In Podcastfolge 29 spricht Madeleine Mickeleit mit Hendrik Nieweg und Martin Dimmler von Device Insight. Die zwei IoT Use Cases drehen sich dieses Mal um die Implementierung von Warn- und Eskalationskonzepten bei Kaffeeautomaten von Costa Coffee und um die KI-gestützte Optimierung von Produktionsprozessen bei der Firma JUMO.
Zusammenfassung der Podcastfolge
Als Komplettanbieter für anspruchsvolle IoT und IIoT-Vorhaben hat Device Insight (DI) gemeinsam mit Partnern schon viele spannende Use Cases realisiert. In dieser Podcastfolge stellen Hendrik Nieweg und Martin Dimmler von DI zwei von ihnen vor.
Der erste Use Case dreht sich um ein Thema, das uns wohl allen am Herzen liegt: Kaffee! Gemeinsam mit der international agierenden Kaffeehaus-Kette Costa Coffee hat DI ein „Pay-per-cup“-Geschäftsmodell umgesetzt. Die Idee von Costa Coffee: Gegen eine Gewinnbeteiligung pro verkauftem Kaffe wurden Tankstellen, Flughäfen etc. hochwertige Kaffeeautomaten kostenlos zur Verfügung gestellt. Device Insight ermöglicht es mit ihrer Technologie nicht nur, die Anzahl der verkauften Kaffees zuverlässig zu tracken, sondern auch Ausfallzeiten durch frühzeitige Warn- und Eskalationskonzepte zu minimieren, um Gewinnausfälle zu vermeiden.
Im zweiten Use Case berichten Martin und Hendrik über ihre Zusammenarbeit mit dem KI-Spezialisten Sentian. Beim Hersteller für Mess- und Sensortechnik JUMO gelang es ihnen, den Produktionsprozess KI-gestützt zu verbessern. So können dank Sensorik und Analyse des Ausgangsmaterials bereits im Produktionsprozess Anpassungen vorgenommen werden. Das Ergebnis: Es können mehr Sensoren in der höchsten Qualitätsstufe produziert werden.
Am Ende der Folge wird aufgezeigt, wie relevant die Zusammenarbeit von Partner-Ökosystemen zur Lösung von Kundenproblemen ist.
Die 2003 gegründete Device Insight GmbH mit Sitz in München ist ein IoT-Spezialist, der Unternehmen bei der Digitalisierung im Umfeld von Internet of Things, Industrie 4.0 und Künstlicher Intelligenz begleitet. Auf Basis eines flexiblen IoT-Frameworks kombiniert Device Insight fertige IoT-Bausteine und Microservices mit individuellen Applikationen für maßgeschneiderte IoT-Services.
Podcast Interview
Hendrik, was ist deine Rolle bei Device Insight?
Hendrik
Ich leite den Bereich Solutions bei DI. Dahinter verbirgt sich auf der einen Seite das Presales Consulting – Beratung ist auch das, was ich hauptsächlich in der Firma mache. Auf der anderen Seite habe ich im Team auch den Aftersales Support. Meine Kollegen und ich bilden ein bisschen die Klammer um unsere Projekte, also Projektanbahnung auf der einen Seite, aber dann auch, wenn es entwickelt ist, Betrieb und Support der Lösungen.
Ich bin schon seit 13 Jahren in der Firma und vom Hintergrund Wirtschaftsingenieur mit Fachrichtung Maschinenbau. Kein klassischer Softwerker also, ich bin aber im Studium schon stark in die Richtung Industrieinformatik abgedriftet und daher passte das dann ganz gut, dass ich bei einem IT-Unternehmen untergekommen bin, das einen starken Fokus auf Industrie 4.0, Maschinenanlagenbau etc. hat.
Martin, was ist dein Background und deine Aufgabe bei Device Insight?
Martin
Mittlerweile bin ich schon seit sieben Jahren bei Device Insight. Ich bin studierter Wirtschaftsinformatiker, damals bin ich direkt nach meinem Masterstudium bei DI eingestiegen. Das heißt ich kenne eigentlich nur IoT, meine ganze Karriere hängt an dem Thema IoT, wenn man so will. Ich habe bei Device Insight Stationen im Sales und Projektmanagement gehabt und bin jetzt für die Entwicklung unseres Leistungsportfolios im Bereich Cloud und AI verantwortlich. Ich bin aber auch noch ein bisschen bei der Projektanbahnung und im Presales Prozess involviert. Das heißt ich mache Workshops mit unseren Kunden und erarbeite neue Geschäftsmodelle, funktionale Anforderungen, Lösungsdesigns und so weiter.
