Okładka: Digital Product Passport dla baterii: 5,5 miesiąca do 18 lutego 2027 — co polska fabryka musi mieć w MES, żeby zdążyć (wnioski z pierwszych pilotaży EU)
OmniMESUEDPP

Digital Product Passport dla baterii: 5,5 miesiąca do 18 lutego 2027 — co polska fabryka musi mieć w MES, żeby zdążyć (wnioski z pierwszych pilotaży EU)

18 lutego 2027 dla baterii przemysłowych powyżej 2 kWh i baterii pojazdów elektrycznych startuje obowiązek Digital Product Passport (rozporządzenie 2023/1542). Pięć i pół miesiąca to nie jest dużo czasu — dostawcy do OEM (Volkswagen, Stellantis, BMW) już od sierpnia 2026 zaczynają wymagać gotowości danych w MES od poddostawców. Artykuł zbiera co dokładnie musi znaleźć się w DPP, jaka jest rola MES w tej strukturze, jakie są wnioski z pierwszych 12 pilotaży EU (Battery Pass Consortium, Circulor/Volvo, ACC, Verkor), i konkretną roadmapę na 5,5 miesiąca dla polskiej fabryki baterii.

Czytaj więcej →
Okładka: BlackHat i DEF CON 2026: trzy nowe wektory ataku na MES i systemy OT — co polska fabryka musi wdrożyć w 30 dni
OmniMEScyberbezpieczenstwoit-otNIS2

BlackHat i DEF CON 2026: trzy nowe wektory ataku na MES i systemy OT — co polska fabryka musi wdrożyć w 30 dni

BlackHat USA 2026 (1–6 sierpnia) i DEF CON 33 (6–9 sierpnia) zamknęły najgorętsze dwa tygodnie roku dla ekspertów bezpieczeństwa przemysłowego. Trzy prezentacje realnie zmieniają mapę zagrożeń dla polskiego MES: zautomatyzowane włamanie do OPC UA przez zatrute certyfikaty, kradzież modelu AI z serwerów edge Jetson przez side-channel oraz atak łańcuchowy przez ekosystem otwartych bibliotek Python w środowisku SCADA. Artykuł rozbiera każdy z tych trzech wektorów bez marketingu, plus konkretną listę zmian które trzeba wdrożyć w ciągu 30 dni.

Czytaj więcej →
Okładka: AI Act w akcji: 15 dni po 2 sierpnia 2026 — co UODO i UOKiK faktycznie kontrolują w polskim MES
AIOmniMESUEAI Act

AI Act w akcji: 15 dni po 2 sierpnia 2026 — co UODO i UOKiK faktycznie kontrolują w polskim MES

2 sierpnia 2026 uruchomił się reżim egzekucji przepisów AI Act dla systemów wysokiego ryzyka. Piętnaście dni później mamy pierwsze dane z rynku: które dokumenty organy nadzoru w Polsce faktycznie sprawdzają, jak wygląda pierwsza fala wezwań do wyjaśnień, gdzie polskie fabryki potykają się najczęściej. Artykuł zbiera fakty z pierwszych dwóch tygodni obowiązywania Annex III w polskim przemyśle produkcyjnym — bez marketingu, z konkretnymi przypadkami i realną listą punktów, które MES musi mieć uporządkowane w pierwszej kolejności.

Czytaj więcej →
Okładka: Robot Foundation Models w fabryce: Pi-Zero, OpenVLA, GR00T N1.5 — koniec ery programowania robotów teach pendantem
AIroboticsPhysical AIOmniMES

Robot Foundation Models w fabryce: Pi-Zero, OpenVLA, GR00T N1.5 — koniec ery programowania robotów teach pendantem

Przez 50 lat robot przemysłowy uczył się jednego zadania przez programowanie trajektorii w teach pendant. W 2024–2026 pojawiły się trzy otwarte foundation models dla manipulacji robotycznej — Pi-Zero od Physical Intelligence, OpenVLA ze Stanford i GR00T N1.5 od NVIDIA — które obiecują koniec tej ery. Operator pokazuje robotowi co ma zrobić w VR/AR przez 5–10 demonstracji, model generyczny tłumaczy to na trajektorię w czasie rzeczywistym. Artykuł rozbiera, jak to dziś działa, gdzie wystarcza, a gdzie wciąż nie — plus realne implikacje dla integratorów MES w Polsce.

