OmniMES udostępnia endpoint MCP (Model Context Protocol) — most, przez który dowolny asystent AI rozmawia bezpośrednio z Twoim systemem produkcji. Pokazujemy krok po kroku, jak od pustego systemu dojść do gotowego dashboardu na fikcyjnym przykładzie zakładu mebli WOODCRAFT — bez interfejsu i bez jednej linijki SQL.
Czytaj więcej →
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 →
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 →
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 →
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 →
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 →
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 →
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 →
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 →
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 →
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 →
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 →
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 →
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 →
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 →
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 →
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 →
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 →
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 →
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 →
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 →