Lider Przemysłu — anomaly detection dla produkcji seryjnej (projekt w toku)

Kontekst

Klient to polski lider produkcji seryjnej z zakładem produkcyjnym w Polsce centralnej. W obszarze produkcyjnym pracuje 50 osób rozproszonych między cztery linie technologiczne. Każda z linii ma własne SCADA legacy zbudowane przez trzech różnych dostawców w ciągu ostatnich 10 lat — typowy ogon technologiczny średniej polskiej firmy produkcyjnej, w której decyzje narzędziowe podejmowano w cyklach kapitałowych, nie architektonicznych.

Zakład pracuje non-stop w cyklu trzyzmianowym. Wariant Audytu AiP zakontraktowany przez zarząd: Growth Platinum. Współpraca podzielona na dwie fazy — Audyt AiP (3 miesiące, zakończony) oraz QDeployment Performance (14 miesięcy build, w trakcie realizacji). Go-Live ostatniej linii planowany na 2026 Q3.

Zarząd przyszedł do nas z konkretnym pytaniem biznesowym, nie z pytaniem technologicznym: dlaczego TDC zakładu utrzymuje się na poziomie 71% mimo kolejnych modernizacji sprzętowych i gdzie konkretnie tracone są punkty wydajności. Odpowiedź na to pytanie wymagała audytu, nie wdrożenia, dlatego współpraca otworzyła się od Growth Platinum, a nie od QDeployment.

Wyzwanie

Diagnoza Audytu AiP pokazała cztery wzajemnie powiązane problemy, których kosztu zarząd wcześniej nie agregował.

Problem pierwszy — anomalie wykrywane post-factum z opóźnieniem 4–8 godzin. Operator z linii zauważał spadek precyzji w trakcie zmiany, zatrzymywał partię, a wtedy partia była już do odpisu. Strata jednostkowa: 8–40 tysięcy złotych w zależności od skali partii.

Problem drugi — brak centralnej diagnozy root-cause. Dwie zmiany potrafiły dojść do różnych wniosków o tym samym defekcie, decyzje korekcyjne podejmował majster „na czuja” w oparciu o doświadczenie zmianowe, nie o dane. Każdy taki rozjazd kosztował kolejne 2–3 partie zanim hipoteza się weryfikowała.

Problem trzeci — TDC (Throughput-to-Defect Coefficient) raportowany agregatowo dla całego zakładu na poziomie 71%. Zarząd nie wiedział, w którym etapie procesu punkty są tracone. Brak dekompozycji TDC per linia uniemożliwiał racjonalną alokację CAPEX-u modernizacyjnego.

Problem czwarty — integracje SCADA → ERP były batch nightly z 12-godzinnym opóźnieniem, a reporting kwartalny dla zarządu pisany ręcznie przez inżyniera procesu w ciągu trzech dni przed prezentacją.

Pierwsze trzy tygodnie Audytu AiP ujawniły liczbę, która domknęła rozmowę o wariancie Performance: 63% czasu inżyniera procesu szło na ręczne korelowanie eventów SCADA z parametrami partii — czyli na pracę, którą algorytm potrafi wykonać w sekundach. To była ta jedna metryka, która przekonała zarząd do kontraktu na Growth Platinum z natychmiastową ścieżką do QDeployment Performance dla wszystkich czterech procesów priorytetowych.

Podejście

01 — Audyt AiP Growth Platinum (3 miesiące, zakończony). Process Mining na logach SCADA, ERP i MES z 12 miesięcy historycznych. Activity-Based Costing dla czterech procesów priorytetowych. Cross-check przez dwóch niezależnych audytorów (standard Platinum, kontrasygnata wymagana). Wynik audytu: cztery procesy do automatyzacji, projektowane NPV per proces 270–1080 tysięcy złotych, projektowany payback 5,8–17,2 miesiąca, kontrasygnata zarządu na wariant Performance dla wszystkich czterech procesów w jednym kontrakcie.

02 — Architektura multi-cloud, multi-model (1 miesiąc, zaprojektowana). Pierwsza decyzja architektoniczna, która zaoszczędzi klientowi miliony — nie unifikujemy SCADA. Trzy vendorów legacy zostaje jako data sources, dokładamy event-stream layer ponad nimi. AWS Bedrock plus Anthropic Claude do anomaly detection na ciągach czasowych — model trenowany na 18 miesiącach historycznych danych, fine-tune na sygnatury defektów charakterystyczne dla tego portfolio. Google Vertex AI plus Gemini 3.1 Pro do generowania root-cause hypotheses z kontekstem warunków procesowych. Integracja z legacy SCADA przez OPC UA bridge plus custom MQTT broker. Compliance: AWS DPF oraz EU-US SCCs, dane wrażliwe zostają w VPC klienta, fine-tune modelu prowadzony offline.

