Η SPREAD, μια νεοσύστατη εταιρεία μηχανικής νοημοσύνης για σύνθετα μηχανοτρονικά προϊόντα, ανακοίνωσε σήμερα την ολοκλήρωση του γύρου χρηματοδότησης Σειράς Α ύψους 14,6 εκατομμυρίων ευρώ, υπό την ηγεσία της HV Capital και με τη συμμετοχή των υφιστάμενων επενδυτών Cavalry Ventures. Ο γύρος προσέλκυσε επίσης επενδυτές-άγγελους τον Dylan Field, συνιδρυτή και διευθύνοντα σύμβουλο της Figma, τους ιδρυτές του μονόκερου logistics Sennder και τον ιδρυτή της Summit Partners Walter Kortschak.
Η SPREAD θα χρησιμοποιήσει τα νέα κεφάλαια για να επεκτείνει τις πρώτες της επιτυχίες εκτός της αυτοκινητοβιομηχανίας σε νέες αγορές. Η νεοσύστατη επιχείρηση με έδρα το Βερολίνο θα αναπτύξει τις δυνατότητες της πλατφόρμας και θα επεκτείνει την εμβέλεια του δικτύου Engineering Intelligence Network. Η τεχνολογία της SPREAD δίνει νόημα σε πολύπλοκα προϊόντα, όπως αυτοκίνητα, αεροσκάφη και βαριά μηχανήματα, για να εκδημοκρατίσει τη γνώση της μηχανικής.
Ο Robert Göbel, διευθύνων σύμβουλος της SPREAD, ο οποίος ίδρυσε την εταιρεία το 2019 μαζί με τον Philipp Noll, δήλωσε “Η αποστολή της SPREAD είναι να καταστήσει τις πληροφορίες για τα προϊόντα εύκολα προσβάσιμες & εφαρμόσιμες για όλους. Είδαμε ότι οι μηχανικοί ξοδεύουν το 70% του χρόνου τους αναζητώντας χειροκίνητα πληροφορίες για προϊόντα. Χρειάζονται αυτές τις πληροφορίες για να εργαστούν στο δικό τους κομμάτι του παζλ και να βεβαιωθούν ότι ταιριάζει στη συνολική εικόνα. Αν αναλογιστείτε την τεράστια προσπάθεια που καταβάλλεται για τη χειροκίνητη δημιουργία αυτής της κατανόησης του πλαισίου, είναι αξιοσημείωτο ότι οι μηχανικοί μπορούν να κάνουν τόσο καινοτόμα και πολύπλοκα προϊόντα να λειτουργούν.”
Για την αντιμετώπιση αυτού του προβλήματος, η SPREAD δημιούργησε ένα μέσο για τη μηχανική νοημοσύνη – ένα στρώμα πληροφοριών που συνδέει και τυποποιεί όλες τις πηγές δεδομένων προϊόντων, ώστε να βοηθήσει τους χιλιάδες ανθρώπους που εργάζονται σε ένα προϊόν να λαμβάνουν γρήγορα και διαισθητικά τις πληροφορίες που χρειάζονται.
Ο Philipp Noll, συνιδρυτής και διευθύνων σύμβουλος της SPREAD, εξήγησε: “Το Engineering Intelligence Network είναι το κλειδί για την κατανόηση του τρόπου λειτουργίας ενός προϊόντος στο σύνολό του. Οι μηχανικοί επωφελούνται μαζικά από αυτή τη συνολική εικόνα. Τους δίνουμε πίσω τον χρόνο τους, ώστε να μπορούν να επιλύουν πολύπλοκες προκλήσεις ταχύτερα από ό,τι πριν”.
Οι κατασκευαστές πολύπλοκων μηχανοτρονικών προϊόντων δαπανούν δισεκατομμύρια για να αποτρέψουν καθυστερήσεις στην κυκλοφορία προϊόντων, αστοχίες, σπατάλες υλικών και ανακλήσεις. Αυτό προκύπτει από ένα κατακερματισμένο τοπίο εργαλείων που προκαλεί την απομόνωση ή τη δύσκολη πρόσβαση σε βασικές πληροφορίες μηχανικής. Το Engineering Intelligence Network της SPREAD συνδυάζει όλες τις ξεχωριστές πηγές πληροφοριών σε μια ενιαία λύση λογισμικού.
Για τέτοιες εταιρείες, η SPREAD έχει ήδη αναπτύξει περιπτώσεις χρήσης για την αντιμετώπιση διαφόρων ειδικών προκλήσεων της μηχανικής – από την ανάπτυξη έως την κατασκευή και τη συντήρηση. Σε ένα πραγματικό παράδειγμα από την Ε&Α, η SPREAD εντόπισε ότι οι μηχανικοί θα μπορούσαν να μειώσουν το βάρος της καλωδίωσης του οχήματος κατά 1 kg χωρίς να επηρεαστεί η ασφάλεια ή η λειτουργικότητα. Λαμβάνοντας υπόψη περίπου 80 εκατομμύρια οχήματα που θα παραχθούν το 2021, η κλιμάκωση αυτού του δυναμικού σημαίνει εξοικονόμηση 2,73 δισεκατομμυρίων κιλών CO2 ετησίως.
Η πολυπλοκότητα των ηλεκτρονικών και του λογισμικού αυξάνεται τόσο γρήγορα που οι συμβατικές προσεγγίσεις, όπως η προσθήκη περισσότερου χρόνου, προϋπολογισμού και μηχανικού δυναμικού, δεν επαρκούν. Τα εργαλεία που χρησιμοποιούνται σήμερα – ψηφιακά δίδυμα, συστήματα PLM, AML, PDM κ.λπ. – δεν είναι σε θέση να συλλάβουν την πολυπλοκότητα του συστήματος στο σύνολό του.
Οι ευφυείς αλγόριθμοι του SPREAD κατανοούν την αλληλεπίδραση των τομέων της μηχανικής, της ηλεκτρονικής και του λογισμικού. Ο συνδυασμός αυτών με πληροφορίες σχετικά με τις απαιτήσεις, τις λειτουργίες, τη λογική και τη φυσική ενός προϊόντος δίνει στους μηχανικούς πρωτοφανείς γνώσεις σχετικά με ένα προϊόν που μπορεί να κλιμακωθεί μαζί με την πολυπλοκότητά του. Το SPREAD συνδυάζει τα υπάρχοντα δεδομένα σε όλους τους τομείς της μηχανικής για να δημιουργήσει πρωτοφανείς γνώσεις που οδηγούν σε μεγέθη βελτίωσης σε ολόκληρο τον κύκλο ζωής του προϊόντος.
