es ein Qualitätstopik an deiner Seite.

00:02:26: Zu dem letzten Jahr haben wir decided, die Software komplett neu zu machen.

00:02:33: Und wir arbeiten mit so viel Data, weil wir für jeden Spot eine Spotwell-Inspektion machen.

00:02:39: Wir haben hier die Phased Array-Technologie und das betrifft so viel Data.

00:02:51: Und mit so viel Data können wir etwas mit AI machen.

00:02:56: Das ist der Grund, warum ich mit Jan in Kontakt bin.

00:02:58: Können

00:02:59: Sie uns ein bisschen über den Prozess erklären, was Sie tun und warum es so wichtig ist für die Automatikindustrie?

00:03:08: Ja, vor allem in der Automatikindustrie.

00:03:12: Es gibt auch andere Applikationen, aber ich würde sagen, dass es in der Automatik-Business mehr ist.

00:03:21: Und wie Sie wissen, mit einem Voll-Car-Body, Wir sprechen über vier bis fünf Tausend Spots, und wir haben verschiedene Spots.

00:03:33: Es gibt auch, sagen wir mal, die US-Gäste, die sich für die Spots schützen.

00:03:38: Das bedeutet, dass die Spots, in denen die Seelen und die Bauten fix sind, in denen die Bauten fix sind, in denen die Bauten fix sind.

00:03:48: Dann sprechen wir auch über die Sicherheitsprobleme.

00:03:51: Die Inspektion der Spotwellen ist generell sehr wichtig und die Ultrasonic Technologie hat eine Möglichkeit, diese Dinge zu inspekten.

00:04:06: Und ja, das ist es, wo wir sind.

00:04:08: Okay, und warum war die existente Solution für diese Art

00:04:14: und Weise nicht lange genug?

00:04:15: von der technischen Seite mit der Faseraite Technologie.

00:04:18: Wir sind sehr gut, wir sind sehr gut.

00:04:21: Was ich nicht liebte, war unser Software, der UX, der UI, und das hat uns zu dem Punkt, dass wir uns entscheiden müssen, ob wir die existenzielle Softwareprodukte verbessern, sagen wir mal, oder etwas Neues machen.

00:04:35: Meine cleare Idee war, etwas Neues zu machen, das viel mehr userorientiert ist, aber auch von der Technologie-Bekannung, das coverst die Zukunftstechnologien und das ist natürlich AI.

00:04:50: Und dann hast du Jan gefunden und ich habe ein paar Räume gehört, dass die Podcaste in einem bestimmten Rollen gespielt

00:04:57: haben, oder?

00:04:58: Ja, natürlich.

00:04:59: Das war eines der Punkte, in denen wir begonnen haben und ich habe mit dir getroffen, wie du es rememberst.

00:05:04: Also, ich denke, dass du die richtigen Leute brauchst, um gute Lösungen zu finden und ich denke, dass Jan ein perfekter Fitt ist.

00:05:13: Perfekt.

00:05:13: So, let's talk a little bit about the AI approach.

00:05:16: Christian, already mentioned, he has tons of data.

00:05:20: So, Jan, you must be very happy when you start a project list with tons of data.

00:05:25: Can you explain us a little bit the task and how you got started?

00:05:30: Exactly.

00:05:30: So, so we were approached by by Fogt Alterssonics on like a. Wir haben viele verschiedene Tasken, die wir mitbekommen können.

00:05:47: Aber wir haben ein sehr schnelles Experiment mit einem kleinen, sehr kleinen Subset, der Dataset folgt.

00:05:58: Und es war immer ein Problem, dass wir viel mehr Daten bekommen, das ist eigentlich wahr.

00:06:02: Und das ist was wir jetzt tun.

00:06:03: Aber wir haben mit diesem hohen Dataset experimentiert, basically versucht, die Accuracy der Ultrasonic Prediction zu verbessern.

00:06:15: Denn, wie Christian erwähnt, gibt es diese Setze von einem Measurement, und jeder Setze hat bei den meisten Signalen von Ultrasonic Echoes.

00:06:28: Das ist wie ein Audio, also wir haben siebenhundert und zwanzig Audio Samples.

