Diego Mallada, a digitalizációért felelős informatikai vezető irányítása alatt a Gestamp vezető szerepet tölt be a digitális hálózatok és az AI integrálásában az ellátási láncban. A Gestamp, a fém autóipari alkatrészek és karosszériaelemek szakértője, fejlett ipar 4.0 stratégiái révén forradalmasítja az autóipari ellátási lánc irányítását, hangsúlyt fektetve a szövetkezett hálózatokra és a kiváló adatminőségre.
Az autóipari logisztika számára a konnektivitás fogalma túllépett a hagyományos határain, ahol a digitális hálózatok az innováció és az együttműködés gerincévé váltak. Egyesek számára a konnektivitás fogalma egyszerűen a rendszerek összekapcsolását jelenti, de ez korlátozza a digitális hálózatokban rejlő valódi lehetőségek és az autóipari logisztika számára rejlő lehetőségek megértését. Az alkatrészgyártó Gestamp túllépett ezen.
A Gestamp a hálózatok alkalmazásait a következő logikai lépésig fejlesztve alkalmazza a szövetkezett hálózatokat, ahol a különálló hálózatok vagy helyszínek megosztják az erőforrásokat. A globális, szövetkezett szoftverkeret koncepciója elsősorban az emberekről szól Diego Mallada szerint, aki az Automotive Logisticsnak adott videóinterjúban beszélt erről.
Globális közösségeket hozunk létre – mondta. – Ezek a közösségek pedig az egyes technológiai területek szakértőiből állnak. E globális szövetségi hálózaton keresztül a Gestamp egy olyan világméretű digitális környezetet épít, ahol az összes operatív régió szakértői határok nélkül dolgoznak együtt. Egy vállalatnak például lehetnek olyan szakemberei Kínában, akiknek megvan a szakértelme ahhoz, hogy hozzájáruljanak a mobilalkalmazások létrehozásához. A hálózaton keresztül ezek a szakértők összekapcsolódnak a németországi, spanyolországi vagy potenciálisan bárhol máshol a világon lévő szakemberekkel.
Mallada szerint a szövetkezett hálózat egyfajta nyílt forráskódú közösség alapját képezi, amely lehetővé teszi a például a Gestamp számára, hogy a szaktudás minden területén fokozza a globális átképzést. Ennek a nyílt forráskódú közösségnek az alkalmazási lehetőségei szinte végtelenek. Emellett lehetővé teszi a bensőséges tapasztalatszerzést és munkát az egész globális üzemünkben, mert végső soron az ipar 4.0 stratégia a világ összes üzemének átalakításáról szól.
Ez az egyik oka annak is, hogy a Gestamp 2023-ban csatlakozott a Catena-X projekthez és elkötelezte magát a megbízható, biztonságos adatcsere mellett. A Gestamp és a Mallada számára a szövetségi hálózatok megvalósítása az autóipari logisztikában az emberek és a rendszerek fejlesztésének kulcsa.
Adatminőség és szemantika a digitális hálózatokban
A Gestampnak több mint 100 üzeme és számos hálózata van, így a felhasználható adatokból nincs hiány. A kérdés az, hogy hogyan történik ezeknek az adatoknak a rögzítése, értelmezése és végrehajtása az autóipari ellátási lánc menedzsment ipar 4.0 stratégiáinak javítása érdekében? Ahhoz, hogy a szövetkezett hálózat valóban megvalósulhasson, elengedhetetlen, hogy a Gestamp logisztikai adatai szabványosítottak és érthetőek legyenek az összes telephelyen. Az ellátási láncok adatminőségének és szabványosításának javítása kritikus fontosságú a globális autóipari ökoszisztéma szempontjából.
Mallada rámutatott, hogy az adatok szabványosítása nem könnyű feladat, de a Gestamp proaktívan dolgozik saját megoldásainak kifejlesztésén. Logisztikai szempontból például a vállalati erőforrás-tervezés (ERP) adatai nem vehetők figyelembe a tárgyak internetére (IoT) vonatkozó adatok, a felhő vagy bármely ipari folyamat szempontjai rovására, amelyek közül sokan különböző protokollokat használnak.
