市場調査に戻る
グラーツを拠点とするSSI SchäferグループのSupplyBrain GmbHは、倉庫設備の監視、保全計画、マテリアルフローのシミュレーション用ソフトウェアを開発する。Linkageはエッジ機器から業務データを収集し、Predictive Maintenanceは設備状態を分析し、Digital Twinは倉庫のボトルネック、保管位置、人員配置の判断を支援する。1 4
サプライチェーン総合評価:3.8/10
| 評価軸 | 評点 |
|---|---|
| サプライチェーンへの理解の深さ | 4.4/10 |
| 意思決定と最適化の実質 | 4.0/10 |
| 製品とアーキテクチャの整合性 | 4.2/10 |
| 技術的透明性 | 2.6/10 |
| ベンダーの真剣さ | 3.8/10 |
SupplyBrainは実際の業務判断を対象にし、設備データと倉庫活動を筋の通った形で結び付ける。公開証拠が最も強いのは、データ取得と診断支援である。予測が経済的に正当化された行動になる段階では、証拠は大幅に弱まる。どの部品を交換し、どの介入を延期し、どの在庫を持ち、競合する作業間でどれだけ労力を移すべきか、という判断である。
技術記事は、間欠的に需要が発生する予備部品のベイズ予測と、倉庫設備を外部システムにつなぐセキュリティリスクを説明する。手法と脅威モデルは示すが、較正結果、検証済みの倉庫シミュレーション、停止・保全・予備部品・失われる処理量の同時価値評価はない。中心的な懸念は、主張される最適運用と、開示された意思決定機構の隔たりである。10 2 3
SupplyBrainとLokadの比較
SupplyBrainは倉庫を観察し、担当者による業務問題の診断や予測を支援する。Lokadの在庫最適化サービスは、在庫、購買、生産、配分など、不確実性の下での経済的意思決定の選択を中心に据える。保全に関係するサプライチェーンでは、回避する損失と消費する資源から、部品、修理の選択肢、稼働可能性を評価することになる。
最も具体的に重なるのは予備部品である。SupplyBrainの予算・リスク方式は、補充遅延、修理の代替案、設備間の依存関係、能力が使えない経済的影響を結び付ける必要がある。選んだ割合のシナリオを覆う予算は、まだ最良の購買や保全介入を選択する方針ではない。10
同じ区別は倉庫の人員配置にも当てはまる。シミュレーションは提案された勤務表での混雑を予測できる。勤務表を選ぶには、労働、残業、注文遅延、サービス損失の価格と、それらの帰結がどう変動するかの予測が必要になる。SupplyBrainのDigital Twinページは効率的な人員配置と保管位置を約束するが、その金銭的な意思決定モデルは公開しない。3
Lokadのサプライチェーンサイエンティストは、サービスの一部としてデータの解釈と意思決定ロジックを構築・保守する。SupplyBrainの公開資料は、導入後に誰がモデルの較正、介入方針、経済的な受け入れ基準を維持するかについて、同様に明確な説明をしていない。この継続作業はホリミゼーションの中心である。モデルは、実際に解いている問題を繰り返し修正することで有用になる。
設備の測定値から保全判断へ
Predictive Maintenanceは、摩耗指標、異常使用の検出、設備履歴、累積停止時間を組み合わせる。部品を保全する理想的な時期を約束し、保全担当者に優先順位を提示する。2
異常は、それ自体では保全判断ではない。通常と異なる温度は、故障の接近、無害な負荷の変化、センサー故障のいずれも示し得る。信頼できる故障警告があっても、今介入する、次の計画停止まで待つ、速度を落とす、交換品を近くに置く、故障リスクを受け入れるという事業上の選択が残る。最良の選択は、交換費用、失う残存寿命、修理能力、停止の影響を受ける注文に依存する。
SupplyBrainは、故障時刻モデル、警告の適合率、見逃し率、警告の時間的余裕、宣伝する時期の根拠となる費用ルールを公開していない。これらの量は相互依存する。感度を上げれば多くの故障を捉えられるかもしれないが、保全チームの時間を消費するほどの誤警報も発生し得る。緊急修理から頻繁で不要な介入へ作業を移すシステムは、目立つ指標を改善しながら損失を生むこともある。
具体的な確率手法はあるが、意思決定への接続が欠ける
SupplyBrainの技術記事は、間欠的な予備部品需要に対する階層ベイズ推論を説明する。設備群と部品群の観測をまとめた後、個々の部品向けに細分化する。目指す出力は、予算・リスク計算を支える需要分布である。これは、観測の少なさに適した具体的な手法である。10