00:06:33: Und dann ... Das klassische Software ist, diese einzelnen Kurven separate zu nehmen und ein paar Analyse mit einer verabschiedeten Anleitung zu machen.

00:06:45: Wir machen ein paar Filter, wir detectieren das Maximum, wir detectieren das Period und dann die Zahl der PX und so weiter.

00:06:53: Und für diese Kurven verabschieden Sie einen Label, ob es okay ist oder nicht.

00:07:00: Dann bekommt man dann ein Bild.

00:07:02: Also

00:07:03: nur zwei Städte, okay und nicht okay?

00:07:05: Und

00:07:05: da measurest du die Diameter der sogenannten Nugget, die die Strecke des Metalles ist, die da durch die Wälder ist, die die Wälder durch die Wälder kreiert.

00:07:30: Und das ist wichtig für die Karminefektion, weil wenn der Spott zu klein ist, ist der Wälder schlecht.

00:07:35: Und wenn es groß ist, ist es okay.

00:07:38: Und es gibt auch andere Wälder, wie die Strecke des Metalles, etc.

00:07:40: Aber im Endeffekt ist das die Wahrheit, dass alle Interesse haben.

00:07:46: Du machst die Probe des Metalles und willst wissen, wie die Diameter der Nugget ist.

00:07:52: Wir haben das mit A.I.

00:07:53: gerechnet und wir lernen, diese Verteilungen von der rawen Daten, die die ultrasonische Produkte verabschieden.

00:08:01: Ein wichtiges ist, dass die ultrasonischen Kunden, nicht nur für alle, sondern auch für die, die sie verabschieden.

00:08:14: und dann measuren sie die actuale Größe des Nuggets, die für uns die Grundschule ist, und wir benutzen das von der Erleichterung.

00:08:20: Wir gehen direkt von diesen Ultrasonik-Signal zu den Nuggets Größen, und wir basically die Synthetik-Ingenieur-Prozesse inzwischen entfernen.

00:08:31: So, es war ein Vision-Apoach,

00:08:34: oder?

00:08:35: Sequential Data Analysis.

00:08:37: Okay, so, so, so, so, so, so, so, so, so, so, so, so, so,

00:08:39: so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so,

00:08:47: so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so,

00:08:56: so, so, so, so,

00:08:56: so,

00:08:58: so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so, so.

00:09:02: Natürlich.

00:09:02: Ja, natürlich.

00:09:02: Ja, ich meine, natürlich.

00:09:03: Der Unterschied zwischen den verschiedenen Automatismäkern ist da klar, weil... Sie haben verschiedene Produktionsstrategie, verschiedene Equipment auf der Weltingseite, und auch, wie man sich über die Qualität der Sportwelten betrachtet.

00:09:23: Vielleicht ist es auch unterschiedlich.

00:09:25: Wir müssen das adoptieren, weil wir am letzten Garten im Prozess sind.

00:09:31: Wir müssen das adoptieren, um unsere Kunden zu brauchen.

00:09:35: Wir werden ... Natürlich, oder wahrscheinlich in der Zukunft, werden wir auch die Software und die Extra-Service eröffnen, wie wir die Modelle trainieren, um specific needs zu nutzen, weil wir wissen, dass es notwendig ist.

00:09:53: Wir sehen das schon.

00:09:54: Aus einer

00:09:55: AI-Perspektive, Jan, was ist so schwierig mit den verschiedenen Datenprozessen?

00:10:01: Was ist die Schwierigkeit in diesem specific Case?

00:10:04: Well, there are two things.

00:10:06: One of them is research, right?

00:10:08: Because it seems like not really anyone has coped with that before.

00:10:14: And

00:10:15: we don't know how far we can get.

00:10:17: So that's interesting and stressful at the same time, right?

00:10:21: Because you want to deliver it to the product and at this point we are able to reduce the error in the nugget size prediction by, let's say, thirty percent in average.

00:10:31: Aber wir wissen nicht, wie weit wir gehen können.

00:10:36: Vielleicht könnte es eventuell ca.

00:10:37: sein, also es ist schwer zu predictieren.

00:10:39: Und das andere ist, dass es immer wenige Devils gibt, die in den Detailen hidden sind.

