סקירה - בקרת תהליך סטטיסטית

1. הקדמה: מדוע בכלל חשוב לשלוט בתהליכי הייצור?

לפני שנצלול להיסטוריה, חשוב להבין מדוע בקרת תהליכים תעשייתית (Industrial Process Control) היא מרכיב כה מרכזי בכל פעילות ייצור מודרנית.

• איכות מוצר עקבית: בין אם מדובר בצ’יפים לטלפונים סלולריים או בשלגונים, הלקוחות מצפים לקבל מוצר בעל מאפיינים אחידים. כל פגם קטן בתהליך עלול לגרום למכשיר תקול או לטעם לא מוכר.
• צמצום עלויות: ייצור לקוי גורם לפסילות מוצרים או לתקלות שיש לתקן מאוחר יותר. בזכות שיטות בקרה הדוקות, ניתן לאתר בזמן בעיות בתהליך הייצור ולחסוך עלויות תיקון או אובדן חומר גלם.
• בטיחות: מוצרים מסוימים - במיוחד בתעשיות המזון, התרופות והרכב - חייבים לעמוד בתקני בטיחות מחמירים. בקרת תהליכים מסייעת להבטיח שהמוצר הסופי בטוח לשימוש ואינו מהווה סיכון לציבור.
• קצב ייצור גבוה: כדי לעמוד בדרישות השוק, יש צורך בייצור המוני ומהיר. במקביל, יש להבטיח שלא יתרחשו יותר מדי תקלות שיצרו צווארי בקבוק והפסדים.

כלומר, חיינו המודרניים - עם כל הטכנולוגיות, השירותים והנוחות שהם מציעים - תלויים ביכולת שלנו לייצר במהירות ובאיכות גבוהה. ולכן, על אף שבקרת התהליכים עשויה להיתפס כתחום נישה, היא מהווה חלק אינטגרלי המבטיח שכל אותם מוצרים מגיעים אלינו בצורה עקבית ואמינה.

2. שנות ה - 90: בקרת איכות ידנית על בסיס תרשימי בקרה

2.1 עידן ה”נייר והעיפרון”

בסוף שנות ה - 80 ובתחילת שנות ה - 90 של המאה ה - 20, המחשוב בארגונים עדיין היה בחיתוליו. מערכות ERP וסנסורים דיגיטליים לא היו נפוצים, וקווי הייצור ברוב המפעלים בעולם פעלו עם מינימום אוטומציה. המשמעות הייתה שפעולות רבות התבססו על רישום ידני.

במפעלים לייצור מזון, למשל, יכולנו למצוא עובד שהתפקיד שלו הוא לעבור בין המכונות, להשגיח על טמפרטורות, לחצים או רמות נוזלים, ולרשום אותם בדף. לאחר שעתיים או שלוש, עובד אחר היה אוסף את הטפסים, מתרגם אותם לטבלת אקסל או לתרשימי בקרה ידניים, ומנתח אם יש חריגות. תהליך זה היה כרוך בלא מעט טעויות אנוש: החל מרישום מספר בצורה שגויה ועד העברה שגויה של הנתונים לטבלה.

2.2 עקרונות סטטיסטיים בסיסיים

על אף המגבלות, גם בשיטות הידניות הללו נעשה שימוש במודלים סטטיסטיים בסיסיים: תרשימי בקרת איכות קלאסיים (כגון תרשים X - Bar ו - R), כללי אצבע של Western Electric או שיטות דומות שפותחו על ידי W. Edwards Deming ו - Walter A. Shewhart במחצית הראשונה של המאה ה - 20. בעזרת תרשימים אלו עקבו אחרי פרמטרים קריטיים - למשל טמפרטורת התנור, עובי חומר הגלם, רמת לחות או משקל הפריט - וניסו לזהות דפוסי חריגה המאותתים על תקלה בתהליך.

היתרון המרכזי בגישה הזו היה שהיא סיפקה מסגרת עבודה מסודרת. במקום שכל עובד יחליט על דעת עצמו מה נחשב תקין ומה נחשב חריג, נוצרו נהלים ותהליכי בקרה מוגדרים. אם בשעה 10:00 הטמפרטורה חרגה מסטיית התקן המוגדרת, העובד ידע שעליו לעצור את המכונה או להזמין טכנאי בדחיפות.

