Każda fabryka generuje dane. Nie każda wie, co z nimi zrobić. AI zaczyna tę lukę zamykać, a ThingWorx jest miejscem, w którym dzieje się to na hali produkcyjnej. Rozmowa, którą przeprowadzili Ayush Tiwari, odpowiedzialny za zarządzanie produktem ThingWorx w Velotic, i Adam Gąsiorek, CTO i współwłaściciel Transition Technologies PSC, nagrana podczas Hannover Messe 2026. Rozmawiają o tym, o co producenci naprawdę pytają, kiedy przychodzi do AI, jak klient z branży półprzewodników odkrył ukryte problemy jakościowe w danych, które wszyscy spisali na straty jako szum, i czego trzeba, żeby zbudować działającego copilota produkcyjnego w kilka dni.

Kontekst: okrągły stół na Hannover Messe 2026

Poniższa rozmowa odbyła się na Hannover Messe 2026, podczas zamkniętej sesji okrągłego stołu, którą współprowadziliśmy z Velotic Software: „Your AI wishlist when the data does not fight back”. Tym razem TT PSC dołączyło nie tylko jako uczestnik, ale jako współgospodarz. Wielkie podziękowania dla Velotic Software za zaproszenie i dla Ayusha Tiwariego za to, że do tego doprowadził.

Sesja zebrała czołowych producentów, żeby szczerze porozmawiać o tym, gdzie AI naprawdę pomaga na hali, a gdzie się zacina. TT PSC pokazało dwa konkretne przykłady:

  • MFG Copilot, zbudowany na ThingWorx® od Velotic™, agentowy interfejs do rozumienia produkcji i zarządzania nią w czasie rzeczywistym.
  • Predykcyjna analiza jakości, łącząca ThingWorx® AIoT, przemysłowe strumienie danych i AI, żeby wychwycić wczesne sygnały jakościowe ukryte w tym, co operatorzy zwykle traktują jako „szum rozruchowy”, na długo zanim problem stanie się widoczny na poziomie SPC (statystycznej kontroli procesu) albo u klienta.

Wewnątrz demo: MFG Copilot w akcji

Przypadek użycia, o którym mówi Adam, pokazany na żywo.

Żeby pokazać producentom, jak to wygląda w praktyce, przeszliśmy przez krótkie demo MFG Copilota, agenta AI wspierającego decyzje w czasie rzeczywistym na hali produkcyjnej.

Zaczyna się od najprostszego z możliwych pytań: „Co się dzieje na produkcji?” Od tego momentu agent pokazuje ryzyka, sygnalizuje problemy i pozwala zejść do konkretnej linii. Za tą jedną odpowiedzią stoi połączenie danych z kilku źródeł naraz: telemetrii maszyn, zdarzeń i systemów operacyjnych, zamienionych w jeden czytelny obraz, na którym da się działać.

W scenariuszu agent wykrywa problem na stanowisku spawalniczym. Analizuje dane z poziomu maszyny, wskazuje przyczyny źródłowe, przegrzewanie i nadmierne drgania, oraz ocenia wpływ na produkcję i na materiały. Na koniec generuje rekomendowane działania i przypisuje odpowiedzialności, żeby właściwa osoba mogła zareagować szybciej i z lepszym kontekstem.

To jest zmiana warta odnotowania: to nie jest wizualizacja danych. To interaktywny, napędzany AI interfejs do rozumienia środowiska przemysłowego i zarządzania nim. Różnica między czytaniem o problemie a przeprowadzeniem przez niego, zrozumieniem go i działaniem na wskazanych przyczynach źródłowych oraz skutkach.

Najważniejsze wnioski

  • AI nie zmienia celów biznesowych. Producenci przy okrągłym stole nadal gonili za dostępnością, jakością i produktywnością pracowników. AI jest warstwą, która to umożliwia, a nie celem samym w sobie.
  • Najcenniejsze dane to często te, na które nikt nie patrzy. W przypadku półprzewodników niemodelowane sygnały z wczesnej fazy procesu przez cały czas zawierały przyczynę źródłową problemów jakościowych.
  • Działającego copilota produkcyjnego da się zbudować w dni, nie w miesiące. Platforma orkiestracji AI w ThingWorx daje partnerom takim jak TT PSC gotowe klocki do szybkiego działania.
  • Język naturalny zmienia to, kto może działać na danych. Kiedy operator może zapytać linię produkcyjną tak, jak zapytałby kolegę, dystans między danymi a decyzją się skraca.

Co to oznacza dla Ciebie

Przypadek z branży półprzewodników z tego wywiadu nie jest wyjątkiem. Większość producentów siedzi na danych procesowych, których nigdy do końca nie przepytała. Narzędzia, żeby to zrobić, już istnieją, a bariera rzadko jest techniczna. Jeśli mierzysz się z powtarzającymi się problemami jakościowymi, niewyjaśnionymi stratami uzysku albo dashboardem, na podstawie którego nikt nie działa, punktem wyjścia jest rozmowa o Twoich danych, a nie wieloletni program transformacji.

Twoje dane produkcyjne już mają odpowiedź. Znajdźmy ją.
Zamieniamy dane przemysłowe w decyzje. Porozmawiajmy o Twoim przypadku.
Omów swój przypadek

TT PSC jest autoryzowanym partnerem Velotic i certyfikowanym integratorem Kepware, dostarczającym rozwiązania z zakresu komunikacji przemysłowej i AI w całej Europie. Partnerstwo łączy technologie ThingWorx i Kepware od Velotic z kompetencjami inżynierskimi TT PSC, żeby pomóc producentom zamienić dane operacyjne w mierzalne efekty.

