AI/ML 
Rozwój oprogramowania 
Sztuczna inteligencja w przemyśle motoryzacyjnym niesie realny potencjał , ale też realne ryzyko, gdy wdrażana jest bez wystarczającego nadzoru. W czerwcu 2026 r. Ford publicznie przyznał się do błędu: firma za bardzo uwierzyła, że AI i automatyzacja same z siebie poprawią jakość samochodów, ograniczając rolę doświadczonych inżynierów jakości. Według Eurostatu, wśród firm w UE, które rozważały wdrożenie AI, ale z niego zrezygnowały, najczęściej wskazywaną przeszkodą był brak odpowiednich kompetencji, a w dalszej kolejności niejasność konsekwencji prawnych i obawy o ochronę danych — nie sama dostępność technologii. VM.PL projektuje systemy AI dla dostawców Tier-1/Tier-2 i średnich producentów motoryzacyjnych z human-in-the-loop jako standardem: od kontroli jakości i analizy danych produkcyjnych, przez wsparcie prewencji recall i FMEA, po narzędzia testowe i walidacyjne wspierające projekty związane z ADAS poziomu 1 i 2.
Gdzie AI daje największą dźwignię w automotive — i kto z tego korzysta?
VM.PL koncentruje się świadomie na dostawcach Tier-1/Tier-2 i średnich producentach — segmencie, w którym systemy AI od dużych OEM-ów rzadko są dostępne, a potencjał oszczędności jest równie realny.
| Obszar AI | Rozwiązanie VM.PL (Tier-1/Tier-2 + MŚP) | Poza zakresem VM.PL |
| Kontrola jakości | Computer vision: defekty lakieru, spoiny spawalnicze, luzy montażowe w czasie rzeczywistym | Wewnętrzne systemy liniowe dużych OEM-ów |
| Predictive maintenance | Monitoring maszyn oparty na ML, integracja wielu sterowników PLC za pomocą autorskiego OPC Gateway VM.PL, modele LSTM i Isolation Forest | Wewnętrzne platformy IoT OEM-ów |
| Wsparcie rozwoju ADAS L1-2 | Oprogramowanie wspierające, narzędzia testowe i walidacyjne oraz rozwiązania analityczne dla projektów ADAS | Embedded C/C++ dla sterowników samochodowych oraz oprogramowanie bezpośrednio sterujące funkcjami pojazdu. |
| After-sales / NLP | Chatbot dealerski oparty na LLM, asystent konfiguracji pojazdu | Wewnętrzne portale OEM-ów |
Jak VM.PL wspiera prewencję recall, FMEA i analizę przyczyn źródłowych?
Wycofanie pojazdu z rynku należy do najkosztowniejszych zdarzeń, jakie może doświadczyć producent lub dostawca motoryzacyjny — koszty bezpośrednie (naprawa, logistyka, komunikacja) i pośrednie (utrata reputacji, spadek sprzedaży) mogą sięgać dziesiątek, a przy dużych seriach nawet setek milionów euro, zależnie od wielkości serii i typu wady. AI wykrywa systematyczne źródła błędów, zanim staną się widoczne w terenie.
Systematyczna korelacja błędów to pierwszy z czterech filarów tej prewencji: ML analizuje jednocześnie dane jakościowe z linii produkcyjnych, audyty dostawców, bazy reklamacji gwarancyjnych i zgłoszenia z terenu, identyfikując wzorce wskazujące na błąd systematyczny, zanim krytyczna liczba egzemplarzy trafi do klientów — klasyczne, ręczne procesy FMEA wykrywają te korelacje zwykle zbyt późno. Wsparcie FMEA oparte na AI idzie o krok dalej: model NLP analizuje historyczne raporty błędów, reklamacje gwarancyjne i protokoły kontrolne, generując ustrukturyzowane wpisy FMEA dla nowych komponentów na bazie historii porównywalnych części. Liczba priorytetu ryzyka (RPZ) jest tu tylko sugestią modelu — zatwierdza ją zawsze inżynier FMEA, nigdy odwrotnie. Monitoring jakości w czasie rzeczywistym domyka ten obraz od strony produkcyjnej: system computer vision nadzoruje ciągle wskaźnik błędów per zmiana, linia i partia dostawcy, a statystycznie istotne odchylenia od średniej kroczącej automatycznie wyzwalają alert jakościowy, więc analiza przyczyn zaczyna się natychmiast, nie po zakończeniu zmiany. Czwarty element, model predykcji kosztów gwarancyjnych, prognozuje na bazie danych produkcyjnych i wczesnych awarii w terenie koszty gwarancyjne dla konkretnej partii produktu — pozwala to na wcześniejsze tworzenie rezerw finansowych i celowane działania prewencyjne zamiast reaktywnego ograniczania szkód.