2.3 המגבלות של התקופה

ברם, מערכת הבקרה הידנית התמודדה עם קשיים מהותיים:

1. זמן תגובה איטי: לוקח זמן לרשום נתונים, לאמת אותם, להעביר לטבלאות ולנתח ידנית. עד שמגלים חריגה חמורה, ייתכן שעברו שעות רבות, והמוצרים שכבר יוצרו באותו פרק זמן עלולים להיות פגומים.
2. טווח פרמטרים מצומצם: ברוב המקרים היה ניתן לעקוב ידנית אחרי 2–3 פרמטרים עיקריים בלבד (למשל טמפרטורה, לחות, pH), בעוד התהליך בפועל מושפע מעשרות ואף מאות פרמטרים.
3. רמת דיוק אנושית מוגבלת: טעויות בהקלדה, שגיאות חישוב, הנחות לא נכונות, הטיות אנושיות - כל אלה עלולות לגרום לדיווחים שגויים שיובילו לאבחון שגוי של בעיות או להתעלמות מבעיות אמיתיות.

למרות הכל, בקרה ידנית הייתה צעד ראשון וחשוב במיסוד הרעיון שכדאי לאסוף נתונים ולנתח אותם, ולא לסמוך רק על “תחושת בטן” של עובד ותיק. שיטות אלה אפשרו לתעשייה בשנות ה - 90 להתחיל להתנהל באופן ממוסד יותר, ואף להפיק תועלת מטכניקות סטטיסטיות בסיסיות.

3. ראשית עידן המחשוב: השלב שבו רשתות מחשבים החלו לחדור למפעלים

3.1 מהפכת ה - IT והשפעתה על בקרת תהליכים

החל מאמצע שנות ה - 90 ובייחוד בתחילת שנות ה - 2000, מחשבים אישיים הפכו זולים יותר, ורשתות מקומיות (LAN) החלו להופיע כמעט בכל מפעל בינוני וגדול. דורות חדשים של בקרי PLC (Programmable Logic Controllers) וסנסורים דיגיטליים החלו להחליף בהדרגה את הציוד האנלוגי. שדרוג זה הביא עימו שינוי דרמטי בשיטת איסוף הנתונים:

• רציפות ודגימה תכופה: במקום עובד שרושם מדידות כל שעה, הסנסורים דגמו נתונים בכל שניות או דקות אחדות ושידרו אותם ישירות למחשב מרכזי.
• ירידה בכמות טעויות האנוש: רוב המדידות בוצעו אוטומטית על ידי החיישנים, והוזנו למערכת מחשוב באופן רציף.
• כיסוי פרמטרים רחב יותר: התרחב מגוון הפרמטרים שניתן לנתר בו - זמנית, מאחר ולא היה עוד צורך בכוח אדם גדול שיתעד כל מדידה.

3.2 שימוש בסטטיסטיקה מתקדמת ו - SVM

במקביל לחדירת המחשוב, חלו התפתחויות גם באלגוריתמים סטטיסטיים ולמידת מכונה בסיסית. אחד האלגוריתמים הבולטים באותה תקופה היה Support Vector Machine (SVM), שאפשר לבצע סיווג (Classification) ועיבוד מידע מרובה ממדים (Multivariate) באופן יעיל. במפעלים גדולים, שבהם כל מכונה סיפקה עשרות פרמטרים בו - זמנית, נוצר לראשונה כלי ניתוח המסוגל לזהות דפוסים מורכבים בין רכיבים שונים של התהליך.

לדוגמה, אם בעבר היו מזהים רק מדדים משני רכיבים (תנור ומייבש) בנפרד, הרי שבשיטות מתקדמות ניתן היה לגלות שאינטראקציה משותפת של תנור מס’ 1 ומייבש מס’ 2 היא זו שגורמת לירידה באיכות. ממצא כזה היה קשה מאוד לאבחון ללא יכולות ניתוח סטטיסטיות וללא איסוף נתונים מרכזי.

3.3 פריצת הדרך: ניתוח מידע לאחור

אחת היכולות המשמעותיות שהגיעו עם העידן הדיגיטלי היא האפשרות לשמור כמות עצומה של נתונים, ולנתח אותם בזמן מאוחר יותר. במקום לגרוס טפסים ישנים, המידע כולו נשמר בבסיס נתונים ארגוני (SQL או NoSQL). מהלך זה אפשר “לחזור בזמן” ולבדוק אם הייתה התראה מוקדמת כלשהי לתקלה חמורה שהתגלתה מאוחר יותר. כך, ניתן לשפר את תהליכי הלמידה ולהבין לא רק מה קרה, אלא גם למה ואיך למנוע זאת בעתיד.