Czytaj więcej →
Okładka: Industrial data lake z Apache Iceberg + DuckDB + TimescaleDB: jak nowoczesny MES łączy hot, warm i cold storage
time-series dataTimescaleDBApache IcebergOmniMES

Industrial data lake z Apache Iceberg + DuckDB + TimescaleDB: jak nowoczesny MES łączy hot, warm i cold storage

TimescaleDB świetnie obsługuje dane czasowe z ostatnich 1–90 dni (hot), ale przy 5+ latach historii koszt SSD i RAM PostgreSQL rośnie szybciej niż wartość biznesowa. Apache Iceberg (table format dla data lake) plus DuckDB (lokalny silnik SQL) dają tańszą warstwę warm (90–730 dni) i cold (>2 lata) na S3 lub MinIO. Architektura 3-warstwowa redukuje koszt storage o 80–95% przy zachowaniu queryowalności. Artykuł pokazuje konkretnie jak to zbudować dla MES, gdzie są bariery, ile to kosztuje i jak migrować z monolitycznego TimescaleDB.

Czytaj więcej →
Okładka: CBAM dla eksporterów ze stali, aluminium i cementu: pierwszy raport definitive period 1 sierpnia 2026 — co MES + EMS musi liczyć
UEOmniMESCBAMEMS

CBAM dla eksporterów ze stali, aluminium i cementu: pierwszy raport definitive period 1 sierpnia 2026 — co MES + EMS musi liczyć

Definitive period CBAM startuje 1 stycznia 2026, a 1 sierpnia 2026 mija termin pierwszego okresowego raportu w nowym reżimie. Polskie firmy w sektorach stali, aluminium, cementu, nawozów, wodoru i energii — zarówno jako importerzy do UE, jak i eksporterzy do rynków wymagających carbon reporting — muszą zacząć liczyć embedded emissions per tonę produktu. Artykuł rozbiera bez wody: jakie dane z MES + EMS są źródłem, jak je mapować na PCF (ISO 14067), które narzędzia działają, ile to kosztuje, jakie są sankcje. Plus 6-tygodniowa roadmapa do deadline'u.

Czytaj więcej →
Okładka: TimescaleDB w OmniMES: jak hypertables PostgreSQL obsługują 200 mln pomiarów dziennie
time-series dataTimescaleDBPostgreSQLOmniMES

TimescaleDB w OmniMES: jak hypertables PostgreSQL obsługują 200 mln pomiarów dziennie

OmniMES używa TimescaleDB — rozszerzenia PostgreSQL z hypertables, kompresją i continuous aggregates — jako bazę danych dla danych czasowych z czujników przemysłowych. Architektura obsługuje 200 mln pomiarów dziennie, daje 95% kompresji storage i agregacje 200–800 ms. Artykuł opisuje koncept hypertables, architekturę stack'u OmniMES, continuous aggregates i konkretne liczby z produkcji.

Czytaj więcej →
Okładka: Computex 2026: 5 ogłoszeń NVIDIA/AMD/Intel, które zmienią MES w 2027 (GR00T N1.5, Cosmos, Omniverse Replicator)
AInvidiaOmniMESrobotics

Computex 2026: 5 ogłoszeń NVIDIA/AMD/Intel, które zmienią MES w 2027 (GR00T N1.5, Cosmos, Omniverse Replicator)

Keynote Jensena Huanga na Computexie 2026 (2 czerwca) trwał trzy godziny i był skoncentrowany na przemyśle — robotyce, AI factories i digital twins. AMD i Intel kontrowali tego samego dnia. Z perspektywy MES, pięć ogłoszeń realnie zmienia mapę technologiczną na 2027: GR00T N1.5 (robot foundation model), Cosmos 2.0 (world model do syntetycznych danych treningowych), nowy Omniverse Replicator, AMD Ryzen AI Max+ jako alternatywa dla Jetsona, oraz Intel Gaudi 3 dla edge inference. Artykuł rozbiera każde z nich z perspektywy realnego pipeline'u wdrożeniowego, nie marketingu.