公開説明は、導入済み製品の版、検証データ、実行可能な補充方針にその手法をどう接続するかを特定しない。仕入先の不確実なリードタイムを需要分布と組み合わせた形も示さない。現実的な予備部品計算には両方が必要である。交換品が二日後にも二か月後にも到着し得るなら、故障確率を知るだけでは不十分だ。
保全と需要の間には、さらに結合がある。予防的な部品交換は将来の故障母集団を変え、別の場所の故障にも必要な同じ在庫を消費する。需要予測、保全日程、予備部品予算を独立した計算として扱えば、実際のボトルネックを保護せずに、同じ備えを何度も使ったつもりになり得る。
デジタルツインには予測としての検証が必要
Digital Twinは倉庫の流れをシミュレーションし、ボトルネックを特定し、注文パターンに合わせて保管位置を変え、必要人員を見積もる。公開説明は、これらの能力が信頼できるピッキング・出発日程を支えると主張する。3
この用途の倉庫ツインは、高次元の予測である。提案された業務判断の下で、待ち行列、作業者、設備、注文がどう相互作用するかを予測する。視覚的に説得力のある表現は、運用を変えるに足る精度で相互作用を予測できる証拠ではない。
不可欠なのは将来に向けた検証である。モデルと利用可能な情報を固定し、次のシフトを予測し、実際の待ち行列、完了時刻、サービス不履行と比較する。混雑、注文構成の変化、設備故障、不慣れな人員水準でも繰り返す。そのうえで、管理者が実行できる介入の順位をモデルが正しく付けるかを検証する。平均処理量が正確でも、最も重要な遅延注文に集中する誤差は隠れ得る。
検討した公開資料は、この検証、シミュレーション手法、較正済みの入力分布、不確実性の伝播を報告しない。SupplyBrainは開発パートナーとしてcoopを挙げるが、対応する較正や経済的成果の時系列を製品ページに公開していない。1 提携で得たアクセスはモデルを改善し得るが、実際に改善したかは予測結果で判断する。
保管位置の割り当ては経済的なトレードオフ
回転の速い品目をピッキングステーション近くへ移せば、取り出し時間を短縮できる。しかし、希少な空間を使い、移動作業を生み、優先された位置の周辺で補充交通や混雑を悪化させる可能性もある。最適化では、適切な将来の注文構成にわたり、これらの相互作用を考慮しなければならない。
SupplyBrainの製品説明は、効率的な物流と能力利用を重視する。3 だが、配置変更費用、補充による干渉、変化する需要を同時評価するかは明らかでない。ピッキング経路の短縮は局所的な利益であり、倉庫が負担するのは運用全体の費用である。
技術の歴史とロードマップの一貫性
| 時期 | 公開された提案 | 証拠が示すこと |
|---|---|---|
| 2019 | FPrimeZeroがAI、制御工学、デジタルツインを備えたSupplybrainを発表 | 製品構想は現在のスタートアップという説明より古い。 |
| 2022–2024 | 現在のウェブサイトは創業を2022年とし、SSI Schäferは2024年に公表 | 新たな商業組織が、より古い製品の系譜を引き継いだ。 |
| 2024年の報告期間 | 予知保全、人員配置、エネルギー管理 | 親会社はエネルギーのパイロットを報告し、複数の自動化機能を将来の開発として説明した。 |
| 2025 | Siemens Industrial Edgeを使うSSI Linkage | 具体的な取得・前処理アーキテクチャが公開された。 |
| 2026年の技術発信 | ベイズ予備部品予測、Kotlin/Quarkusバックエンド、OTセキュリティ上の懸念 | 具体的な手法や技術選択が増えたが、公開検証は限定的である。 |
2019年1月17日のLogiMAT発表は、FPrimeZeroのSupplybrainを、リアルタイムのマテリアルフロー分析、バックグラウンドでのシミュレーション、AI最適化の組み合わせと説明した。2018年の登記公告の転載には、現在のSupplyBrainの法的表示と同じ法人番号FN 498950aでFPrimeZeroが記載されている。したがって、現在の2022年創業という説明は、それ以前の技術・法人上の系譜を省いている。8 15 14
2023年以前のAIの約束は、その後の実現状況で検証すべきである。2024年の報告期間でも、SSI Schäferはシステムの自動登録、保全作業の計画アルゴリズム、予備部品の自動調達を開発目標として述べていた。したがって、この倉庫ソフトウェアは、以前の位置付けが示唆した広範な自己最適化を実証していなかった。7