00:10:46: Also was wir versuchen, ist, dass wir die Distribution von allen möglichen Maßnahmen, so dass unser Algorithm robust genug ist und in allen Situationen verwendet wird.

00:10:56: As Christian mentioned, you know there might be like quality discrepancy between the car makers and it's the.

00:11:03: but the by far largest discrepancy is between how the workers actually use the probe and how good data they get because from some it's harder from some it's easier and we need to be prepared also for those bad.

00:11:19: let's say Du hast einen robusten Modell, einen robusten AI-Aufgang.

00:11:29: Was

00:11:31: bedeutet robust in diesem Projekt?

00:11:39: Wenn die Nugget-Size in den Daten groß ist, dann gibt es einen großen Wert.

00:11:45: Wenn es klein ist, dann gibt es einen kleinen Wert.

00:11:47: So sollten wir alle Welten, die schlecht sind.

00:11:51: Und die Lösung ist stabil.

00:11:53: Also, wenn du ein bisschen crazierter Daten gibst, dann würde es dir nicht sagen, dass die Nugget zu groß ist, wie, ich weiß, eine Meter weit, das ist keinen Sinn.

00:12:04: Oder negativ.

00:12:06: Wir können es einfach filterieren, aber... Ja, Dinge wie das.

00:12:10: Es gibt riechliche Resultate für alle Teile, wenn sie riechliche Materiale haben.

00:12:15: Bevor wir reden, Sie haben gesagt, dass alles von Patenten

00:12:19: protectiert wird.

00:12:20: Aber können Sie ein bisschen erklären, wie das AI-Modell funktioniert, welchen Algorithmen Sie sie benutzen?

00:12:30: Und dann, wie Sie es auf das Device bekommen?

00:12:33: Ja.

00:12:34: Okay, also wir haben mehrere, sagen wir mal ... Ich denke, es sind etwa fünf oder sechs Werte der Verbrechung der Daten.

00:12:43: Wir haben auch verschiedene Architekturen ausgesucht.

00:12:46: Und jetzt ist es eine Verbrechung von ihnen.

00:12:50: Wir haben viele Experimente gemacht, mit den großen Größen von Daten.

00:12:54: Es gibt immer etwas, das wir auf dem Topf geben können.

00:12:56: Aber imagine, dass es ein sequentiales Daten ist.

00:13:00: Es gibt eine Flasche von LSTM, die es sequenzuliert.

00:13:04: Und dann gibt es einige, weil es diese various Mapps, dann sind es ein paar Bits von der Computer-Vision, weil wir jetzt so ein Bild sehen.

00:13:15: Das ist etwas, was du gesagt hast, in der Beginnung.

00:13:19: Es ist eine Kombination der Tee.

00:13:21: Der Modell ist sehr problem-spezifisch, ich würde sagen, aber es regnet noch die Property des Prozessdataes in Parallel.

00:13:30: Das ist der einzige Unterschied und das ist der einzige Vorteil, dass es die Daten auf einmal sieht.

00:13:34: das macht es mehr robustes Geräusch.

00:13:39: zum Beispiel, wie die Legacy Algorithmen, wenn du es schaust und du hast ein kleines Nugget-Image da, es ist so wie ein Disk, und dann, wenn es wirklich perfekt measurent, Wenn man sich die Beispiele anschaut, dann sieht man, dass die Beispiele nicht so viel anders sind.

00:14:07: Aber die A.I.

00:14:08: nimmt das in der Konsequenz, weil, seit er alles vorhanden ist, filtert sich diese Beispiele aus.

00:14:15: Und es sagt, wenn die Beispiele wirklich gut sind, dann ist es gut.

00:14:19: Und das ist der Hauptadventech.

00:14:22: Okay, so, es klingt ein bisschen für mich, was Christian gesagt hat, er möchte ein paar Feintunen mit dem Modell machen.

00:14:29: Das klingt ein bisschen, dass es ein Weltingspot ist.

00:14:32: Lass uns ein kleines Fundationmodell nennen, Jan, oder

00:14:35: bin ich falsch?

00:14:36: Es ist ein sehr schwerer Job, um alle möglichen Datasetzten aus allen möglichen Fahrer und Fahrer

00:14:44: und

00:14:44: Fahrer und Fahrer und Fahrer und Fahrer und Fahrer und Fahrer und Fahrer und Fahrer und Fahrer und Fahrer.