Was ist denn euer Kerngeschäft und was ist eure Vision in Richtung IoT?
Hendrik
Wir sind jetzt schon seit über 17 Jahren am Markt und sehen uns auch als ein IT-Pionier. Also als eines der Unternehmen, die ganz früh in diesem Markt unterwegs waren. Man nannte es halt früher nicht so. Als wir gestartet sind lief das Ganze noch unter dem Schlagwort M&M, Machine to Machine Communication.
Die DI ist auch explizit als ein Unternehmen gestartet worden, das sich um die Vernetzung von Maschinen und Anlagen mit zentralen Serversystemen kümmert. Wir sind am Standort München gestartet und haben hier auch immer noch unser Epizentrum. Mittlerweile sind wir auf rund 100 Mitarbeiter gewachsen, ich war damals Mitarbeiter Nr. 7. Wir kommen aus dem Connected Products-Umfeld, wir sind also mit dem Anbinden von Maschinen und Anlagen auf diese zentralen Systeme gestartet. Wir haben Projekte wie die smarte Heim-Heizung gemacht, wo wir auch nach wie vor eine große installierte Basis haben und wir haben Gabelstapler connected.
Durch unseren Fokus auf den Maschinen- und Anlagenbau haben wir dann auch einen relativ starken Footprint im Bereich Industrial IoT aufgebaut. Gerade mit unserem heutigen Shareholder KUKA sind wir vor Jahren erst als Technologielieferant gestartet und haben dann die Partnerschaft immer weiter intensiviert. Seit März 2019 sind wir jetzt auch die vollständige Tochter und sind für die KUKA der Techologielieferant und auch das Entwicklungscenter für Industrie 4.0-Applikationen.
Das ist unser Kerngeschäft. Wir bauen IoT-Services von der Edge bis zur Cloud und sind außerdem relativ stark in Standardisierungsinitiativen involviert, arbeiten in der OPC-Foundation mit, treiben Themen rund um die Open Industry Alliance und sind auch in sonstigen Gremien sehr stark aktiv.
Wie muss man das ganzheitlich am Markt verstehen? Wie sieht da euer Offering aus?
Martin
Der eine zentrale Punkt ist, dass es von der Edge bis zur Cloud geht. Das heißt, wir können den Durchstich abbilden und im Endeffekt eine schlüsselfertige IoT-Lösung für unsere Kunden bereitstellen.
Der andere Punkt ist, dass wir uns als 360-Grad-Lösungsanbieter verstehen: Das heißt alles, was neben der Technologie noch zu dem Bereich gehört, bieten wir auch mit an. Wir steigen bei der Business Case-Analyse und beim Requirements Engineering ein und leiten daraus dann zukunftsfähige IoT-Lösungsarchitektur ab. Wir gehen natürlich auch in die Umsetzung und kümmern uns um den Betrieb der Lösung.
Das ganze natürlich schnell, agil und skalierbar. Wir fokussieren uns auf die Hyperscaler wie zum Beispiel Microsoft Azure, die aus unserer Sicht einen perfekten Abstraktionsgrad gefunden haben, hinsichtlich was ich einem Lösungsanbieter an Arbeit erleichtern kann, gleichzeitig aber auch, wie viel Flexibilität ich diesem noch überlassen kann. Das ist uns nämlich sehr wichtig, dass wir kundenindividuelle Lösungen machen. Also „No size fits all“. Wir schauen uns immer an, was der Kunde braucht, wie seine individuellen Geschäftsprozesse und die Logik dahinter aussehen und bieten dann eine maßgeschneiderte Lösung an. So können wir die Projekte schneller, aber auch robuster und stabiler liefern.
Was seht ihr denn gerade für Herausforderungen eurer Kunden in Richtung Digitalisierung?