その間に実際の成果物もある。Siemensは2025年7月、エッジ型Linkageシステムを公開説明した。5 繰り返される弱点は、実装の主張のほうが、予測・経済性能の改善よりはるかに追跡しやすいことである。何年もAIとデジタルツインを語ってきたが、予測の較正、介入の質、保全作業量の進歩を示す公開記録は生まれていない。
エネルギー管理の話にも、同様に有用な境界がある。2024年報告は、モーター出力低下やシャトルのスリープモードなどの方策を開発するため、消費量を収集する最初のパイロットを説明する。7 エネルギー、処理量、設備寿命を同時最適化する稼働済み制御器を示すものではない。後年のLinkage製品ページは幅広い運用費削減を説明するが、このパイロットの続きの測定結果はない。4
ソフトウェア部品表
| 製品・証拠の範囲 | 確認できる構成要素 | 保有・運用上の帰結 |
|---|---|---|
| SSI Linkage | Siemens Industrial Edge機器、ローカル前処理、アプリケーション管理、クラウド分析 | 機器の準備、アプリ更新、OTとクラウドの接続は引き続き運用責任となる。 |
| Predictive Maintenance / Linkageバックエンド:ベンダー技術記事 | KotlinとQuarkus | ベンダーは具体的なバックエンド基盤と、期待する保守性の利点を特定している。 |
| SupplyBrainのフルスタック採用、2025年ごろ | Azureのインフラとサービス、Kotlin・React・Pythonの開発 | アプリ、データサイエンス、クラウド運用には異なる技術力と調整されたリリースが必要になる。 |
| Digital Twinと予測手法 | 独自のシミュレーション・分析ロジック、公開されたベイズモデリング手法 | 較正、モデル変更、可搬性はベンダー固有の実装に依存する。 |
採用情報は開発業務で使う技術を挙げる。DockerとKubernetesは歓迎スキルであり、必須の導入構成を示すものではない。製品との関連をより強く示すのは、保全・LinkageプラットフォームのKotlinとQuarkusをベンダー自身が特定したことだ。12 11
アーキテクチャの役割分担は合理的である。設備の近くでデータを取得・前処理し、クラウドで広範な分析を行う。ただし、この分担は恒常的な費用も生む。各信号には識別子、単位、時刻、解釈、物理資産との関係が必要だ。機器交換、ファームウェア変更、保全方法の変化は、すべてのサービスが稼働していても、それらの関係を無効にし得る。
SupplyBrainは、インフラ規模を数値化できるほど、データベース、保存複製、テレメトリー量、モデル学習、シミュレーション負荷について公開していない。実質的な懸念は、設備、エッジ、クラウドの境界をまたいでデータとモデルを維持することにある。回避できる保守訪問と利用料金を比較する際、その作業費を含めなければならない。
Siemensが供給するのはインフラであり、数値的優位性の証明ではない
Siemensの紹介事例は、エッジ基盤とアプリライブラリがSSI Linkageの開発を速めたと説明する。6 これは統合と実現の主張を支える。SupplyBrain独自の技術的貢献は、資産モデル、統計手法、そこから得た意思決定で示す必要がある。評価の高い産業用基盤の存在だけでは、その計算の精度や経済的な質は証明できない。
提携資料が記録するのはインフラ統合である。SupplyBrainの分析層が生む追加リターンは数値化されていない。
セキュリティ:問題は認識されているが、強制措置の証拠は不十分
SupplyBrainは、予知保全プロジェクトがエッジ接続を通じて、以前は隔離されていた制御器を外部にさらすと明示的に警告している。推奨事項には、OTとITの分離、着信経路の制限、エッジ機器を侵害され得る箇所として扱うこと、転送の全過程でのデータ保護が含まれる。10
この診断は、一般的な安全なクラウドホスティングの主張より有用である。重要な失敗、すなわち観察用に設置した機器を攻撃者が使い、物理運用を制御するシステムへ到達する事態を特定している。次に問うべきは、提供されるアーキテクチャがどの保護を強制するかである。