00:14:57: Und es gibt einige sehr spezielle Features, die von der Daten speziell kommen.

00:15:10: Also, obwohl wir eine sehr gute Paale haben, das ist das Foundation-Model, das für alle Leute coveriert wird, und wenn du das Device bekommst, solltest du starten, mit deinem Auto-Modern.

00:15:22: Aber es gibt immer die Möglichkeit, die Daten, die dein Auto-Industrie, dein Faktor, produziert, zu trainieren.

00:15:31: Und das schreibt noch ein paar Marginen.

00:15:37: Ist es ein Weg, Christian zu gehen, um einen großen Modell zu bauen und dann für verschiedene Anlegerungen in der Automotive-Industrie

00:15:44: zu finden?

00:15:44: Wir wissen nicht, wir werden es versuchen.

00:15:46: Lass mich einen Schritt zurück, wenn es möglich ist, weil Jan von seinem Punkt der Sicht erklärt ist, der mehr Scientistisch ist.

00:15:56: Aber was ich finde, ist sehr wichtig, und vielleicht ist das nicht nur für unsere Applikation oder für die Spot-Weld-Inspektion, um die AI in der Produktion zu adaptieren, weil wir viel von der Qualität des Welts haben.

00:16:16: Vielleicht sind die Menschen oder die Kunden, die sie benutzen, dann die Qualität der Inspektion, nicht zu sagen, dass jemand es falsch oder falsch macht.

00:16:26: Aber vielleicht ist es anders, wie in Indien zu inspekten, wie in China zu inspekten oder wie in Europa zu inspekten.

00:16:35: Und unser Job ist, um alle solche Situationen in der besten möglichen Weise zu verabschieden.

00:16:41: Und finally zu bringen mit unserer AI-Idea bessere Resultate.

00:16:46: Ich meine, das ist unsere Hauptpriorität, um die Präzision Wir sprechen

00:16:53: jetzt über die Präzision.

00:16:54: Wie viel Bedeutung hat der Kastner?

00:16:56: Wir sind jetzt in

00:16:57: einem voll R&D-Mode, aber mit den entsprechenden Daten, die wir inspektiert haben oder die wir trainiert haben, können wir jetzt sagen, dass wir die Präzision der Inspection verbessern können.

00:17:23: und das ist wirklich viel.

00:17:26: Das ist das, was wir gerne haben wollen und wir werden die AI auf der Userseite nutzen, um die Usability der Software etc.

00:17:37: zu verbessern.

00:17:38: Aber das Core-Target war immer besser.

00:17:44: Jan, was sind die Computing-Requirements der Model?

00:17:47: Du hast es gesagt, es ist wie ein LSTM, also kannst du es auf der Edge oder auf der Industrie PC, auf der Shopfloor, was ist die Idee?

00:17:57: Ja, also das kommt, das ist der zweite Teil der Frage, die du gefragt

00:18:00: hast, oder?

00:18:02: Ja, genau.

00:18:02: Es riecht auf dem eigentlichen Phasen-Device, wie ein rugged industrial Tablet mit zwei Batterien.

00:18:10: Also

00:18:12: es ist ein normaler Intel, was auch chip

00:18:15: ist.

00:18:15: Es ist Intel, aber es ist, weil es ein paar Bequerements gibt, auch von den Car Manufacturers, und es könnte superpowervoll sein, GPU sein, weil es auch batterypowert ist.

00:18:28: Also es riecht auf normaler PC, aber nicht wie die.

00:18:33: Das ist der letzte, größte Test.

00:18:35: Es ist ein Device, der ein bisschen weicherer ist als der übliche Computer.

00:18:40: Und so ist das für uns ein Rekord.

00:18:42: Und es muss da ran gehen und es hat zero Internet-Konnexion.

00:18:46: Und wie soll man das Problem

00:18:48: lösen?

00:18:49: Wir optimieren das Modell.

00:18:50: Wie soll man ein Modell

00:18:51: so optimieren, wie das an einem, sagen wir es, zehn Jahre langen Intel-Chip?

00:18:59: Etwas so.

00:19:00: Ja, wir machen Experimente und versuchen, es zu schrinken.