Czytaj więcej →
Okładka: NIS2 i KSC2 w 2026: jak MES staje się elementem cyber-compliance polskiej fabryki
UEOmniMEScyberbezpieczenstwoNIS2

NIS2 i KSC2 w 2026: jak MES staje się elementem cyber-compliance polskiej fabryki

Polska nowelizacja ustawy KSC (transponująca dyrektywę NIS2) wchodzi w fazę realnej egzekucji w drugiej połowie 2026. Fabryki produkujące chemię, żywność, maszyny, motoryzację, elektronikę lub wyroby medyczne — jeżeli mają więcej niż 50 osób — są klasyfikowane jako „podmioty istotne" i podlegają pełnemu pakietowi obowiązków. Artykuł rozbiera 10 wymagań Art. 21 NIS2 z perspektywy MES: które funkcje już produkują dowody compliance, czego brakuje, jak każde zewnętrzne API (OpenAI, chmurowe LLM, SaaS MES) zwiększa powierzchnię audytową, i co konkretnie zrobić w pozostałych miesiącach 2026.

Czytaj więcej →
Okładka: Time-series Foundation Models w MES: czy TimesFM/Chronos/Moirai już biją własny XGBoost w predykcji awarii?
AItime-series dataXGBoostOmniMES

Time-series Foundation Models w MES: czy TimesFM/Chronos/Moirai już biją własny XGBoost w predykcji awarii?

Po dwóch latach od wypuszczenia pierwszych pretrained transformerów dla szeregów czasowych — TimesFM od Google, Chronos-Bolt od Amazona, Moirai-MoE od Salesforce'a — mamy realne odpowiedzi na pytanie, czy custom XGBoost dla predykcji awarii w MES da się wymienić na zero-shot foundation model. Artykuł rozbiera to bez wody: na czym te modele zostały trenowane, jaką jakość dają na realnych sensor data z kompresora, jakie są latencje na Jetson Orin i serwerze GPU, kiedy zero-shot wystarcza, a kiedy fine-tune jest konieczny — i co to znaczy dla 6-miesięcznych projektów ML w fabryce.

Czytaj więcej →
Okładka: Digital Product Passport (DPP) wchodzi do fabryki: ESPR i Battery Regulation 2027 — co MES musi umieć do lutego
UEOmniMESDPPMES System

Digital Product Passport (DPP) wchodzi do fabryki: ESPR i Battery Regulation 2027 — co MES musi umieć do lutego

18 lutego 2027 paszport baterii staje się obowiązkowy dla baterii EV, przemysłowych powyżej 2 kWh i LMT — pierwszy moment, w którym Digital Product Passport (DPP) z koncepcji unijnej zmienia się w konkretny wymóg produkcyjny. Dla MES oznacza to obowiązek wystawienia kilkunastu atrybutów per sztuka: pochodzenie surowców, ślad węglowy, zawartość recyklatu, batch ID, durability, dane o zdrowiu ogniwa. Artykuł rozbiera ESPR (2024/1781) i Battery Regulation (2023/1542) bez wody: które funkcje MES już to produkują, czego brakuje, jak architektonicznie podpiąć GS1 Digital Link, i co zrobić w pozostałych 9 miesiącach przed deadline'em.

Czytaj więcej →
Okładka: Lokalny RAG w fabryce: Phi-4 + sqlite-vec na Jetson Orin — asystent MES bez wycieku danych do chmury
AIAI localOmniMESData Security

Lokalny RAG w fabryce: Phi-4 + sqlite-vec na Jetson Orin — asystent MES bez wycieku danych do chmury

Po roku eksperymentów z GPT-4 i Claude w fabrykach wraca uczciwe pytanie: czy naprawdę musimy wysyłać dane procesowe do chmury, żeby mieć asystenta MES? W 2025–2026 odpowiedź to „nie". Phi-4 (14B, Microsoft, MIT) w kwantyzacji 4-bit mieści się w 8 GB VRAM, sqlite-vec daje wektorowe wyszukiwanie w jednym pliku bez serwera, a Jetson Orin NX/AGX dostarcza 100–275 TOPS na hali. Artykuł pokazuje konkretną architekturę, benchmarki tokenów na sekundę, roczny TCO vs OpenAI API i co to znaczy dla AI Act, NIS2 i utrzymania ruchu IT w zakładzie.