03 — QDeployment Performance build (10 miesięcy, w trakcie). Faza pierwsza (5 miesięcy) — pilot na jednej linii, event-stream plus anomaly detection plus dashboard operatorski. Aktualnie w fazie UAT linii pilotowej. Faza druga (5 miesięcy) — rollout do pozostałych trzech linii plus root-cause engine plus zautomatyzowany reporting kwartalny dla zarządu. Gate A po Audycie (kontrasygnata na architekturę — zaliczony), Gate B po pilotażu (kryteria akceptacji TDC na linii pilotowej — w toku), Gate C po UAT linii pierwszej (zielone światło na rollout — planowany Q3 2026).

04 — Hypercare 3 tygodnie i handoff QCare Performance (planowane Q3 2026). SLA TRL 9 — system w pełnej produkcji, nie w pilotażu. Po Go-Live ostatniej linii trzy tygodnie intensywnego hypercare z dedykowanym SRE pod-em i daily standups. Tygodnie 20–24 post-Go-Live: handoff do QCare Performance subskrypcji.

Stack

Multi-cloud, multi-model w pełni produkcyjny — zaprojektowany w fazie 02, obecnie w buildzie:

• AWS Bedrock (eu-central-1) plus Anthropic Claude — real-time anomaly detection na event-stream SCADA
• Google Vertex AI plus Gemini 3.1 Pro — root-cause hypothesis generation z 4-vendor kontekstem
• OPC UA bridge plus MQTT broker (custom) — integracja trzech vendorów SCADA
• Snowflake (eu-central-1) — data warehouse, 18 miesięcy retention
• Looker Studio plus custom dashboards — operatorski (per-linia) plus zarządczy (kwartalny ROI)
• NVIDIA Inception Program — dostęp do prewersji modeli optymalizowanych pod time-series
• Compliance: AWS DPF plus EU-US SCCs, dane wrażliwe zostają w VPC klienta, anomaly model fine-tune offline

Każdy element stacku ma uzasadnienie w dokumentacji ADR (Architecture Decision Records) z odrzuconymi alternatywami i kosztem zmiany — to standardowy deliverable QDeployment, nie dodatek.

Projektowane efekty

Liczby z audytu — wartości policzone w fazie 01 (Audyt AiP Growth Platinum) jako podstawa kontraktu QDeployment Performance. Do weryfikacji w cyklu 90 dni post-Go-Live, raport kwartalny w ramach QCare.

Metryka	Pre-wdrożenie	Projektowany cel	Delta
TDC (Throughput-to-Defect Coefficient)	71%	89%	+18 p.p.
Roczne korzyści ukryte w powtarzalnych procesach	—	712 000 zł	—
Inwestycja jednorazowa (Audyt + QDeployment)	—	575 000 zł	—
Projektowany payback	—	≈14 mies.	—
Godziny uwolnione w zespole (rocznie)	—	2 592 h	≈ 1,3 FTE
Anomalie wykrywane real-time	0%	87%	+87 p.p.
Czas wykrycia anomalii	4–8 h	<8 min	-98%
Czas reportingu kwartalnego	3 dni	4 h	-94%
Partie odrzucone (rocznie)	142	38	-73%

Liczba 712 000 zł rocznych korzyści ukrytych w powtarzalnych procesach to suma z czterech procesów objętych kontraktem QDeployment. Najgrubsza pozycja to projektowana eliminacja partii odrzuconych — anomaly detection real-time wytnie około 104 partie rocznie po średniej cenie 13 tysięcy złotych za partię, co daje 1,35 mln zł brutto, czyli netto około 685 000 zł po uwzględnieniu kosztu modeli i utrzymania platformy. Pozostałe 27 000 zł to projektowana oszczędność z kwartalnego reportingu — trzy dni inżyniera procesu razy cztery kwartały razy stawka pełnokosztowa.

Co dalej

Po Go-Live wszystkich czterech linii i okresie hypercare (planowany Q3 2026) projekt przechodzi do QCare Performance subskrypcji — operacyjna warstwa utrzymaniowa z SLA, kwartalnym raportem ROI i 12-miesięcznym cyklem renegocjacji. Wartości z tabeli powyżej będą weryfikowane w pierwszym cyklu raportowym 90 dni post-Go-Live.