00:19:03: bis es breitzt.

00:19:04: Und dann optimieren wir die Rundtage, aber alle available Rundtage, die da sind, sind jetzt schon relativ optimiert.

00:19:12: Du musst nicht auf die neue Konvolution zu finden, die wir vor fünf Jahren gemacht haben.

00:19:18: Also wir benutzen Library.

00:19:20: Okay, Christian, jetzt hast du ein AI-Model, aber ... Sie haben schon gesagt, dass du eine R&D-Face bist.

00:19:27: Aber jetzt musst du dieses AI-Model in den Prozessen integrieren.

00:19:32: Und bist du jetzt?

00:19:32: redefining den Prozess?

00:19:34: Und ist es ein Automation-Add-on?

00:19:36: Oder was ist die Idee jetzt bei Foked?

00:19:39: Ja, wir haben ein paar Dinge.

00:19:42: Ich meine, als wir die Arbeit mit Jan begonnen haben, haben wir in der gleichen Zeit entschieden, die Software komplett neu von Scrap zu machen.

00:19:51: Wir haben zwei Teams, Jan ist mit dieser Teams für den AI-Sitz.

00:19:56: Diese sind der Wissenschaftler, würde ich sagen.

00:20:00: Dann haben wir einen klassischen Software-Developing-Team, wir arbeiten auf der neuen Software und wir kombinieren es in dem Hintergrund.

00:20:09: So, wenn wir die neue Software haben, implementieren wir die AI.

00:20:13: Ich habe immer gesagt, es wird die Kurve der neuen Software-Solution sein.

00:20:20: Das ist die Idee.

00:20:21: Das ist dann für alle Applikationen und Devices, weil wir das klassische Handheld-Unit haben, wie Jan das vorstellt, mit dem Tablet-Screen, und das ist für die manuale Inspektion

00:20:36: verwendet.

00:20:36: So, der Mann geht ins Auto und checkt mit einer Kamera, oder?

00:20:39: Genau,

00:20:40: der Mann geht mit dem Unit ins Auto-Body oder steht infront der Komponente.

00:20:47: und er inspektiert die verschiedenen Spots.

00:20:50: Der Testplan, der in der Automotive-Industrie ist, ist

00:20:53: sehr strikt.

00:20:54: Ja, normal.

00:20:57: Oder wenn sie ein Qualitäts- und Produktionsissue haben, dann gehen sie mit der Unik zur Produktions-Linie und inspektieren sie direkt zur Produktions-Linie und versuchen, was da passiert.

00:21:10: Wir haben eine Unik ohne die Schraube, die all die Fasen blühen.

00:21:17: in general zu Automation, mit der Restinterface, weil es keine Output-Screen hat, also braucht man ein Laptop oder ein anderes Device, um die Resultate zu sehen.

00:21:28: Aber von der technischen Seite ist es genau so wie die NEO.

00:21:32: Wir haben die Blu-Style für unsere neuen Automation-Solutionen, die wir jetzt unter der Entwicklung benutzen.

00:21:42: Denn wir müssen ein Manualinspektions-Workplace sehen.

00:21:47: In average inspect between, let's say, six hundred and nine hundred spots per day by hand.

00:21:54: And that is a classic, sorry to say that, that's a classic stupid job.

00:22:00: It's a monkey work, right?

00:22:02: A bit.

00:22:02: Yeah, it's tough.

00:22:04: It's a monotone.

00:22:07: And there we start with one of our automation solutions.

00:22:11: That's with a collaborative robot.

00:22:12: So

00:22:13: the camera, it's on the robot.

00:22:16: Ja, die Kamera, wir haben eine D-Vision, die auf die kollaborative Robot in der Front ist, die uns alle die Informationen gibt, wo wir sie brauchen, wo ist der Ort, wie ist der System in Bezug auf die Komponente, wo sie sind, etc.

00:22:34: Und da benutzen wir auch die AI in der Visionssoftware, weil wir wissen, dass der Ort gut ist oder nicht so gut

00:22:46: ist.

00:22:46: Aber das ist ein Staat der Art-Modelle, also das ist nicht ein scientifisches...

00:22:50: Nein, das ist ein deep learning-Model.

