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 →
Okładka: Pilotażowe wdrożenie systemu MES – jak zacząć i dlaczego warto zrobić to etapami?
OmniMESMES SystemProdukcja

Pilotażowe wdrożenie systemu MES – jak zacząć i dlaczego warto zrobić to etapami?

Wdrożenie systemu MES rzadko zaczyna się od instalacji na całej produkcji. W praktyce najlepsze rezultaty przynosi podejście etapowe, w którym pierwszym krokiem jest pilotażowe wdrożenie systemu na wybranej linii lub obszarze produkcji. Takie podejście pozwala sprawdzić działanie rozwiązania w realnych warunkach, zebrać dane i dopasować konfigurację do potrzeb zakładu, zanim system zostanie rozszerzony na cały park maszynowy. Coraz więcej przedsiębiorstw decyduje się na pilotaż nie tylko ze względów technicznych, ale również organizacyjnych. MES wpływa na sposób pracy operatorów, kierowników produkcji, utrzymania ruchu i planowania, dlatego wdrożenie powinno być procesem kontrolowanym, a nie jednorazową instalacją.

Czytaj więcej →
Okładka: 2026: Rok, w którym Agentic AI zmienia przemysł produkcyjny
AIMESAGENT AI

2026: Rok, w którym Agentic AI zmienia przemysł produkcyjny

W globalnym przemyśle produkcyjnym coraz wyraźniej widać jedną prawidłowość: niestabilność przestała być czymś, na co można się przygotować — stała się środowiskiem, w którym firmy muszą codziennie funkcjonować. Organizacje mierzą się dziś jednocześnie z wieloma wyzwaniami: napięciami geopolitycznymi, zakłóceniami w łańcuchach dostaw, rosnącymi wymaganiami regulacyjnymi, oraz coraz większymi oczekiwaniami klientów. Każdy z tych czynników wpływa bezpośrednio na proces produkcyjny — od planowania po realizację. W takich warunkach firmy, które zbudowały solidne fundamenty cyfrowe, mają znaczącą przewagę konkurencyjną.

Czytaj więcej →
Okładka: AI w produkcji: problemem nie jest 90% trafności. Problemem jest brak danych.
AIMESOmniMES

AI w produkcji: problemem nie jest 90% trafności. Problemem jest brak danych.

AI w produkcji: problemem nie jest 90% trafności. Problemem jest brak danych. W dyskusjach o Przemyśle 4.0 i 5.0 bardzo często pojawia się argument, że modele AI osiągają około 90% trafności, a w środowisku przemysłowym nawet 10% błędu może oznaczać milionowe straty. Argument brzmi racjonalnie — operuje liczbami i odwołuje się do realnego ryzyka operacyjnego. Problem polega na tym, że ten argument zakłada istnienie w pełni zdigitalizowanej fabryki.

Czytaj więcej →
Okładka: Jak skomunikować starsze maszyny produkcyjne z systemem MES?
OmniMESMES SystemMESTechnologie MES

Jak skomunikować starsze maszyny produkcyjne z systemem MES?

W wielu zakładach produkcyjnych obok nowoczesnych linii pracują maszyny, które mają kilkanaście, a czasem nawet kilkadziesiąt lat. Choć często są one nadal sprawne mechanicznie i technologicznie, to ich największym ograniczeniem bywa brak komunikacji cyfrowej. W efekcie przedsiębiorstwa, które chcą wdrażać nowoczesne systemy MES, stają przed pytaniem: czy starsze urządzenia można skutecznie zintegrować z cyfrowym środowiskiem produkcji? Odpowiedź brzmi: tak — i co więcej, istnieje kilka sprawdzonych sposobów na ich podłączenie, które pozwalają uzyskać dane niezbędne do analizy efektywności i optymalizacji procesów.

Czytaj więcej →
Okładka: Fizyczna rewolucja AI: jak sieci napędzają erę inteligentnych maszyn
Digital TwinAIrobotics

Fizyczna rewolucja AI: jak sieci napędzają erę inteligentnych maszyn

Wyobraź sobie robota magazynowego przemieszczającego się z pełną prędkością między regałami, albo portowy żuraw precyzyjnie układający kontenery co do milimetra. To nie są maszyny działające według z góry napisanego skryptu – to systemy AI podejmujące decyzje w czasie rzeczywistym. Właśnie tak wygląda era Fizycznej AI. Fizyczna AI to inteligentne systemy zdolne do postrzegania, interpretowania i działania w prawdziwym świecie. Autonomiczne pojazdy nawigujące w miejskim ruchu, ramiona robotyczne składające komponenty z chirurgiczną precyzją, inteligentne sieci energetyczne reagujące w czasie rzeczywistym na zmiany obciążenia – to tylko kilka przykładów.