Czytaj więcej →
Okładka: EU AI Act, sierpień 2026: które funkcje MES kwalifikują się jako „high-risk AI" — i co to znaczy w praktyce
AIOmniMESUEAI Act

EU AI Act, sierpień 2026: które funkcje MES kwalifikują się jako „high-risk AI" — i co to znaczy w praktyce

2 sierpnia 2026 zaczynają obowiązywać przepisy AI Act dotyczące systemów wysokiego ryzyka. Część funkcji MES — predykcja awarii, monitoring operatorów, AI w kontroli jakości i wsparcie decyzji o przeniesieniach kadrowych — może zostać sklasyfikowana jako high-risk z karą do 15 mln EUR za naruszenia. Artykuł pokazuje konkretnie, które funkcje MES są pod regulacją (Annex I + Annex III), które prawie na pewno nie, jakie obowiązki musi spełnić deployer i provider, oraz co zrobić w pozostałych ~3 miesiącach.

Czytaj więcej →
Okładka: Model Context Protocol (MCP) — nowy standard integracji AI z systemami MES. Jak otworzyć dane produkcyjne dla agentów LLM bez vendor lock-inu
AIAGENT AIOmniMESMCP

Model Context Protocol (MCP) — nowy standard integracji AI z systemami MES. Jak otworzyć dane produkcyjne dla agentów LLM bez vendor lock-inu

Model Context Protocol (MCP), opublikowany przez Anthropic w listopadzie 2024 i przyjęty w 2025 przez OpenAI, Google i Microsoft, stał się de facto standardem łączenia agentów LLM z danymi i narzędziami zewnętrznymi. Dla świata MES oznacza to koniec ery integracji „każdy model osobno" — i początek architektury, w której fabryka wystawia swoje dane raz, a podpinają się do nich Claude, ChatGPT, Gemini i agenci własnej produkcji. Artykuł pokazuje, jak działa MCP, co warto eksponować z systemu MES, jak to zaprojektować bezpiecznie (lethal trifecta, IT/OT) i kiedy MCP po prostu nie ma sensu.

Czytaj więcej →
Okładka: Redash w OmniMES: dashboardy na MongoDB przez SQL i REST API
OmniMESData VisualizationredashmongoDb

Redash w OmniMES: dashboardy na MongoDB przez SQL i REST API

Jednym z częściej zadawanych pytań w projektach MES jest: jak zbudować dashboardy analityczne na danych, które żyją w MongoDB, bez przepisywania backendu do bazy SQL? W OmniMES używamy do tego Redash — z dwóch powodów. Po pierwsze, Redash potrafi konsumować REST API jako źródło danych. Po drugie, ma mechanizm Query Results, który pozwala pisać pełny SQL na wyniku dowolnego wcześniejszego zapytania. Efekt: dostajemy siłę SQL (JOIN, CTE, funkcje okienne) na danych z nierelacyjnej bazy, bez zmian w warstwie produkcyjnej. Artykuł pokazuje krok po kroku, jak to uruchomić — od konfiguracji Redasha, przez zapytanie do REST API OmniMES, po SQL wyliczający trend wibracji i wizualizację na dashboardzie.

Czytaj więcej →
Okładka: Od Przemysłu 4.0 do 5.0 — jak human-centric AI zmienia rolę operatora na hali produkcyjnej
AIindustry50przemysł50Smart Factory

Od Przemysłu 4.0 do 5.0 — jak human-centric AI zmienia rolę operatora na hali produkcyjnej

Przemysł 4.0 obiecywał "fabrykę bez ludzi". Komisja Europejska, WEF i coraz więcej producentów odpowiadają koncepcją Industry 5.0 — gdzie człowiek nie znika z hali, ale dostaje nowe narzędzia: cobota, AI asystenta, exoszkielet, rozszerzoną rzeczywistość. Operator 2026 roku to nie osoba podająca komponent, tylko przetwarzająca informacje, nadzorująca systemy i uczestnicząca w decyzjach. Artykuł pokazuje, czym różni się 4.0 od 5.0, jakie są dane rynkowe (BCG, McKinsey, EU Joint Research Centre), kto faktycznie wdraża human-centric AI (Bosch, Stellantis, Airbus), oraz jakie są bariery — zmęczenie kognitywne, zgodność z ISO 45001 i EU AI Act.