Jak VM.PL wspiera testowanie i walidację rozwiązań ADAS poziomu 1–2?
VM.PL tworzy oprogramowanie wspierające, narzędzia walidacji testowej oraz rozwiązania analityczne dla projektów związanych z ADAS poziomu 1 i 2. Zakres prac nie obejmuje tworzenia oprogramowania układowego embedded C/C++ sterowników samochodowych ani kodu bezpośrednio sterującego funkcjami pojazdu.
Zakres obejmuje trzy obszary. W obszarze ADAS VM.PL może wspierać przygotowanie środowisk testowych, analizę danych, generowanie przypadków testowych, automatyzację testów oraz walidację wyników działania systemu. Narzędzia mogą wspomagać testowanie takich funkcji jak utrzymanie pasa ruchu, adaptacyjny tempomat czy asystent parkowania, ale nie stanowią pokładowego oprogramowania sterującego tymi funkcjami. Testy safety-critical zgodne z ISO 26262 korzystają z generowania przypadków testowych wspomaganego AI — zwiększa to pokrycie testowe przy jednoczesnej redukcji nakładu manualnego, z pełną identyfikowalnością od wymagania przez przypadek testowy po wynik testu. NLP w obsłudze posprzedażowej zamyka trzeci obszar: dedykowany model LLM może wspierać chatbota dealerskiego w umawianiu wizyt, wstępnej klasyfikacji usterek, konfiguracji pojazdu i udzielaniu wsparcia technicznego. W wariancie on-premise model działa lokalnie z wykorzystaniem Ollama lub vLLM, dzięki czemu dane klientów B2B, pojazdów i zgłoszeń serwisowych nie opuszczają infrastruktury firmy. Alternatywnie rozwiązanie może wykorzystywać Azure OpenAI zabezpieczone przez Private Endpoint, bez publicznego dostępu do usługi.
Zgodność z ISO 26262: W projektach powiązanych z ADAS narzędzia testowe i dokumentacja mogą zostać dostosowane do procesu bezpieczeństwa funkcjonalnego prowadzonego przez klienta. VM.PL wspiera identyfikowalność między wymaganiami, przypadkami testowymi i wynikami, natomiast klasyfikacja ASIL, Safety Case oraz formalne potwierdzenie zgodności z ISO 26262 pozostają po stronie producenta lub podmiotu odpowiedzialnego za dany komponent.
ISO 26262 klasyfikuje ryzyko funkcjonalne w czterech poziomach ASIL (Automotive Safety Integrity Level) — im wyższy poziom, tym bardziej rygorystyczne wymogi weryfikacji i dokumentacji:
| Poziom ASIL | Przykładowa funkcja | Charakter wymogów |
| ASIL A (najniższe ryzyko) | Sterowanie oświetleniem wnętrza | Podstawowa dokumentacja procesowa |
| ASIL B (średnie ryzyko) | Kamera cofania | Rozszerzona weryfikacja i testy |
| ASIL C (wysokie ryzyko) | ABS, poduszki powietrzne | Rygorystyczna identyfikowalność, human-in-the-loop |
| ASIL D (najwyższe ryzyko) | Elektryczne wspomaganie kierownicy (EPS), automatyczne hamowanie awaryjne (AEB) | Najwyższy poziom weryfikacji, pełna dokumentacja Safety-Case |
Norma ISO 26262 (2. edycja, 2018) jest motoryzacyjną adaptacją ogólnej normy bezpieczeństwa funkcjonalnego IEC 61508 i obejmuje obecnie również półprzewodniki motoryzacyjne. Współdziała z ASPICE (framework oceny dojrzałości procesów) i wytycznymi MISRA (standardy kodowania C/C++) — te trzy standardy razem tworzą pełny framework bezpieczeństwa, jakości procesowej i niezawodności kodu w rozwoju oprogramowania motoryzacyjnego. ASPICE odnosi się do jakości i dojrzałości procesu wytwarzania, natomiast ISO 26262 do bezpieczeństwa funkcjonalnego. Narzędzia dostarczane przez VM.PL mogą wspierać procesy klienta prowadzone zgodnie z obydwoma standardami, ale nie zastępują wymaganej oceny, dokumentacji ani formalnego potwierdzenia zgodności po stronie producenta lub dostawcy odpowiedzialnego za komponent.
Czy VM.PL tworzy oprogramowanie sterujące funkcjami ADAS?
Nie. VM.PL nie tworzy oprogramowania układowego embedded C/C++ dla sterowników samochodowych ani kodu bezpośrednio sterującego funkcjami pojazdu. Firma dostarcza systemy enterprise, rozwiązania computer vision stosowane na liniach produkcyjnych oraz narzędzia wspierające testowanie, analizę danych i walidację projektów związanych z ADAS poziomu 1 i 2.