公開されたLinkage説明は、取得が技術的に読み取り専用か、機器の識別情報と認証情報をどう隔離するか、遠隔支援が何を変更できるか、侵害されたエッジアプリが制御器へ到達するのをどう防ぐかを明らかにしない。破損したテレメトリーやモデル状態からの復旧テストも文書化されていない。Siemens基盤は安全機能を提供するが、残る露出を決めるのは導入構成とSupplyBrainアプリの権限である。5
倉庫運営者には、設備をつなぐ前にその境界が必要である。誤った予測の損失の範囲と、攻撃者が制御システムへアクセスする損失の範囲は異なる。どちらも同じデータ取得プロジェクトから発生し得る。
生産性、モデル保守、経済的成果への責任
2024年報告のシステム登録と作業計画の開発目標は、ソフトウェアを拡大するために必要な労働を扱っている。7 追加の導入ごとに、設備対応関係、運用差、新しい例外が生じる。アラートを有用な作業に変えるには、その解釈を維持する必要がある。
自動化は、同等の運用品質で総労働を減らすべきである。監視対象が増えれば、一件の診断が速くなってもアラート量と専門家の需要が増え得る。公開記録は、選別、センサー保守、データ修正、モデル再較正、介入承認に残る労力を数値化しない。
同様に、持続的な改善には新しいダッシュボードフィルター以上が必要だ。保全方針が誤っていた場合、チームは原因がセンサー、資産の解釈、確率モデル、意思決定目的のどれかを特定し、該当ロジックを修正し、代表的な履歴を再実行し、テストした修正を導入しなければならない。公開文書は、このサイクルへの顧客のアクセス、版管理、サービス上の責任主体を説明しない。
保全60%削減の主張には分母が必要
SupplyBrainとSiemensは、事後保全を最大60%減らすと宣伝する。Siemensの事例はプラットフォーム顧客としてSSI Schäferを挙げるが、実名の最終利用拠点、測定期間、基準となる事象数、保全総費用は示さない。4 6
事後作業は、故障を防いだためにも、予防作業を増やしたためにも、作業の分類を変えたためにも減り得る。経済的結果には、緊急修理、計画介入、部品消費、停止、分析システムの維持労働を含む全体収支が必要だ。その収支なしの上限値の割合は、リターンの証明にならない。
公開約款はソフトウェアの約束と一致していない
現在ダウンロードできる一般約款はSupplyBrain GmbH名義だが、大部分は物理的な納品を扱う。顧客が用意する基礎や屋根工事、運賃、所有権留保、交換品の色の違いなどである。第1.5条は、明示的に契約へ取り込まない限り、パンフレットの性能を参考情報とする。第7.3条は、故意または重大な過失を除き、結果的損害を含む追加の保証・損害請求を排除する。13
これは公開提案の具体的な欠落である。文書は予測品質、シミュレーションの受け入れ、モデル保守、データ可搬性、悪い運用推奨への救済を定義しない。個別契約がこれらの義務を設ける可能性はあるが、公開約款には期待する根拠がない。
SupplyBrainは故障と効率についての洞察を売る。自身の失敗基準も同程度に明確であるべきだ。どの経済的不足が調査を開始させ、誰がモデル修正を負担し、どう修正を検証するのか。合意がなければ、成功した節約は製品の成果とされ、失敗は顧客データや運用方法をめぐる争いのまま残り得る。
サプライチェーン評価
サプライチェーンへの理解の深さ
| 基準 | 評点 |
|---|---|
| 経済的な問題設定 | 4/10 |
| 意思決定の最終到達点 | 4/10 |
| サプライチェーン概念の明晰さ | 6/10 |
| 時代遅れの中核的教義からの脱却 | 5/10 |
| KPIの見せかけへの強さ | 3/10 |
平均:4.4/10。
経済的な問題設定 — 4/10。 保全時期と予備部品予算には直接的な経済的意味がある。公開手法は、介入、在庫、停止、サービス損失を金銭的目的へ統合しない。2 10
意思決定の最終到達点 — 4/10。 保全の優先順位と倉庫シナリオは具体的行動の判断材料になる。公開資料は、それらの推奨から、自動発行・評価される業務判断までの完全な経路を示さない。2 7
サプライチェーン概念の明晰さ — 6/10。 製品は一般的な管理報告ではなく、設備状態、まばらな部品需要、倉庫の流れを扱う。ただし、それらが共有資源を奪い合う場面では、意思決定モデルは未完成である。2 3 10
時代遅れの中核的教義からの脱却 — 5/10。 状態に基づく介入は定期保全を改善し得る。公開実装は依然として情報と計画担当者への指針を重視し、繰り返される人間の解釈を保守された判断ロジックへ取り込む方法を示さない。2 7