Hendrik
Digitalisierung ist schon ein sehr weit gefasster Begriff. Die Erwartungshaltungen, die sich an diesen Begriff knüpfen, sind wirklich sehr unterschiedlich. Es gab ja mal eine zeitlang einen starken Trend, dass Stellen wie der Chief Digitization Officer (CDO) geschaffen wurden, der sich mit der internen und externen Digitalisierung beschäftigen sollte. Ganz viele Unternehmen haben festgestellt, dass da ganz schön dicke Bretter zu bohren sind. Vielleicht hat sich dann an der einen oder anderen Stelle ein bisschen Ernüchterung breitgemacht.
Man muss schauen, was die Ziele sind, die ich erreichen will. Einfach Digitalisierung um der Digitalisierung Willen voranzutreiben ist nicht zielführend. Man muss schauen, was mein Fokus ist, was ich vorhabe und was ich erreichen will. Will ich meine Maschinen und Anlagen intelligenter machen, oder möchte ich im Bereich Industrial IoT andere Potenziale heben, wie z.B. die Effizienz steigern, Kosten senken oder neue Umsätze generieren? All diese Fragen muss ich mir stellen und mir überlegen, welche Geschäftsmodelle hinter diesem Thema stehen. Wir versuchen diese Fragen auf Augenhöhe mit dem Kunden zu diskutieren.
Diesen technology-driven Ansatz „Wir kommen jetzt mit der großen Toolbox an Digitalisierungsprodukten und dann geht’s los“, den halten wir nicht für zielführend. Man muss sich wirklich mal hinsetzen, Prozessaufnahme machen und herauszufinden, wo die Pains und Gains sind. Gerade IoT war lange Zeit eine Spielwiese, die jeder mal ausprobiert hat und es wurden ganz viele Proofs of Concept gemacht. Und ich glaube man kann heute sagen, dass es funktioniert. Aber die Ernüchterung kommt häufig, wenn es darum geht, den Mehrwert festzustellen. Oftmals ist das Kosten-Nutzen-Verhältnis nicht so ideal. Daher ist unser Rat immer, reinzuschauen und den Proof of Value, also den Mehrwert, herauszustellen und zu beweisen. Das ist die Herausforderung von heute, gerade auch in wirtschaftlich angespannteren Zeiten.
Hast du einen Use Case bei euch aus der Praxis, bei dem man versteht, wie ihr das Produkt mit dem Kunden entwickelt und was der Mehrwert von Industrial IoT für den Kunden ist?
Martin
Ich würde gerne über unsere Arbeit mit Costa Coffee sprechen, eine der größten Kaffeehaus-Ketten weltweit. Sie gehören mittlerweile zum Coca Cola Konzern. Da ist die Herausforderung, dass so ein Geschäftsmodell ein bisschen schwerer zu skalieren ist. Das heißt ich habe erstmal relativ hohe Investitionskosten, wenn ich irgendwo einen neuen Coffee Shop öffnen möchte: Ich muss mir eine Immobilie raussuchen, ich muss es bauen, einrichten, Personal suchen etc.
Deswegen hat man sich damals das Kaffeeautomaten-Business ein bisschen genauer angeschaut. Kaffee kann man auch über einen Automaten verkaufen, der ist sehr viel schneller aufgestellt, allerdings schmeckt er auch oft nicht so toll. Dieser Herausforderung wollte Costa Coffee angehen. Sie haben gesagt sie bauen diese Coffee Bar als Vending Machine, die aber die gesamte tolle Erfahrung an einer Coffee Bar repliziert. Wenn ich vorbeilaufe, werden Aromen aufgesprüht und riecht es lecker, die haben ein aufwendiges Design von Pininfarina, einem italienischen Designstudio, das auch viele Karosseriedesigns für Ferrari-Modelle gemacht hat, es sind frische Bohnen drin, frische Milch, die einen richtig guten Cappuccino-Schaum macht und ich kann mir noch Sirup-Shots dazu nehmen. Dazu gibt es einen großen Touchscreen mit einer tollen Menüführung, so dass da wirklich ein besonderes Kaffee-Erlebnis entsteht. Während ich auf meinen Kaffee warte, wird auch noch Musik gespielt mit etwas Geräuschkulisse aus einer Bar.
Man findet diese Café Bars zum Beispiel an Tankstellen, Flughäfen oder auf dem Uni-Campus. Weltweit gibt es eine fünfstellige Anzahl an Maschinen, die wir da angebunden haben. Eine Maschine steht bei uns im Büro.