A Gestamp architektúrájának vannak olyan aspektusai is, amelyek valós idejűbbek, és közelebb működnek az ipari folyamatokhoz. – Különböző infrastruktúráink vannak – mondta -, így nem mindegyik van ugyanabban a fázisban. Ez azt jelenti, hogy az adatok szabványosítása a szemantikai homogenitás elérése érdekében minden rétegben megköveteli az ipari és adatkezelési szakértők együttműködését.
A globális tóház modellje
Egy másik kulcsfontosságú cél az adatok integrációjának és átláthatóságának további növelése a szélesebb ellátási láncban. Az interoperabilitást lehetővé tevő globális keretrendszer szoftvertervezéssel történő kiépítése mellett a Gestamp jelenleg egy globális tóház létrehozásán dolgozik az ellátási lánc adatai számára.
Mallada szerint ez a struktúra egy Venn-diagramon helyezkedik el a Gestamp adatszolgáltató irodája – az egyik oldalon – és a Gestamp csapatai, például az infrastrukturális csapat, a másik oldalon. Ez a modell segít a Gestampnak az osztályok közötti belső adatcserében és a potenciális adatsilók megszüntetésében.
– Így cserélünk adatokat az ellátási lánc többi tagjával is – közölte Mallada. – Az architektúra lehetővé teszi az ellátási lánc végponttól végpontig tartó ellenőrzését. Technikai szempontból általában nincs kapcsolat a valós idejű adatok és a késleltetett komponensek adatai között. Ez problémát jelenthet. A Gestamp azonban képes arra, hogy ezeket a nagyon nagy mennyiségű adatokat kötegelésben olvassa be, miközben robusztus adatkezelést és biztonságot valósít meg, lehetővé téve a digitális szinkronizációt, ami egy áramvonalas adatkörnyezetet eredményez – tette hozzá.
Az adatokkal összefüggésben a kiberbiztonság is fókuszba kerül. Mallada szerint a kiberbiztonság központi szerepet játszik a Gestamp teljes stratégiájában, egy szétválasztott ellátási lánc számos kockázatot és elveszett lehetőséget rejt magában. A digitális ellátási lánchálózatokban a kiberbiztonsági kihívások egyre nagyobb gondot jelentenek. Erre is megoldás például a Catena X. – Az IoT-ből származó adatok, például a gépekről gyűjtött adatok a teljes ipari folyamatról alkotott szélesebb képet táplálják, ami aztán megerősíti az adatminőséget és a szélesebb logisztikai térképet. Az alkatrészek azonosítóját a teljes folyamban nyomon tudjuk követni – mondta el.
Mesterséges intelligencia a hatékonyságért
A modern autóipari logisztikában azonban nem beszélhetünk adatokról anélkül, hogy ne beszélnénk a mesterséges intelligenciáról (MI). Mallada szerint az MI-algoritmusok fejlesztésére fordított idő hetven-nyolcvan százalékát az adatok előkészítésére és minőségellenőrzésére fordítják, és a Gestamp ugyanazt a stratégiát alkalmazza az MI esetében, mint a szoftverfejlesztésnél. – Gépi tanulási műveleteket, technológiákat és mesterséges intelligencia-életciklusokat használunk, amelyeket aztán a termelési rendszerekbe implementálunk – fejtette ki a szakember. – Azt is szeretnénk, ha üzemeink képesek lennének tanulni azoktól, amelyek a világ más részein jobban teljesítenek, mint említettük, ezért tovább folytatjuk az MI-modellek és algoritmusok képzését, amelyek segíthetnek ebben.
Az összekapcsolt ökoszisztéma, akárcsak egy természetes ökoszisztéma, nem statikus, így folyamatos fejlesztésre szorul. Mallada szerint fontos, hogy a rendszeren keresztül összekapcsolt közösségek folyamatosan cseréljenek adatokat.