Jak VM.PL wspiera supply chain i scoring ryzyka dostawców w automotive?
Zakłócenia łańcucha dostaw należą do najkosztowniejszych ryzyk operacyjnych w automotive — złożoność rośnie wraz z transformacją elektromobilną, ryzykiem geopolitycznym i zmiennością cen surowców. Klasyczne planowanie oparte na ERP reaguje; systemy ML prognozują.
Scoring ryzyka dostawców otwiera listę czterech zastosowań: model ML ocenia każdego aktywnego dostawcę w sposób ciągły na bazie historii terminowości dostaw, wyników audytów jakościowych, wskaźników finansowych i zewnętrznych sygnałów ryzyka takich jak geopolityka czy ceny surowców, a wynik ryzyka z uzasadnieniem SHAP dla każdego czynnika osobno daje przejrzystą podstawę decyzji sourcingowych zamiast czarnej skrzynki. Prognoza zatorów dostawczych korzysta z modelu LSTM analizującego historyczne dane dostaw i wolumeny zamówień — prognozuje prawdopodobieństwo zatoru dla krytycznych komponentów z wyprzedzeniem 4–8 tygodni, co pozwala na wcześniejsze zamówienie lub alternatywne źródło zamiast awaryjnych zakupów w ostatniej chwili. Kontrola jakości wejściowej działa inaczej: system computer vision automatycznie sprawdza przychodzące części od dostawców pod kątem wymiarów i jakości powierzchni, a dostawcy o podwyższonym ryzyku otrzymują automatycznie wyższą częstotliwość kontroli — pełna kontrola ustępuje miejsca podejściu opartemu na ryzyku. Optymalizacja zapasów zamyka listę: ML prognozuje zużycie materiału na poziomie komponentu z uwzględnieniem programu produkcyjnego, sezonowości i wiarygodności dostawcy, dzięki czemu zapas bezpieczeństwa dostosowuje się dynamicznie per dostawca i komponent, zamiast opierać się ryczałtowo na statycznych formułach EOQ.
Jak VM.PL wykorzystuje cyfrowe bliźniaki w produkcji automotive?
Cyfrowy bliźniak wzbogacony o AI daje w automotive dwie konkretne korzyści: modele computer vision można trenować na syntetycznych zdjęciach rzadkich defektów (np. specyficzne pęknięcia spoin czy uszkodzenia lakieru), zanim wystąpi ich wystarczająca liczba w rzeczywistych danych; a scenariusze awarii można symulować bez zatrzymywania linii produkcyjnej. Pełniejszy opis koncepcji cyfrowego bliźniaka w kontekście przemysłowym — w tym rozróżnienie cyfrowego cienia od pełnego bliźniaka — znajdziesz w artykule o AI w przemyśle.
Jak VM.PL wspiera procesy jakościowe prowadzone zgodnie z IATF 16949?
IATF 16949 to międzynarodowa norma zarządzania jakością dla produkcji motoryzacyjnej, łącząca ISO 9001 z wymogami specyficznymi dla branży (APQP, PPAP, FMEA, MSA, SPC) — obowiązkowa w praktyce w łańcuchu dostaw większości producentów OEM.
VM.PL rozwija systemy AI, które mogą zostać włączone do procesów jakościowych klienta prowadzonych zgodnie z IATF 16949. Rozwiązania mogą zapewniać identyfikowalność wyników modelu, rejestrowanie klasyfikacji i ślad audytowy. W przypadku systemów computer vision mogą również dostarczać dane wspierające analizę systemu pomiarowego MSA. Dokładny zakres dokumentacji, walidacji i odpowiedzialności jest ustalany dla konkretnego projektu.
IATF 16949 obejmuje dziś ponad 65 000 certyfikowanych dostawców na świecie i wymaga integracji pięciu tzw. core tools z systemem zarządzania jakością: APQP (Advanced Product Quality Planning) — fazowy framework planowania nowej części, od planu przez projekt i walidację po uruchomienie produkcji; PPAP (Production Part Approval Process) — pakiet dowodowy (wyniki wymiarowe, badania zdolności procesu, wyniki laboratoryjne, plan kontroli) potwierdzający klientowi, że proces jest gotowy do produkcji seryjnej — bez zatwierdzonego PPAP nie ma wysyłek; FMEA — ustrukturyzowane poszukiwanie potencjalnych błędów projektu lub procesu, ocenianych wg dotkliwości, częstości i wykrywalności; MSA (Measurement System Analysis) — analiza, czy system pomiarowy sam w sobie jest wystarczająco dokładny i powtarzalny, żeby zaufać jego wynikom; SPC (Statistical Process Control) — statystyczna kontrola procesu na bazie kart kontrolnych, wykrywająca odchylenia zanim staną się defektem.