00:22:53: Wir laufen mit der Software, die durch die Vision wird.

00:22:57: Genau, durch die Vision durch die Firma, die die Kamera

00:22:59: hat?

00:23:00: Wir kombinieren AI mit AI.

00:23:04: Wir haben die AI in der Vision und die AI in der Software des Ultrasonic-Equipments.

00:23:10: Wie schwierig

00:23:12: ist es für Perian, beide AIs?

00:23:15: Ich meine, sie sind an, sagen wir mal, die Farben von dem Device.

00:23:22: Das erste ist, dass die Vision verwendet ist, um den actualen Spot zu navigieren, und dann ist die Daten getestet.

00:23:31: Und dann bekommt unser Komponent die Daten und die Qualität der Welt.

00:23:34: So, technisch ist es durch ein paar API gedreht.

00:23:41: In dem Ende kann unsere Software von anywhere aus gezwungen werden.

00:23:48: Die Firma, die die Software für die neue Faseninterface zu nutzen, integriert unsere Solution durch den API und die Challs.

00:23:58: Es ist wie ein Plug-in.

00:24:00: Christian, die Kobot ist mit der Kamera und der AI-Modell bei Jan gearbeitet.

00:24:06: Dann drücken wir in die Fahrt-Body und checken da.

00:24:10: Kannst du dir ein wenig die Art und Weise erklären?

00:24:12: Okay, die originelle Idee ist, dass wir eine Mobile-Base haben.

00:24:16: Die Mobile-Base ist die kollaborative Robot-Mounted.

00:24:20: Du musst keine Code mehr sagen.

00:24:22: Das wird im Beginn des nächsten Jahres verändern.

00:24:25: Aber dann, wie es immer ist, wir besuchen das erste Customer.

00:24:30: Wir hatten eine Diskussion über die Mobile-Solution.

00:24:33: Sie sagten, das ist toll, aber wir wollen es auf der AGU.

00:24:36: Und ich habe gesagt, okay, dann haben wir das nächste, dann haben wir das nächste Komplexitätstepp.

00:24:45: Wir haben einen full-car-Body, und wir wollen das System auf der rechten Rückseite fahren.

00:24:55: Und dann müssen wir auf die rechte Frontseite gehen.

00:24:58: So, das wird das nächste Schritt.

00:25:01: Aber in general, ja.

00:25:04: Der Roboter ist mobil.

00:25:06: Der ganze System ist mobil.

00:25:08: Man kann ihn von A bis B schmieren.

00:25:10: Und seit wir diesen USB-Version haben, die uns helfen, den System und die Komponenten gegen den System zu orientieren, werden wir überall inspektieren.

00:25:24: Und wir wissen immer, wo wir sind.

00:25:25: Das einzige Problem, das wir haben mit dem Roboter, ist, dass wir das mit allen Robots haben, dass wir nicht All kinds of sport, which will be reachable by

00:25:37: hand.

00:25:38: Exactly.

00:25:38: You have some limitations, but that is given by the physical situation.

00:25:46: And you have to re-inspect some of the sports by hand.

00:25:51: Always.

00:25:52: That's normal.

00:25:53: How much do you have to re-inspect?

00:25:55: I think with the collaborative robot we will have some advantage against the industrial robot, because in all industrial robot is... Normalerweise ist es viel größer, so dass wir ca.

00:26:06: zwei Meter, sechs Meter, drei Meter lang sind.

00:26:08: Auch wenn wir nicht einen hohen Payload tragen, oder wenn wir nicht sehr schnell gehen müssen.

00:26:14: Aber wir brauchen die pure Riege, wenn wir den Vollkohlboden ins Spektrum wollen.

00:26:19: Wir brauchen diese Riege, um alle Spots zu erreichen.

00:26:25: Aber mit der Kolobersurff-Robot, ich denke, wir werden die Chance haben, unsere Rehabilität zu verbessern, um zu sehen, welchen Spots wir erreichen können.

00:26:36: Aber ich denke, immer zwischen zehn, zwölf, vielleicht zwanzig Prozent ... nicht mit den Robots aufzulegen, also muss man sie handeln, wenn man sie anspricht.

00:26:50: Das ist ein sehr, sehr interessantes Projekt.