Aber so eine Maschine zu bauen ist natürlich erstmal relativ teuer. Das sind z.B. für einen Tankstellenbetreiber zu hohe Kosten. Um diese Hürde zu nehmen, haben sie die Maschinen und auch die Betriebsmittel wie die Costa Coffee Bohnen kostenlos zur Verfügung gestellt und stellen auch die technische Wartung. Das Geschäftsmodell sieht so aus, dass sie für jeden verkauften Kaffee einen kleinen Teil abbekommen. In der Realität ist das aber nicht ganz einfach, so dass man hier IoT als Enabler gesucht hat. Ich muss wissen, wie viele Cappucino ich verkauft habe, ob vielleicht ein Vanille-Shot mit reingegeben wurde und ich muss das Ganze sehr ausfallsicher erfassen. Da dürfen keine falschen Daten übertragen werden und keine Lücken entstehen, sonst verliere ich Umsatz oder verärgere meinen Kunden, wenn ich falsch abrechne.
Wie stellt man so eine Connectivity vom Feld in die Cloud her?
Martin
Auf einem Verkaufsautomaten läuft eine Applikation von denen, die man auch bedient, wenn ich am Touchscreen meinen Kaffee auswähle. Und an die haben wir uns einfach angedockt. Wir haben eine technische Komponente, eine kleine Agent- oder Edge-Lösung kann man das nennen. Die extrahiert und vorverarbeitet die Daten und kann die auch puffern, falls es mal keine Konnektivität gibt und schickt diese Daten dann in die Cloud.
Wie sah der Prozess mit euch und die Zusammenarbeit mit Costa Coffee aus?
Martin
Wir waren relativ früh in dem Prozess involviert. Das heißt wir haben diesen Feinschliff der Geschäftsmodell-Definition noch mitbekommen, waren damals auch regelmäßig in England und haben mit der gesamten Firma – das Automatenbusiness läuft unter dem Namen Costa Express – in Workshops erstmal die wichtigsten Eckpfeiler einer solchen Lösung erarbeitet.
Da merkt man mal wieder, wie viele Sonderfälle es eigentlich in so einem Geschäftsprozess gibt. Wie müssen die so ein Pay per cup-Modell eigentlich prozessoral abbilden? Und da komme ich mit einer fertigen Lösung nicht besonders weit. Es war relativ schnell klar, dass wir hier relativ viel customizing machen müssen und wir haben da in prominenter, agiler Software-Methodologie mit denen gearbeitet. Wir sind alle drei Wochen rüber geflogen, haben die Ergebnisse des letzten Sprints präsentiert und so sukzessive Funktionalität nachgerüstet.
So kamen wir dann auch auf eine der prominentesten Funktionalitäten, nämlich das gesamte Alarming- und Eskalations-Konzept, das sehr wichtig in dieser Lösung ist. Denn das neue Geschäftsmodell ist ja erstmal eine große Herausforderung. Wenn ich aufhöre, diese Maschinen zu verkaufen und mich stattdessen am Erfolg meines Kunden zu beteilige, ist mir auf einmal gar nicht mehr egal, wie er meine Maschinen benutzt. Ich habe ein sehr großes Interesse daran, dass er eine hohe Verfügbarkeit mit den Maschinen hat und viel Umsatz macht. Umso spannender ist, dass ich mit Servicepartnern noch eine dritte Partie im Boot habe, das sind international durchaus auch externe Firmen. Die muss ich alle an einen Tisch bringen. Dann haben wir alle Betriebsmeldungen, Zustandsmeldungen, Fehlermeldungen und auch die Betriebsmittel, die wir zentral über eine Root Engine erfassen, die quasi diese Daten durchknetet und relevante Alarme ausspuckt und dann je nach Alarmtyp die richtigen Leute informiert und diese Alarme auch eskaliert. Das heißt, wenn jemand die Milch nicht schnell genug nachfüllt, geht nach ein, zwei Stunden die SMS an den Vorgesetzten. Und wenn es ein technischer Alarm ist, geht das direkt über das Ticketsystem an den Servicepartner.
Dann setzt man sich monatlich mit dem Accountmanager zusammen und wir berechnen dann die lost trading hours. Man kann ja dann sehr schön auf Basis der Öffnungszeiten bestimmen, wie viel Verkaufsstunden ich aufgrund unnötigen Stillstands verloren habe und wie viel Umsatz mir dadurch flöten ging. So schaffe ich ein Incentive, dass da möglichst alle von profitieren.