Zapis rozmowy: AI na hali produkcyjnej

Ayush Tiwari

Nazywam się Ayush Tiwari. Kieruję zarządzaniem produktem ThingWorx. Jest ze mną Adam. Adam, przedstawisz się?

Adam Gąsiorek

Jasne. Witam. Nazywam się Adam Gąsiorek. Jestem CTO i współwłaścicielem Transition Technologies PSC. Pomagamy klientom cyfryzować procesy i rozwiązywać problemy biznesowe przy pomocy nowych technologii, takich jak rzeczywistość rozszerzona, sztuczna inteligencja i chmura obliczeniowa.

Ayush Tiwari

Świetnie. Niedawno zorganizowaliśmy dyskusję przy okrągłym stole z czołowymi producentami, żeby zrozumieć ich przypadki użycia AI i wyzwania przy ich wdrażaniu. To była bardzo dobra sesja i chcielibyśmy podzielić się szczegółami.

Adam jest jednym z naszych czołowych partnerów, którzy wdrażają technologię Velotic, konkretnie ThingWorx i Kepware, w rozwiązaniach dla klientów. Adam, opowiesz o przypadkach użycia AI, które usłyszeliśmy, i o demonstracji, którą pokazałeś dla jednego z najważniejszych zastosowań, czyli predykcyjnej analizy jakości?

Adam Gąsiorek

Jasne. Przede wszystkim dziękuję za możliwość współprowadzenia sesji. Dla mnie to była świetna zabawa i świetne doświadczenie, móc usiąść razem z producentami, zapytać, jakie mają wyzwania, jak widzą znaczenie danych w rozwiązywaniu problemów produkcyjnych, a także podzielić się pomysłami z naszej strony, jak pragmatycznie podejść do optymalizacji procesów i wygenerować pozytywny efekt w skali zakładu, linii produkcyjnej oraz pojedynczego pracownika.

Ayush Tiwari

To jest kluczowe. I jak usłyszeliśmy bardzo wyraźnie, AI jest technologią, która coś umożliwia, ale cele biznesowe pozostają te same. Nasi klienci szukali wysokiej dostępności aktywów, wysokiej jakości, oszczędności kosztów i produktywności pracowników. Produktywność pracowników była jednym z najczęstszych przypadków użycia. Opowiesz trochę o predykcyjnej analizie jakości, którą zbudowaliście na możliwościach AI w ThingWorx?

ThingWorx uruchomił funkcję AI, która jest platformą orkiestracji AI, a nasi klienci i partnerzy tacy jak Ty budują na niej agentów AI i rozwiązują konkretne przypadki użycia klientów. Powiedz trochę o tym przypadku, który zademonstrowałeś producentom biorącym udział w sesji.

Adam Gąsiorek

Oczywiście. To doskonały przykład tego, jak dane postrzegane początkowo jako chaotyczny zbiór bitów i bajtów można wykorzystać do znalezienia przyczyn źródłowych możliwej niskiej jakości w partiach produkcyjnych.

To jeden z moich ulubionych przykładów zastosowania sztucznej inteligencji, bo doskonale pokazuje, że kwestionowanie status quo prowadzi do korzyści, do wyników, do rozwiązania problemu.

Opiszę krótko, na czym polegał problem.

Ayush Tiwari

Proszę bardzo.

Adam Gąsiorek

Nasz klient pochodzi z branży półprzewodników i mierzył się z reklamacjami oraz zwrotami produktów, mimo bardzo złożonych i solidnych kontroli jakości w cleanroomach. A mimo to zostały nieodkryte możliwości poprawy procesu. Dane wydawały się niewystarczająco ustrukturyzowane i zamodelowane, żeby znaleźć przyczyny źródłowe.

Podeszliśmy do tego nieco inaczej. Zaproponowaliśmy, żeby przyjrzeć się niemodelowanym sygnałom z początkowej fazy procesów, czemuś, co było postrzegane jako szum, jako chaos. I odkryliśmy, na podstawie analizy danych historycznych oraz zastosowania różnych technik uczenia maszynowego, że możemy ze stuprocentową dokładnością wskazać przyczyny źródłowe: konkretne parametry procesu filtrowania substancji chemicznych w tej nieodkrytej fazie procesu. Coś, co początkowo uchodziło za dane bezużyteczne.

Ayush Tiwari

Świetnie. Możliwości wdrożeniowe AI, które daje ThingWorx, są ogromne. Dobrze było zobaczyć copilota produkcyjnego, którego zbudowaliście w dwa dni, i to, że byliśmy gotowi z demonstracją dla klientów, żeby pokazać im, co jest możliwe. Powiedzmy trochę o tym copilocie produkcyjnym.

Adam Gąsiorek

Jasne. To świetny przykład tego, jak można patrzeć na AI jak na mnożnik. To mnożnik efektywności i produktywności. Przy podejściu copilotowym przechodzimy od prostej wizualizacji i dashboardów na kolejny poziom. Możesz rozmawiać ze swoimi danymi. Możesz używać języka naturalnego. Możesz zadawać wiele pytań, które normalnie zajęłyby czas.

Oczywiście pozwalają na to dane czytelne maszynowo. Ale te copiloty, te interakcje oparte na agentach, dają wrażenie rozmowy z kierownikiem produkcji, który doradza, jaki może być status linii produkcyjnej, która maszyna pracuje poniżej normy, co może być przyczyną lub przyczynami i jaki może być następny krok.

To zamienia dane w informację, w informację, na której da się działać, tak że możesz zareagować od razu. Działanie na danych jest celem posiadania możliwości AI w ThingWorx.

Ayush Tiwari

Dokładnie. Świetnie.