KPIの見せかけへの強さ — 3/10。 事後保全の割合は、解釈に必要な費用と作業量を省いている。ツインについて主張する精度を証明する予測評価は公表されていない。6 3
意思決定と最適化の実質
| 基準 | 評点 |
|---|---|
| 確率的モデリングの深さ | 4/10 |
| 独自の最適化・機械学習の実質 | 4/10 |
| 現実の制約への対応 | 5/10 |
| 意思決定の自動化と労働生産性 | 4/10 |
| 現実の業務複雑性に対する回復力 | 3/10 |
平均:4.0/10。
確率的モデリングの深さ — 4/10。 公開されたベイズ手法には実質がある。その較正、導入範囲、リードタイムと運用の同時不確実性への接続は確立されず、リスク調整済み意思決定への信頼を制限する。10
独自の最適化・機械学習の実質 — 4/10。 AIという言葉の背後には、特定できる予測とシミュレーションの問題がある。手法の開示は、より優れた判断を示す再現可能な比較も、保全時期を決める最適化器の説明も提供しない。2 10
現実の制約への対応 — 5/10。 倉庫シナリオは混雑、保管位置、人員配置を含む。公開説明は、労働力の確保、移動制限、設備故障を計算内でどう同時に課すかを説明しない。3 9
意思決定の自動化と労働生産性 — 4/10。 データ収集と分析は自動化されているが、保全作業計画とシステム登録は明示的な開発目標だった。現在の定量証拠は、ソフトウェア周辺に残る総人的負荷を捉えていない。4 7
現実の業務複雑性に対する回復力 — 3/10。 coopとの開発関係は実務との接点を支える。モデル失敗の診断から、目的やデータ意味の修正、再実行テスト、安全に公開された修正へ至る記録されたサイクルはない。1 3
製品とアーキテクチャの整合性
| 基準 | 評点 |
|---|---|
| アーキテクチャの一貫性 | 5/10 |
| システム境界の明確さ | 5/10 |
| セキュリティへの真剣さ | 4/10 |
| ソフトウェアの簡素さと総保有コスト | 4/10 |
| プログラム操作・エージェント支援運用との適合性 | 3/10 |
平均:4.2/10。
アーキテクチャの一貫性 — 5/10。 ローカル収集とクラウド分析は役割が分かれ、保全バックエンドも特定されている。公開証拠は、状態、重複データ、障害処理を製品全体にわたり追跡しない。4 11
システム境界の明確さ — 5/10。 SupplyBrainは既存の倉庫ソフトウェアを補完する。分析推奨、倉庫での実行、制御システム変更の分担は、インターフェースと権限の水準で文書化されていない。9 5
セキュリティへの真剣さ — 4/10。 ベンダーは妥当なOT脅威モデルを示す。公開資料は、推奨する分離を導入済みLinkage構成で強制・検証していることを示さない。10 5
ソフトウェアの簡素さと総保有コスト — 4/10。 見える部品の役割は妥当だが、インフラ消費とモデル保守の労力は公開価格で示されない。小さな開発チームや標準エッジ基盤から、導入規模は推測できない。11 12 7
プログラム操作・エージェント支援運用との適合性 — 3/10。 機械データの取り込みはLinkageの中核である。判断ロジックを変更、試験、公開する公開検査可能なツールはなく、統合だけでは自律的な改善を証明しない。4
技術的透明性
| 基準 | 評点 |
|---|---|
| 公開技術文書 | 3/10 |
| ベンダーを介さずに検査できること | 2/10 |
| 可搬性とロックインの可視性 | 2/10 |
| 導入手法の透明性 | 3/10 |
| 技術的主張を支える証拠の密度 | 3/10 |
平均:2.6/10。
公開技術文書 — 3/10。 製品ページと技術記事は、一部の機構と部品を公開する。モデル入力、数値手法、インターフェース、運用限界について利用できる公開仕様は提供しない。2 3 11
ベンダーを介さずに検査できること — 2/10。 公開資料から、宣伝する最適保全時期やツインによる判断を評価者が再現することはできない。そのため、それらの結果を生む仮定を独立に調べられない。2 3
可搬性とロックインの可視性 — 2/10。 公開約款は、学習済みモデル、倉庫の意味体系、保守される設定の書き出しを定めていない。エッジ基盤のエコシステムは、SupplyBrainの分析動作の可搬性を示すものではない。13 5