Ich stelle es mir herausfordernd vor, mit der Masse an Daten auch intelligent zu arbeiten, also im Sinne von Data Analytics zu schauen, welcher Alarm von welchen Gegebenheiten ausgelöst und wie muss ich wen informieren. Wird dieser Algorithmus von euch entwickelt?
Martin
Genau, der wird von uns entwickelt. Es gibt darüber hinaus noch weitere Potenziale für Datenanalysen: Man möchte als Firma ja auch die Brand wahren und will immer gleichbleibenden Kaffee anbieten und da sollen keine Bohnen von einem anderen Hersteller in die Automaten gekippt werden. Da haben sie sich auch Gedanken gemacht, wie man die Nachbestellung von Kaffee vs. verkaufter Kaffee monitoren kann.
Ihr seid ja auch mit dem KI-Startup Sentian unterwegs. Arbeitet ihr bei so einem Case mit denen zusammen?
Martin
IoT und KI sollten im Kontext von Digitalisierungsprojekten eigentlich eine natürliche Symbiose finden. Soll heißen: KI benötigt vor allen Dingen Daten und je nach Anwendungsfall auch eine ganze Menge. Und die kann IoT natürlich sehr gut automatisiert und in großen Mengen bereitstellen. Umgekehrt ist es so, dass die Maschinen und Anlagen in IoT-Projekten oft in komplexen Umgebungen eingebettet sind und da kann ich mit einer künstlichen Intelligenz sehr viel besser abbilden.
Es ist so, dass das trotzdem zwei unterschiedliche Technologien sind. Das heißt eine Partnerschaft einzugehen und sich Know-how in das Projekt zu holen ist eigentlich unabdingbar und auf jeden Fall sinnvoll. Hier ist Sentian für uns ein super Partner und einer der Pioniere bezogen auf KI. Sie kommen aus Schweden und wir haben gemeinsam mit ihnen ein AIoT Offering konzipiert, also Artificial Industry of Things, und haben uns überlegt, was man damit noch alles machen kann. Predictive maintenance ist natürlich eine Sache, aber in Kontext von KI nicht immer der idealste Use Case. Also haben wir uns die intelligente Steuerung von Produktionsprozessen angeschaut. Wie das genau funktioniert erklärt man am besten an einem Beispiel.
Hendrik
Das trifft es sehr gut. Man sollte unter diesen Themen KI und AI nicht immer nur schauen, kann ich irgendwie predictive maintenance oder sowas machen. Sondern es gibt auch andere interessante Anwendungsfälle, die ich mir anschauen kann. Sowas wie die Produktionssteuerung zu unterstützen ist genau so ein Thema.
Wir haben hier ein Case mit der Firma JUMO, einem Hersteller für Sensortechnik. Da gab es den Wunsch, den Produktionsprozess KI-gestützt zu unterstützen und zu verbessern. In den Prozessen steckt erstaunlich viel implizites Wissen drin, z.B. von den Produktionsleitern und Maschinenführern. Die wissen einfach, wie sie ihre Maschinen zu bedienen haben und müssen auch aus ihrer Erfahrung und ihrem Bauchgefühl heraus reagieren können, wenn ich zum Beispiel Schwankungen in der Qualität oder Güte von Materialien habe.
Bei JUMO war es so, dass bei der Herstellung der Sensoren relativ komplexe Hightech-Laserprozesse zum Einsatz kommen und dieser Prozess immer chargenweise optimiert werden muss. Das war bislang Sache des Maschinenführers, der aufgrund seiner Erfahrung versucht hat, den Prozess perfekt einzustellen. Mit Sentian ist da ein sogenanntes Imputationsmodell erstellt worden, was über Sensorik und Analyse vom Ausgangsmaterial und dem, was am Ende produziert wird, Analysen fährt und dann diese Daten verarbeitet und den Prozess schon innerhalb der Charge besser anpasst. Somit kann der Prozess besser eingestellt werden als ein sehr, sehr gewiefter Maschinenführer in der Lage ist.
Am Ende des Tages hat sich das in der Qualitätssicherung dann so dargestellt, dass jetzt mehr Sensoren der höchsten Qualitätsstufe produziert werden können. Der Hersteller ist jetzt erstmals überhaupt in der Lage, Sensoren der höchsten Qualitätsstufe in einer sinnvollen Stückzahl anzubieten. Das heißt der Produktionsprozess insgesamt ist auch eine höhere Stufe angehoben worden und es ist jetzt vorhersagbar mehr Output in der höchsten Qualitätsstufe lieferbar und das ganze KI-gestützt.