00:26:53: Christian Vogt ist nicht ein globaler Kooperation, sondern ein großer Unternehmen.

00:26:57: Es ist ein typischer deutschen, mittweiliger Unternehmen.

00:27:01: Und was hat dir geimpft, diesen Pass mit Jan und seinem Team zu gehen?

00:27:06: Denn wir reden immer über das Problem, dass die Midsize-Kampern zu langsam adaptiert sind.

00:27:12: Aber was hat dir geimpft, diesen Weg

00:27:15: zu gehen?

00:27:15: Ich meine, alle die verschiedenen Fakten, die wir hatten, viele Daten, eine sehr fortunelle Hardware-Technologie, aber auch die Fastheray-Systeme, unsere Geschichte über viertyf Jahre in dieser Industrie plus ... die Werte unserer Kunden, weil wir sehen, dass die OEMs versuchen, Qualität zu verbessern.

00:27:39: Wenn sie versuchen, Qualität zu verbessern, müssen sie es inspektieren.

00:27:45: All diese verschiedenen Infekte haben uns zu dem Punkt gebracht, dass wir gesagt haben,

00:27:49: dass wir das machen wollen.

00:27:50: Es war mehr Druck, als zu sagen, dass wir eine andere Weise machen, oder eine Kombination von Druck und wir wollen etwas Neues

00:27:59: versuchen.

00:27:59: both.

00:28:00: I would say, you know, I'm not a fan of me too.

00:28:03: So what all others do, yeah, we look at it and we respect it, but you have to find your own way.

00:28:10: And for me it was clear, so much data and such a good hardware technology that maybe that's a call for AI nowadays.

00:28:22: Absolut.

00:28:23: So, what advice would you give to other companies when they are mid-sized companies?

00:28:28: When it comes to AI, I would say.

00:28:30: Yeah, when it comes to how to start a project like this with Jan.

00:28:33: What is crucial in a project like this?

00:28:35: The first thing is you have to find the right people.

00:28:38: wie wir mit Jan haben.

00:28:39: Und du musst starten, mit den Möglichkeiten zu sprechen.

00:28:42: Und dann musst du es versuchen.

00:28:44: Es geht oft schnell.

00:28:45: Ich meine, das ist was wir tun.

00:28:47: Man kann fragen, wie oft haben wir ein Telefon in der Nacht oder irgendwo, weil ...

00:28:53: Jan, wie oft?

00:28:54: Wie oft?

00:28:56: Ich meine, wir reden all die Zeit.

00:28:57: Es

00:29:00: ist ein realer ... Das ist eine große Demonstration der Kommunikation.

00:29:04: Jan, es ist nicht um Technologie, sondern um die richtigen Menschen zu finden, um mit diesen Leuten zu kommunikieren und ein Team zu bauen.

00:29:10: Ist das nicht mehr als das, sondern um eine technische Art und

00:29:14: Weise?

00:29:14: Ich denke, es ist eine große Art und Weise.

00:29:16: Und eine große Sache ist die Verwaltung.

00:29:18: Und basically, um Verwaltung zu haben und nicht zu sein, um innovieren zu können.

00:29:24: Weil das ist, was uns für uns zu... Das hilft uns, um uns zu überleben und wir haben das durch Covid gesehen.

00:29:32: Die Covid war der Fall, dass das Jahr oder zwei Jahre ein bisschen gefährlich war, weil viele der Firmen dachten, dass wir jetzt die Wäsche für unsere Employees aufhalten müssen, um zu überleben.

00:29:45: Aber dann sind die anderen innovativer und die sind weit weg.

00:29:48: Und wenn die Covid war, waren die, die die Wäsche aufhalten, raus von der Wäsche, weil sie die meantime nicht innovativer waren.

00:29:56: Das ist ein sehr wichtiges Thema, um Courage zu haben, um innovieren, um etwas neue zu versuchen, um zu sehen, wie weit wir gehen können.

00:30:02: Und das ist, was Christian und sein Team haben.

00:30:06: Und wir, wie Kunden wie das, die nicht in Dachs sitzen und weitergehen.

00:30:12: Christian, am Ende.

00:30:13: Lass uns briefly über die Kompetition sprechen.