4. גידול בציפיות ובמורכבות: הופעת קווי ייצור גמישים

4.1 ייצור לא רק בהיקף גדול, אלא גם במגוון רחב

בשנים שלאחר מכן, עם הצמיחה בתחרות הגלובלית, חברות החלו לייצר מגוון רחב יותר של מוצרים על אותם קווי ייצור, כדי לענות לדרישות שוק דינמיות. לדוגמה, מפעל למוצרי חלב הריץ פס ייצור שייצר גבינות מסוגים שונים, יוגורטים, מעדנים ומשקאות באותו קו - רק עם התאמות קטנות ומעבר מהיר בין מוצרים.

גמישות זו הביאה אתגר חדש: אותו קו יכול לייצר מוצר A בבוקר ומוצר B בערב, וחייבים לעקוב אחר תצורת המכונות והפרמטרים באופן שיאפשר זיהוי מוקדם של בעיות. הדבר דרש מעקב רב - שכבתי: לא רק אחרי כל מכונה בנפרד, אלא גם אחרי רצף המעברים בין מצבי פעולה שונים, בין חומרי גלם שונים ומאפייני מוצר שונים.

4.2 עליית חשיבות הבקרה הסטטיסטית המתמשכת

מפעלים הבינו במהירות שאם הם רוצים לשמור על רמת אחידות גבוהה במוצרים, עליהם להשקיע יותר בבקרת איכות. כתוצאה מכך התפתחו שיטות מעמיקות יותר כגון:

• Six Sigma: מתודולוגיה המתמקדת בצמצום הווריאציה ומבוססת על עקרונות סטטיסטיים וכלי ניתוח חזקים, כולל DMAIC (Define, Measure, Analyze, Improve, Control).
• Lean Manufacturing: מתודולוגיה לצמצום בזבוזים וייעול תהליכים, כאשר חלק מהכלים שלה נוגעים גם לניטור שוטף ובקרה מתמשכת.
• SPC (Statistical Process Control) מודרני: שילוב שיטות סטטיסטיות מתקדמות בעזרת תוכנות ייעודיות, המאפשרות ניטור בזמן אמת והפקת דוחות מקיפים.

השקעות גדולות בטכנולוגיות אלו הניבו תוצאות כלכליות ניכרות, שכן כל שיפור של עשירית האחוז באיכות בייצור המוני עשוי לחסוך לחברה מיליוני דולרים בשנה.

5. העשור האחרון: מהפכת ה - AI ולמידת המכונה

5.1 מעבר לנתונים לא - מובנים וניטור הוליסטי

אחד המרכיבים הבולטים ב - 10–15 השנים האחרונות הוא היכולת לעבד מגוון עצום של נתונים, ולא רק נתונים מספריים. במפעלים החלו להופיע מצלמות באיכות גבוהה, חיישני קול (מיקרופונים), חיישני רעידות (Vibration Sensors), ואף מערכות אולטרסאונד ורנטגן לבדיקות לא הורסות (NDT – Non - Destructive Testing). מידע זה מוגדר כ”לא - מובנה” או “חצי - מובנה” מפני שהוא לא מגיע כטבלאות מספריות ברורות.

בנוסף, החלו לשלב דוחות תחזוקה או משובים תפעוליים המגיעים מצוות העובדים. לעיתים מידע כזה מגיע בצורת טקסט חופשי: “מכונה 3 נשמעת חורקת קצת יותר מהרגיל”; “נראה שהבצק דביק מדי בצד הימני של המערבל”. בעבר, היה קשה להכניס תצפיות כאלה לתוך מודל סטטיסטי, אך כיום - באמצעות אלגוריתמי NLP (עיבוד שפה טבעית) - ניתן לחלץ מהם אינדיקציות חשובות.