VM.PL integruje AI z tymi pięcioma narzędziami, nie obok nich: system computer vision dostarcza dane wejściowe do SPC i MSA, a wsparcie FMEA oparte na AI, przyspiesza tworzenie wpisów APQP dla nowych komponentów bez naruszania wymogu ludzkiej weryfikacji.
Ile kosztuje AI w automotive — ROI i break-even dla Tier-1/Tier-2?
Projekty AI w automotive amortyzują się przez trzy kanały jednocześnie: wyższa wydajność dzięki wczesnemu wykrywaniu defektów, niższe koszty utrzymania dzięki predictive maintenance i mniejszy nakład testowy dzięki automatyzacji testów wspomaganej AI.
| Kanał oszczędności / blok kosztowy | Opis | Typowy rząd wielkości |
| Kontrola jakości (computer vision) | Wcześniejsze wykrycie wadliwych części — spada braki i poprawki; niższe ryzyko recall | Wskaźnik braków typowo 1–5% ręcznie vs. poniżej 0,3% z AI; jeden zapobieżony recall oszczędza wielokrotność kosztu projektu |
| Predictive maintenance | Unikane minuty nieplanowanego przestoju; zaostrzone interwały serwisowe tylko tam, gdzie potrzebne | Koszt przestoju linii automotive: 10 000–50 000 zł/h |
| Automatyzacja testów | AI generuje przypadki testowe i zwiększa pokrycie — spada nakład manualny; krótszy czas wejścia na rynek | Redukcja nakładu testowego dla komponentów ADAS — konkretna wartość zależy od dojrzałości istniejącej automatyzacji |
| Discovery + Definition | Analiza wymogów ISO, audyt danych sensorowych, planowanie architektury — Go/No-Go przed główną inwestycją | Najniższy blok |
| Delivery + Direction | Model ML, integracja, testy, monitoring — skaluje się ze złożonością i poziomem wymogów ISO | Break-even przy computer vision typowo 8–18 miesięcy; przy predictive maintenance 12–24 miesiące |
Czym VM.PL różni się od innych dostawców AI dla automotive?
VM.PL łączy głębię compliance (IATF 16949, ISO 26262, ASPICE) z pragmatycznym, nieprzewymiarowanym podejściem dla dostawców Tier-1/Tier-2 — segmentu rzadko obsługiwanego przez rozwiązania projektowane dla dużych OEM-ów. Human-in-the-loop jest standardem w procesach, w których wynik modelu wpływa na ocenę ryzyka, zgodność lub decyzję o istotnych konsekwencjach. Przykładowo liczba priorytetu ryzyka sugerowana w ramach FMEA jest zawsze zatwierdzana przez inżyniera. W systemach kontroli jakości zakres automatyzacji i wymagane punkty zatwierdzenia są ustalane z klientem odpowiednio do ryzyka procesu. Zakres kompetencji jest jasno wyznaczony: VM.PL dostarcza systemy enterprise, rozwiązania computer vision dla procesów produkcyjnych oraz narzędzia analityczne, testowe i walidacyjne wspierające projekty ADAS. Nie tworzy embedded software bezpośrednio sterującego pojazdem. Rozwiązania mogą zostać włączone w procesy jakościowe i walidacyjne klienta prowadzone zgodnie z IATF 16949, ISO 26262 lub ASPICE.
Jak wygląda proces wdrożenia (4D)?
| Faza | Aktywności | Rezultat | Czas trwania |
| Discovery | Analiza wymogów ISO/IATF, audyt danych sensorowych/jakościowych, ocena RODO, modelowanie ROI | Concept Document (Go/No-Go) | 1–3 tygodnie |
| Definition | Architektura ML, plan zgodności (ISO 26262/IATF), projekt integracji, Architecture Blueprint | Architecture Blueprint | 1–2 tygodnie |
| Delivery | Rozwój ML, integracja, testy przez Azure Pipelines, dokumentacja zgodności, odbiór | Produkcyjny system AI | 8–20 tygodni, zależnie od złożoności i poziomu wymogów ISO |
| Direction | aktualizacje | Roadmapa rozwoju | ciągle |
Computer vision do kontroli jakości jest zwykle produkcyjny w 6–13 tygodni — Projekty narzędzi testowych wykorzystywanych w procesach objętych ISO 26262 mogą wymagać dłuższej fazy Delivery ze względu na wymagania klienta dotyczące identyfikowalności, dokumentacji i walidacji.