Czytaj więcej →
Okładka: Agentic AI w produkcji — jak autonomiczne agenty przejmują sterowanie fabryką w 2026
AIAGENT AIMESSmart Factory

Agentic AI w produkcji — jak autonomiczne agenty przejmują sterowanie fabryką w 2026

Agentic AI to kolejny etap po generatywnej AI. Agent nie tylko odpowiada na pytania, ale sam planuje zadania, uruchamia narzędzia, modyfikuje parametry linii produkcyjnej i raportuje wynik. W 2026 roku pierwsze fabryki zaczynają przekazywać agentom realne decyzje operacyjne — od harmonogramowania przez planowanie utrzymania ruchu po optymalizację zużycia energii. Artykuł pokazuje, czym różni się agent od klasycznego chatbota, które firmy wdrożyły agenty w produkcji, jakie są dane rynkowe Gartnera, McKinseya i Deloitte, oraz gdzie leżą realne bariery: kontrola, audytowalność i integracja z MES/ERP.

Czytaj więcej →
Okładka: Physical AI: roboty humanoidalne na hali produkcyjnej
AIroboticsSmart Factory

Physical AI: roboty humanoidalne na hali produkcyjnej

Humanoidalne roboty przestają być eksponatem z konferencji technologicznych, a zaczynają pojawiać się przy linii montażowej w BMW, Mercedes-Benz i w magazynach Amazona. Physical AI — warstwa oprogramowania, która pozwala maszynie rozumieć otoczenie fizyczne, podejmować decyzje i wykonywać zadania manipulacyjne — zmienia sposób, w jaki myślimy o automatyzacji produkcji. Artykuł pokazuje, gdzie w 2026 roku znajdujemy się z humanoidami w przemyśle, jakie są realne dane rynkowe, które firmy faktycznie wdrożyły te rozwiązania, oraz gdzie kończy się demo, a zaczyna produkcja.

Czytaj więcej →
Okładka: Agenci AI w Przemyśle 5.0: Od Automatyzacji do Autonomii
AGENT AIPrzemysł 5.0MES System

Agenci AI w Przemyśle 5.0: Od Automatyzacji do Autonomii

Agentyczne AI (agentic AI) wyznacza nowy etap rozwoju Przemysłu 4.0. Dotychczasowe systemy były głównie reaktywne — analizowały dane i wspierały decyzje człowieka. Dziś pojawia się nowy paradygmat: autonomiczne „agenty”, które samodzielnie podejmują decyzje, optymalizują procesy i adaptują się do zmian w czasie rzeczywistym. W nowoczesnych fabrykach systemy te integrują się z MES, IIoT oraz ERP, tworząc środowiska typu self-optimizing. Maszyny nie czekają już na polecenia — identyfikują problemy, przewidują zdarzenia i reagują zanim wpłyną one na produkcję.

Czytaj więcej →
Okładka: Dlaczego dane z produkcji nie są wiarygodne? Najczęstsze błędy w raportowaniu i jak rozwiązuje je MES
Dane produkcyjneOmnnimesMES System

Dlaczego dane z produkcji nie są wiarygodne? Najczęstsze błędy w raportowaniu i jak rozwiązuje je MES

W nowoczesnym przemyśle dane stały się jednym z najważniejszych zasobów przedsiębiorstwa. To właśnie na ich podstawie podejmowane są decyzje dotyczące planowania produkcji, optymalizacji kosztów, inwestycji w maszyny czy organizacji pracy. Nie bez powodu mówi się dziś, że dane są paliwem Przemysłu 4.0. Problem polega jednak na tym, że w wielu zakładach produkcyjnych dane wcale nie są tak wiarygodne, jak mogłoby się wydawać. Raporty nie zgadzają się z rzeczywistością, wyniki OEE są trudne do porównania, a informacje o przestojach czy wydajności często powstają na podstawie ręcznych zapisów. W efekcie przedsiębiorstwo podejmuje decyzje w oparciu o niepełny lub zniekształcony obraz sytuacji. Dlatego jednym z pierwszych kroków w kierunku Przemysłu 4.0 jest uporządkowanie sposobu zbierania danych i wdrożenie systemu MES, który zapewnia ich spójność, aktualność i wiarygodność.

Czytaj więcej →