5.2 זיהוי בעיות לפני שהן מתרחשות בפועל

היישום של למידת מכונה ובינה מלאכותית בבקרת תהליכים מציע שני חידושים מהותיים:

1. Predictive Maintenance: זיהוי תקלות עוד בטרם הן מתרחשות. לדוגמה, על סמך דפוסי רעידות המנוע, המודל יכול להתריע שהמייסבים (Bearings) מתחילים להישחק, ולמנוע השבתה פתאומית.
2. אנליזה הוליסטית: במקום לבדוק כל מכונה לחוד, האלגוריתם רואה את כל קו הייצור כרצף אחד. אם מכונה מס’ 5 פועלת בקצב איטי, ייתכן שהדבר קשור ללחות במתקן האחסון שמזין אותה, או לתנאי עבודה של מכונה אחרת בהמשך הקו.

5.3 דוגמאות לשימוש ב - AI בשטח

• מפעלי מוליכים למחצה: בייצור שבבים, כל פגם באחד השלבים עלול לגרום לשבב להתקלקל, והעלות הכלכלית אדירה. מערכות AI מסייעות לנתח מאות או אלפי פרמטרים בו - זמנית (טמפרטורה, לחץ, רמות זיהום חלקיקים, מתחים חשמליים וכו’) ולהתריע על חריגות זעירות לפני שהן גורמות לנזק.
• מפעלים לייצור מזון: מצלמות תרמיות, רגישות צבעים וחיישני קול ממוקמים על פס הייצור כדי לזהות מוצרים שאינם אחידים. למשל, אם חברת גלידות רוצה שכל שלגון יהיה במשקל וברמת מוצקות זהה, האלגוריתם יכול לזהות תוך שניות חריגה קלה במשקל או במרקם, לפני שהשלגונים מגיעים לאריזה.
• תעשיית הרכב: שימוש במצלמות תלת - ממד ומערכות עיבוד תמונה לזיהוי פגמים בריתוכים או לצורך מדידות מדויקות של מרווחים בין רכיבים. AI עוזר ללמוד דפוסים של תקלות אופייניות ומתריע מוקדם יותר.

6. הגורם האנושי וצוותים רב - תחומיים

6.1 לא רק מכונות: מומחיות אנושית מרובת - תחומים

חשוב לזכור שבקרת תהליכים מתקדמת לא נשענת רק על טכנולוגיה. היא מצריכה צוותי עבודה מולטי דיסציפלינריים המבינים גם את הצד ההנדסי המכני (כיצד המכונה עובדת), גם את הצד הסטטיסטי (כיצד לנתח נתונים) וגם את הצד התוכנתי (כיצד לאסוף ולעבד מידע בעזרת כלי מחשוב ו - AI).

1. מהנדסי מכונות יודעים לזהות אם ערך טמפרטורה או לחץ מסוימים לא הגיוניים.
2. מהנדסי אלקטרוניקה מבינים איך הסנסורים מתחברים זה לזה, מה יכול להשתבש בחיווט, ואיך לוודא שהמידע נאסף נכונה.
3. כימאים או מומחים לחומרי גלם יודעים לפענח מדוע חומר ספציפי מגיב בצורה כזו או אחרת בתהליך מסוים.
4. מומחי תוכנה וביג דאטה מסייעים בבנייה נכונה של מסדי נתונים גדולים, בתכנון אלגוריתמים ללמידת מכונה, ובהטמעת תובנות על פס הייצור בזמן אמת.

בלי הרכבת ההון האנושי הזה, גם המערכות הטובות ביותר עלולות לקרוס או להתנהל בצורה לא אופטימלית.

6.2 שינוי התרבות הארגונית

ככל שהטכנולוגיה הופכת מרכזית יותר, יש צורך בתרבות ארגונית המעודדת גמישות וחדשנות. כבר לא מספיק להיות מומחה רק לתחום אחד, מכיוון שהמורכבות גבוהה, והבעיות המתגלעות כוללות היבטים מתחומים שונים. מפעלים שהצליחו לאמץ גישה הוליסטית לשיפור וייעול תהליכים - וגם שיתפו מידע בין מחלקות שונות (ייצור, IT, ניהול איכות, מחקר ופיתוח) - נהנו מעלייה דרמטית ביעילות ובאיכות.

