Stellantis Goiana: DataOps e UNS per oltre 30 applicazioni di AI
Lo stabilimento Stellantis di Goiana, in Brasile, ha costruito un'architettura dati a due livelli basata su DataOps e Unified Namespace per supportare oltre 30 applicazioni di AI. Secondo quanto presentato, i tempi di integrazione sono scesi da mesi a settimane.
Il 26 ottobre 2026 IIoT World ha pubblicato un articolo che racconta come lo stabilimento Stellantis di Goiana, a Pernambuco (Brasile), abbia costruito un'architettura dati scalabile sopra l'infrastruttura Siemens esistente. Oggi l'architettura supporta più di 30 applicazioni di AI. Secondo il resoconto, i tempi di integrazione sono passati da mesi a settimane.
Una precisazione sulla fonte: l'articolo è sponsorizzato da HighByte (con la dicitura "Editorially Independent") e si basa su una sessione dell'Industrial AI Summit 2026, con relatori di HighByte e di Mekatronik. I risultati vanno quindi considerati come dichiarati dal fornitore. Non sono indicati costi né dettagli sulle singole applicazioni di AI.
Perché l'approccio a dashboard non basta più
Per anni i tag dei PLC hanno alimentato dashboard e analisi OEE. Con machine learning e digital twin le esigenze cambiano: servono più fonti, come database SQL, file CSV, immagini e video. Costruire un'integrazione dedicata per ogni applicazione, su centinaia di macchine, non scala.
La differenza, nella lettura proposta, è netta. L'architettura "da dashboard" usa calcoli specifici per applicazione e integrazioni manuali per linea e stabilimento. Quella "AI-ready" contestualizza i dati grezzi una sola volta per tutti i consumatori: il modello si costruisce una volta e si replica su linee e stabilimenti.
DataOps industriale e Unified Namespace
Secondo i relatori, il DataOps copre circa l'80% del lavoro di preparazione dei dati per l'AI: collegarsi alle fonti di reparto e aggiungere contesto. I dati contestualizzati vengono poi pubblicati tramite un Unified Namespace (UNS).
Aron Semle (HighByte) ha osservato che l'UNS è implementato in modi diversi: in un broker MQTT, in un data lake, in uno storico o in un server OPC UA. L'elemento comune non è la tecnologia, ma la coerenza e la contestualizzazione dei dati.
Il modello a due livelli di Goiana
L'architettura descritta si articola così:
- Livello inferiore: gestisce protocolli e formati di ciascuna macchina.
- Livello superiore: mappa i dati in un modello comune, così macchine con la stessa funzione su linee diverse producono le stesse strutture dati.
Il livello superiore ha richiesto più impegno. Trattandosi di manifattura discreta, non bastava associare un significato ai tag come nelle industrie di processo: il team ha dovuto modellare i pezzi che attraversano la linea, cioè operazioni, sequenze e materiali. Una volta funzionante su una linea, il modello arriva alla successiva molto più in fretta.
I dati PLC rappresentano circa l'80% del volume, ma il contesto decisivo arriva da distinta base, dettagli di prodotto e dati di ciclo.
Altri tempi di implementazione citati
Il resoconto riporta anche altri esempi, con la cautela che i tempi dipendono da processi, sistemi e documentazione di ogni sito:
- uno stabilimento di materie plastiche ha collegato le macchine e avviato il controllo statistico di processo in una settimana;
- un sito di processo con migliaia di tag su un altro sistema ha messo in funzione le prime applicazioni in poche settimane, mentre la migrazione completa ha richiesto alcuni mesi.
Il fornitore cita inoltre più di 400 siti in 25 paesi per il proprio software e un aumento della disponibilità meccanica da 70% a 95% in sei mesi presso Gousto. Quest'ultimo è un dato non verificato: l'articolo non spiega come sia stato misurato.
Cosa portarsi a casa
Il messaggio principale è che il collo di bottiglia è il modello dei dati, non il modello di AI. Per chi pianifica iniziative di AI in fabbrica, alcune indicazioni pratiche:
- definire un modello dati comune per funzioni equivalenti prima di moltiplicare i casi d'uso;
- nella manifattura discreta, includere nel modello operazioni, sequenze e materiali, non solo tag e unità;
- trattare l'UNS come un risultato (dati coerenti e contestualizzati), scegliendo la tecnologia in base al proprio contesto;
- validare su una linea, poi replicare, misurando i tempi reali di integrazione.
Restano da verificare, con dati indipendenti, costi e benefici delle singole applicazioni. L'esempio di Goiana resta comunque un utile riferimento su cosa un UNS debba coprire in un ambiente discreto.