導入手法の透明性 — 3/10。 プラグアンドプレイ取得は、モデルの運用開始より明確に説明される。公開された導入の主張は、較正、例外処理、受け入れ試験の大半を未定義のままにする。5
技術的主張を支える証拠の密度 — 3/10。 Siemensは実装済みの技術協業を裏付ける。公開された数値的優位性と経済的成果は、主として幅広い製品主張と、条件の明らかでない保全削減の上限値に支えられる。6
ベンダーの真剣さ
| 基準 | 評点 |
|---|---|
| 公開発信の技術的な真剣さ | 4/10 |
| 技術ロードマップの一貫性 | 4/10 |
| 概念の明晰さ | 5/10 |
| 経済的成果への責任 | 2/10 |
| エージェント型ソフトウェア時代の競争優位の持続性 | 4/10 |
平均:3.8/10。
公開発信の技術的な真剣さ — 4/10。 同社は有用な技術詳細と並べて、比類のない精度を主張する。予測を売るソフトウェアにとって、精度と較正結果がないことは特に重大である。1 11 3
技術ロードマップの一貫性 — 4/10。 系譜は2019年のAI・デジタルツイン発表にさかのぼるが、後年の報告も重要な判断自動化を将来に置いている。提供されたエッジシステムは具体的だが、それに匹敵する検証済みの意思決定改善の記録がない。8 7 5
概念の明晰さ — 5/10。 焦点を絞った保全・倉庫問題には一貫性がある。公開の最適性主張は、競合する経済的帰結をどう価値評価するかを説明せず、最も重要な判断を開示手法の外に残す。2 3
経済的成果への責任 — 2/10。 ハードウェア中心の公開約款は、核となる分析成果物と救済を未定義にする。宣伝する節約に対して、経済的に有効なモデルを維持・修復する相応の約束がない。13
エージェント型ソフトウェア時代の競争優位の持続性 — 4/10。 設備へのアクセスと産業経験は価値あるモデルを支え得る。持続する差別化には、検証済み予測と効率的な業務ロジック修正が必要であり、テレメトリー統合と画面上の支援だけでは足りない。5 7
出典
公開資料の参照日:2026年11月4日。
出典を読む。現在の製品範囲、企業の説明、coopとの協業。
[2] SupplyBrain — Predictive Maintenance
出典を読む。保全優先順位、状態指標、最適な介入時期の主張。
[3] SupplyBrain — Digital Twin
出典を読む。倉庫シミュレーション、人員配置、保管位置の主張。
出典を読む。エッジ取得、クラウド分析、保全とエネルギーの主張。
出典を読む。2025年7月23日の協業発表とIndustrial Edgeの実装。
出典を読む。プラットフォーム顧客としてSSI Schäferを特定した事例。2025年の完了と保全削減の上限値。
[7] SSI Schäfer — サステナビリティ報告書2024
出典を読む。55–56ページ:2024年の活動と、システム登録、作業計画、予備部品自動化の展望。
出典を読む。2019年1月17日の原発表。FPrimeZeroのSupplybrainは2ページに登場する。
[9] SSI Schäfer — スタートアップSupplyBrainの発表
出典を読む。2024年5月17日の商用化発表と統合の位置付け。
[10] SupplyBrain — ベイズ予測とOTセキュリティの記事
出典を読む。階層ベイズによる予備部品需要とOT攻撃面についてのベンダー記事。正確な公開日は表示されていなかった。
[11] SupplyBrain — Linkage向けKotlinとQuarkus
出典を読む。ベンダーがPredictive Maintenance/LinkageバックエンドについてKotlinとQuarkusを明示。
[12] DEVjobs経由のSupplyBrain採用 — フルスタック開発者
出典を読む。フルスタック開発をAzure、Kotlin、React、Pythonに関連付ける過去の求人。コンテナー知識は歓迎条件として記載。
出典を読む。現在リンクされているPDF。商業的性能の条項、物品納入規定、責任制限。
[14] SupplyBrain — 法的表示とウェブサイトのプライバシー
出典を読む。現在の法人、登記番号、ウェブサイトに限定されたプライバシー範囲。
[15] Unternehmen24が転載したオーストリア登記公告 — FPrimeZero登記
出典を読む。FPrimeZero GmbHとFN 498950aを記した2018年10月2日の登記公告の転載。