7. אתגרי העתיד וטרנדים בבקרת תהליכים

7.1 מעבר לאוטומציה מלאה

עם יכולות AI הולכות וגוברות, לא מעט מפעלים שואפים למצב שבו אלגוריתמים יוכלו “לשלוט” כמעט במלוא התהליך ללא התערבות אנושית שוטפת - משמעות הדבר היא פסי ייצור אוטונומיים לחלוטין. מצד אחד, הדבר יכול לחסוך עלויות כוח אדם ולצמצם טעויות הנובעות מהגורם האנושי. מצד שני, צריך לזכור שמערכות AI עלולות לקבל החלטות שגויות במצבים שלא אומנו עליהם כראוי, ולכן התפקיד האנושי בבקרה לא עתיד להיעלם לחלוטין - הוא פשוט משנה צורה. בנוסף, מערכות “בינה מלאכותית יוצרת” יכולות לשמש כדי להציע תהליכי ייעול בקו היצור.

7.2 חיבור ל - IoT תעשייתי (IIoT) וענן

הצעד הבא בבקרה התעשייתית הוא הטמעת מערכות (IIoT – Industrial Internet of Things): כל מכונה, חיישן ורכיב ברצפת הייצור יהיו מקושרים לאינטרנט הארגוני ויוכלו להעביר נתונים ולתקשר זה עם זה. בענן (Cloud) יהיה ניתן לעבד נתונים בצורה מאוחדת, להריץ אלגוריתמים מורכבים של AI ולשלוח תוצאות בזמן אמת בחזרה למפעל.

כך, במקרה של זיהוי חריגה, ניתן מיד לשלוח פקודה לעצור מכונה או לשנות פרמטר כלשהו בקו הייצור, תוך פגיעה מינימלית בתפוקה. יתרה מזו, כלי Big Data בענן מסוגלים לנתח מידע היסטורי עצום (ייתכן שבמשך שנים) ולמצוא דפוסים לטווח ארוך שקשה מאוד להבחין בהם בזמן אמת.

7.3 אבטחת מידע וסייבר

אך עם כל החיבורים הללו מגיעים גם סיכונים חדשים: אבטחת מידע הפכה לסוגיה מרכזית, שכן התקפת סייבר על מערכות הבקרה יכולה להשבית מפעל שלם או אפילו לגרום לנזק בטיחותי. ככל שאנחנו מרשתים יותר מכונות ומאפשרים גישה מרחוק, כך אנו צריכים להשקיע באבטחת סייבר כדי למנוע פלישות זדוניות או שיבוש נתונים מכוון.

8. מה נדרש כדי ליישם בקרת תהליכים מודרנית?

8.1 תשתית חומרה ותוכנה

1. סנסורים איכותיים: ככל שהסנסורים שלנו מדויקים יותר (ומגיבים מהר יותר), כך נקבל נתונים איכותיים יותר.
2. בקרי PLC חכמים: בקרי לוגיקה הניתנים לתכנות, שיכולים לסנכרן בין מדידות מהמכונות השונות ולהעביר אותן לרשת.
3. רשת מחשבים אמינה: התקשורת בין מערכות חייבת להיות מהירה (Latency נמוך) כדי לאפשר בקרה בזמן אמת.
4. מערכות איסוף וניתוח נתונים (SCADA, MES): מערכות Supervisory Control And Data Acquisition או Manufacturing Execution System הן אלו שרואות את המפעל כולו ומנהלות את הסטטוס של כל מכונה.

8.2 כוח אדם מיומן ותהליכי עבודה מסודרים

• הכשרה מקצועית: מהנדסים וסטטיסטיקאים המכירים גם שפות תכנות וכלי Machine Learning.
• תהליכי ניהול שינוי: הטמעת שיטות ניתוח מתקדמות עלולה לייצר התנגדות מצד עובדים ותיקים שמעולם לא עבדו עם מערכות AI. ההנהלה צריכה לתמוך בתהליך ולהסביר את הערך הגלום בו.
• נהלי אבטחת מידע: הגנה מפני גורמים חיצוניים ופנימיים, והכנת תוכניות גיבוי למקרה של נפילת מערכת מרכזית.

9. סיכום: המסע מניירת ידנית ועד AI המנתח הכל

אם היינו חוזרים שלושים שנה אחורה, היינו מוצאים רצפת ייצור שמתקיימת לרוב על דוחות כתובים בכתב יד, תרשימי בקרה ידניים, וסטטיסטיקה בסיסית שחלקה מתבצעת בעזרת מחשב אחד ישן שעומד במחסן. בקצב האיטי ובגישת האד - הוק הזו, נקודת החוזק הייתה ביצירת מסגרת עבודה ראשונית ומוסדרת.