Über welche Daten sprechen wir denn da genau, die da aufgenommen werden?
Hendrik
Vor allen Dingen geht es darum, wie viel der Laser abtragen muss, um den perfekten Widerstand zu finden – das ist das, was ich hier steuere. Da geht es gar nicht darum, welche Daten ich jetzt aus einer physikalischen Sicht brauche, sondern einfach zu bestimmen stückweise über den Prozess des Lasertrainings trage ich da immer mehr ab und das versuche ich zu optimieren und kann eben über dieses Imputationsmodell die Qualität prognostizieren. Das benötige ich wiederum, um diesen Reinforcement-Learning-Ansatz zu fahren.
Der Ansatz ist, schon im Produktions-Loop die Optimierung vorzunehmen. Sonst ist es ja häufig so, dass ich einen Produktionsprozess habe und an irgendeiner Stelle befindet sich die Qualitätssicherung. Und es kann halt sein, dass ich die Produktion schon relativ weit durchlaufe und dann komme ich zu meinem Quality Gate und stelle fest, da hat was nicht gestimmt. Aber es kann sein, dass mein Problem schon sehr weit vorne im Produktionsprozess lag. Das heißt es sind viele Schritte unnötig durchlaufen worden. Das senkt den Output und erhöht die Kosten. Mit diesem Modell ist man in der Lage, sehr früh einzugreifen und Optimierungen vorzunehmen.
Das sehen wir an vielen Kunden, dass da gerade die Reise hingeht. Sich wirklich den Produktionsprozess anzuschauen und dann die smarte Technik an den Prozess heranzubringen.
Was für Cases gibt es da noch in die Richtung und wie sieht dahingehend euer Partner-Ökosystem aus?
Hendrik
Ein Partner-Ökosystem halte ich für extrem wichtig. Das was Martin schon eingangs gesagt hat, dass IoT-plattformseitig keine „One size fits all“-Lösung funktioniert, das ist in einer Digitalisierung von ganzen Produktionsprozessen noch viel schwieriger. Deshalb glauben wir, dass die Zusammenarbeit auf Augenhöhe in Ökosystemen extrem wichtig ist. Beim Kunden hat man kritische Herausforderungen und die löst man in der Regel nicht allein. Da gibt es Spezialisten, die sich um diesen Case kümmern können, aber man muss relativ viel außen rum betrachten. Das können Sensorhersteller sein, das kann der Hersteller von der PLC-Logik sein, Sicherheitstechnik etc. – deswegen sind diese Ökosysteme extrem wichtig, so dass jeder seine Stakes mit reinbringen kann.
KUKA ist eins der Founding Members von der sogenannten Open Industry Alliance, die sich genau diesem Thema widmet. Die Open Industry Alliance stellt die Kundenanforderung in den Vordergrund und sammelt Hersteller von Maschinen und Anlagen, aber auch Softwareanbieter zusammen, die sich darauf committen, gemeinsam die Probleme beim Kunden lösen zu wollen.
Genauso wichtig auf der Cloud-Seite ist für uns die Zusammenarbeit mit Microsoft, auch durch die geografische Nähe in München. Microsoft unterstützt uns sehr stark als Gold-Partner. Da haben wir auch sehr guten Zugriff auf die Experten und können auf Augenhöhe diskutieren. Und das geht auch in beide Richtungen, weil wir auch die Nähe zum Markt und zu den Use Cases haben und auch in die Implementierung gehen.
Dann haben wir sehr spezialisierte Partnerschaften wie die mit Sentian, die sich wirklich auch der Analyse und KI-Modell-Entwicklung für Produktionsprozesse verschrieben haben und extrem viel Know-how mit reinbringen und das zapfen wir auch gerne an. Wir sind da sehr reflektiert und sehen das nicht in unserer Kompetenz, dass wir da auf allen Bereichen die Experten sein können. Nur gemeinsam ist man da entsprechend stark.
Jetzt mit uns Kontakt aufnehmen | Pilotprojekte finden | Use Cases bewerben
Ing. Madeleine Mickeleit
Digital Business Development | IIoT