Czytaj więcej →
Okładka: Jak system MES zasila cyfrowego bliźniaka w NVIDIA Omniverse danymi produkcyjnymi
nvidiaomniverseOmniMESMES SystemMESOmniMES

Jak system MES zasila cyfrowego bliźniaka w NVIDIA Omniverse danymi produkcyjnymi

Cyfrowy bliźniak coraz częściej pojawia się w strategiach nowoczesnych fabryk. Symulacje procesów, wirtualne linie produkcyjne, testowanie scenariuszy bez ryzyka zatrzymania produkcji – to brzmi jak przyszłość przemysłu. Jednym z najbardziej rozpoznawalnych narzędzi w tym obszarze jest NVIDIA Omniverse. Problem zaczyna się w momencie, gdy cyfrowy bliźniak ma przestać być wizualizacją, a stać się odzwierciedleniem rzeczywistej produkcji. Do tego potrzebne są dane. I tu kluczową rolę odgrywa system klasy MES.

Czytaj więcej →
Okładka: Rewolucja AI w przemyśle: Przełomowe technologie stycznia 2026
AItechnologyindustryrobotics

Rewolucja AI w przemyśle: Przełomowe technologie stycznia 2026

Styczeń 2026 roku przyniósł kluczowy punkt zwrotny w rozwoju sztucznej inteligencji . AI ewoluuje z "interaktywnego narzędzia" do "fizycznej jednostki" zdolnej do fundamentalnej transformacji wszystkich sektorów przemysłowych, szczególnie produkcji . Fizyczne AI i era robotyki Jensen Huang, CEO NVIDIA, ogłosił na CES 2026, że "nadszedł moment ChatGPT w robotyce", sygnalizując masowe przejście AI z przestrzeni wirtualnej do świata fizycznego . NVIDIA wprowadziło serię otwartych modeli dla fizycznego AI, w tym modele "Cosmos" zdolne do rozumienia świata oraz tworzenia planów działania, a także Isaac GR00T N1.6 dedykowany robotom humanoidalnym . Nowy moduł Jetson T4000 z architekturą Blackwell oferuje czterokrotnie wyższą efektywność energetyczną i moc obliczeniową AI w porównaniu z poprzednią generacją, w cenie 1 999 USD (przy zamówieniu 1000 sztuk) . Globalne firmy takie jak Boston Dynamics, Caterpillar, Franka Robotics, LG Electronics i NEURA Robotics zaprezentowały nową generację robotów wykorzystujących technologie NVIDIA .

Czytaj więcej →
Okładka: Unijna regulacja danych przemysłowych: od przeszkody prawnej do klucza cyfrowej transformacji
UEMESOmniMESUNS

Unijna regulacja danych przemysłowych: od przeszkody prawnej do klucza cyfrowej transformacji

Unia Europejska słynie z wprowadzania restrykcyjnych regulacji, które często komplikują życie biznesowi. Tym razem jednak jest inaczej – nowe przepisy dotyczące dostępu do danych przemysłowych rozwiązują problem, który od lat hamował cyfryzację fabryk. Problem, który blokował transformację Producenci oprogramowania MES (Manufacturing Execution System) doskonale znają ten scenariusz: firma kupuje maszynę za miliony, ale nie może swobodnie pobierać z niej danych. Producent sprzętu albo technicznie blokuje dostęp, chroniąc swoje know-how, albo wymusza dodatkowe opłaty, a często narzuca własny system MES. To nie tylko kwestia techniczna. Brak standaryzacji protokołów komunikacyjnych to jedno, ale prawne bariery w dostępie do danych z własnych maszyn to zupełnie inna sprawa. Dla firm rozwijających rozwiązania oparte na AI problem jest fundamentalny – bez danych nie ma algorytmów, bez algorytmów nie ma inteligentnych fabryk.

Czytaj więcej →