עם הזמן, ושילוב רשתות מחשבים ואלגוריתמים סטטיסטיים מתקדמים כמו SVM, החלו לזרום כמות אדירה של נתונים בצורה רציפה ואוטומטית. מפעלים הבינו שאם ישקיעו עוד במחלקות מו”פ (מחקר ופיתוח) ו - BI (בינה עסקית), הם יוכלו לשפר את האיכות, לצמצם עלויות ולזהות אינטראקציות מורכבות.

כיום, אנחנו בעיצומה של מהפכת ה - AI, שבה למידת מכונה, ראייה ממוחשבת, עיבוד שפה טבעית וחיישנים חכמים מאפשרים ניתוח הוליסטי בזמן אמת. לא עוד מעקב אחר מדדים ספורים, אלא גם וידאו, אודיו, רעידות, אפילו מידע “רך” המגיע מדיווחים אנושיים. המערכות מסוגלות לחזות תקלות בטרם הן מתרחשות, לכוון את הקו למקסימום יעילות ולהתריע בזמן אמת על דרכי שיפור.

המהפכה הזו נתמכת בצוותים מקצועיים רב - תחומיים - מהנדסי מכונות, אלקטרוניקה, תוכנה וכימיה - שעובדים יחד כדי לוודא שכל מכונה, חיישן ומודל סטטיסטי משרתים מטרה אחת: לספק תהליך ייצור עקבי, איכותי וחסכוני. ועם התפתחות נוספת של תחום ה - IIoT (האינטרנט התעשייתי של הדברים), אנחנו מתקרבים לעידן של מפעלים חכמים לגמרי.

הצצה לעתיד
בתקופה הקרובה אנו עשויים לראות עוד התפתחויות מרתקות: מפעלים אוטונומיים שבקושי זקוקים למגע יד אדם; חיבור בין מערכות תחזוקתיות למערכות מלאי, כך שכאשר אלגוריתם מבין שרצועת מסוע עומדת להישחק - הוא מזמין אוטומטית רצועה חדשה מהמחסן המרכזי; ניהול אנרגיה מיטבי בעזרת אלגוריתמים, שמשקללים את מחיר החשמל בכל שעה מול רמות הביקוש האמיתיות.

עם זאת, חשוב לזכור שדווקא ככל שהתהליכים הופכים מורכבים ואוטומטיים יותר, כך נדרש פיקוח של מומחים אנושיים שיודעים לאשש או להפריך ממצאים של המכונות, ומבינים את ההקשר התעשייתי הרחב. לא AI במקום האדם, אלא AI שמעצים את יכולות האדם, ומאפשר להתמודד עם מציאות מורכבת בשיטות מחקר ובקרה שלא היו אפשריות קודם.

בשורה התחתונה, ההיסטוריה הקצרה של שלושת העשורים האחרונים מראה לנו התפתחות ליניארית שנעה מנקודת פתיחה מוגבלת - ניירות, רישומים ידניים ושיטות סטטיסטיות בסיסיות - דרך עידן המחשוב ורשתות תקשורת, ועד לפריצה המטאורית של למידת מכונה ו - AI. בכל צעד כזה, יכולנו לעקוב אחרי יותר פרמטרים, בזמן קצר יותר ובאמינות גבוהה יותר. המפעלים שהשכילו לאמץ את השיטות הללו הפכו למובילים בשוק, לא רק בזכות שיפור האיכות אלא גם בזכות יתרון תחרותי ברור: יכולת להגיב במהירות לשינויים בשוק, לייעל תהליכים ולהשיק מוצרים חדשים בצורה מבוקרת ומהירה.

לסיום, אין ספק שהשינוי הבא כבר נמצא באופק, וייתכן שהוא קשור בבינה מלאכותית כללית יותר (AGI), רובוטים לומדים או טכנולוגיות קוונטיות שיאפשרו עיבוד בלתי מוגבל בזמן קצר. אך עד אז, אנחנו יכולים ליהנות מהפירות של המהפכה המתמשכת בבקרת תהליכים - מהפכה שהופכת את העולם שלנו ליעיל יותר, בטוח יותר, ועתיר מוצרים חדשניים ונגישים לכל.