00:30:18: Wo standest du jetzt, als Kompetitorin?

00:30:21: Ich meine, wir haben respectable computers, wir haben auch gute Systeme.

00:30:25: Aber, ich meine, diese Industrie, diese Ultrasonic-Industrie, besonders, wenn wir über die Sportwellenspektion sprechen, wir reden nicht so viel über die Produkte der Welt.

00:30:38: Vielleicht reden wir, was?

00:30:39: Vier, fünf, nicht mindestens, ja?

00:30:41: Also, das ist eine sehr kleine Nische, in der wir aktiv sind.

00:30:47: Ich weiß nicht, was sie planieren, mit Blick auf die Zukunft, aber wir haben unser Weg mit der AI und mit allen Impfen, die wir erreichen wollen.

00:30:58: Und ich denke, es ist ein guter Weg, weil wir das sehen von der Antwort unserer Kunden.

00:31:04: Sie sind alle sehr interessiert in dieser AI.

00:31:07: Software und sie sind sehr, sehr vorbeizustellen, wenn wir das erste Kind von Software bringen.

00:31:14: Was mich über den

00:31:15: US-Kassel die meisten erinnert, ist, dass du alle diese Daten hast.

00:31:21: Wie leicht ist es, diese Daten zu bekommen?

00:31:24: Denn es ist Automotive, IP oder ich weiß nicht, wie leicht ist es, diese Daten

00:31:31: zu collectieren?

00:31:31: Ja, wir brauchen die Ergebnisse.

00:31:33: So, du hast gesagt,

00:31:36: wir planen etwas

00:31:38: zu tun mit dem.

00:31:39: Ja, wir versuchten sie.

00:31:41: Wir haben mit vielen OEMs und vielen Kammerinfektionen gesprochen und nicht nur ein paar von ihnen, wenn sie hören, dass sie etwas tun, die sagen, können wir dir Daten geben?

00:31:50: Und dann sagen wir, dass wir natürlich Daten brauchen und wir nur sie brauchen.

00:31:57: Wir brauchen nicht nur die guten, sondern auch die schlechten.

00:32:01: Denn das ist auch sehr wichtig, wenn du das Modell trainierst, dass du das Modell zeigen, alles.

00:32:08: Das ist das harteste Teil.

00:32:09: Denn die Karmel-Fectures machen so gute Fahrzeuge und ihre Welten sind so perfekt, dass es ein Lack gibt.

00:32:19: crepe data and we need those for learning as well to make the model more robust.

00:32:22: Mhm.

00:32:25: So what did you learn in the project at the end?

00:32:28: I would say like, on that note of we discussed already, you know, the communication is the key, like to be straightforward and upfront on all the issues and all everything which comes to your way, like such to know.

00:32:42: basically no hiding, waiting, you know, and this we have, we should have told you.

00:32:48: Wenn man das sagt, ist das eine richtig gute Idee.

00:32:51: Das sollte nicht passieren.

00:32:52: Aber in diesem Fall nicht.

00:32:55: Wir haben eine sehr opene Kommunikation.

00:32:58: Ich bin in touch mit einigen Menschen aus der Christen-Team, die fast auf täglichen Basis sind.

00:33:06: Und das ist eine Sache, die mich so wie vorhin veröffentlicht hat.

00:33:11: Und ja, ich denke, ich meine, in diesem Fall haben wir meistens Milch, was wir in der Barschfälschung gelernt haben.

00:33:18: Danke vielmals, Leute.

00:33:18: Ich

00:33:21: bin wirklich froh, weil wir die Konnexion durch den Podcast zwischen euch gemacht haben.

00:33:27: Und jetzt gibt es diesen tollen Ausgang.

00:33:30: Und ja, wir sind ein bisschen froh.

00:33:32: Danke vielmals, Jan.

00:33:33: Es war ein Glück, wieder zu sprechen

00:33:34: mit euch.

00:33:34: Ja, ich appreciate.

00:33:35: Ja,

00:33:36: danke.

00:33:36: Und Christian, vielen Dank.

00:33:37: Es war ein Glück.

00:33:38: Willkommen, vielen Dank.

00:33:39: Danke.

00:33:39: Untertitel

00:33:40: im Auftrag des ZB.