Uygulama Tanımlayıcısı (AI) – GS1 Veri Öğeleri

Bu konu, şu konunun bir parçasıdır: SG Systems Global düzenleyici ve operasyonel terimler sözlüğü.

Ekim 2025'te güncellendi • GS1 Barkodlar, Seri Numarası Verme ve İzlenebilirlik • Etiketleme, QA/RA, Tedarik Zinciri, MES/WMS

Uygulama Tanımlayıcıları (AI'ler) GS1 "veri etiketleri", bir barkod veya 2 boyutlu sembol içindeki sayılara ve karakterlere anlam kazandıran etiketlerdir. Tarayıcılara ve sistemlere her bir veri parçasının ne olduğunu söylerler.GTIN, çok, vade, seri, net ağırlığı, miktar, SSCCve daha fazlası—böylece etiketler otomatik alımları yönlendirebilir, çok sayıda soyağacıve uyumlu küresel ticaret. Tipik ürün düzeyindeki dizeler şunları içerir: (01) GTIN + (10) çok + (17) son kullanma tarihi + (21) seri; lojistik etiketleri şu merkeze odaklanır (00) Kasa/palet için SSCC. Düzenlenmiş sektörlerde, yapay zekalar temel teşkil eder. UDI (ile 21 CFR Bölüm 830 ABD cihazları için) ve hızlı, doğru geri çağırmalar ve izlenebilirlik. Operasyonel olarak kural basittir: Yapay zekalarınız yanlışsa, tedarik zinciriniz kördür.

"Doğru yapay zeka olmadan barkodlar sadece çizgilerden ibarettir. Yapay zeka ile, fabrikanızın, deponuzun ve düzenleyicilerinizin güvenebileceği talimatlara dönüşürler."

1) Yapay Zekalar Neleri Kapsar ve Neleri Kapsamaz

Kapsam: GS1 sembolleri (GS1-128, GS1 DataMatrix, GS1 QR) genelinde kodlanmış veri semantiği. Yapay zekalar, ürün kimliğini ( GTIN ), parti/lot numarasını (10), son kullanma tarihini (17), seri numarasını (21), miktarları (30/37), değişken ölçüyü (310 n /320 n ), fiyatı (392 x ), konumları (414 GLN), lojistik birimini ( SSCC 00) ve EPCIS için olay kancalarını tanımlar. Hat içi doğrulama , Mal Kabulü , toplama/paketleme ve uyumlu sevkiyatı destekler.

Şunları kapsamaz: GS1 sembolü içinde tescilli bir "anlam" icat etmek veya düzenleyici yapıyı atlatmak. Yapay zekâlar, hatalı ana verileri, özensiz Belge Kontrolünü veya bozuk saklama sürelerini mazur göstermez . Ayrıca, Kalite Güvence onayı veya Kalite Kontrol kanıtının yerini tutmazlar ; yalnızca etiketi kayda bağlayan veri taşıyıcısıdırlar.

2) Yasal, Sistem ve Veri Bütünlüğü Temelleri

Yapay zekâlar daha geniş bir uyumluluk çerçevesi içinde yer almaktadır: tıbbi cihazlar 21 CFR Bölüm 830 uyarınca UDI gerektirir ; gıda izlenebilirliği yapılandırılmış Temel Veri Unsurlarına (FSMA 204) ve EPCIS aracılığıyla birlikte çalışabilir olay izlemeye atıfta bulunur; kozmetik ve reçetesiz ilaçlar net kimlik ve son kullanma tarihi kontrolü gerektirir. Elektronik kanıt zincirleri, Bölüm 11 / Ek 11'i (benzersiz kullanıcılar, imzalar, zaman damgaları, denetim izleri ) ve ALCOA+ veri bütünlüğünü karşılamalıdır . Etiketler ve dizeler, MES / WMS'de doğrulanmış üretim ve gerektiğinde EDI'ye (örneğin, ASN) entegrasyon ile Belge Kontrolü altında yer alır .

3) Yapay Zeka Uyumluluğuna İlişkin Kanıt Paketi

Sağlam bir “AI paketi” şunları içerir: GTIN/paketleme hiyerarşileri; seri numaraları için tahsis/benzersizlik kuralları; seviyeye göre (birim, koli, palet) AI kullanım matrisi; yazdırma şablonları ve iş kuralları; doğrulama planları ve sonuçları; tarama test komut dosyaları (değişken uzunluklu alanlar, FNC1 ayırıcılar); EPCIS / EDI için arayüz özellikleri; hata işleme ve yeniden yazdırma iş akışı; ve Kayıt Saklama kapsamında etiket/kanıtların saklanması . Cihazlar için, UDI cihaz paketi yapılandırması ve GUDID/UDIR gönderim kanıtı; gıda için, kodlanmış AI'lara FSMA 204 KDE eşlemesi gösterilmelidir.

4) Ürün Ana Verisinden Taranabilir Etikete - Standart Bir Yol

1) Ana Veriler. Ürün kimliğini ( GTIN ), paketleme hiyerarşisini (birim/iç ambalaj/kasa/palet), seviye başına hedef AI değerlerini ve gerekli değişken verileri (parti numarası, son kullanma tarihi, ağırlık, seri numarası) tanımlayın. Kontrollü bir depoda yönetin ( ana reçeteler genellikle etiket çekimleri için bu değerlere başvurur).

2) Şablon Oluşturma. Yapay zekayı dikkate alan alanlar ve doğrulama ile etiket şablonları oluşturun. İnsan tarafından okunabilir metin, doğru tarih maskeleri (YYMMDD (17) için) ve GTIN ve SSCC için kontrol basamağı mantığı ekleyin.

3) Yazdırma ve Doğrulama. Seri numaralı tanımlayıcıları ve AI değerlerini eBMR/WMS'ye kaydederek MES/WMS ile kaynakta oluşturun. Etiket Doğrulama yoluyla yazdırma kalitesini ve sözdizimini doğrulayın.

4) Tarama ve Gönderme. Mal Kabulü sırasında , depolamayı kaydetmek ve parti soy ağacını başlatmak için AI'ları tarayın . Kalite kontrolünden onay gelene kadar Karantina/Bekletme uygulayın; ardından, uyumlu sipariş karşılama ve EPCIS olaylarını besleyen kasa/palet SSCC'leri ile ürünleri seçin/paketleyin ve gönderin.

Bir şablon, yapay zeka kuralı veya yazıcı durumu başarısız olursa, yürütmeyi engelleyin ve düzeltmeyi zorlayın; kötü etiketler, kesinti süresinden daha fazla maliyete neden olur.

5) Yapay Zeka Dizisini Tasarlamak - Pratik Bir Yöntem

Aşağı yönlü ihtiyaçlardan başlayıp geriye doğru çalışın. Satılabilir birimler için önce kimlik ve güvenliği kodlayın: (01) GTIN + (17) son kullanma tarihi + (10) parti ; ürün düzeyinde izlenebilirlik/UDI için (21) seri numarasını ekleyin. Lojistik için: (00) SSCC ve isteğe bağlı sayılar (37) . Değişken ölçülü ürünler için, kg cinsinden net ağırlığı (ondalık hassasiyeti n ile ayarlayın) veya lb cinsinden (320 n) kullanın ; paket başına birimler için ( 30 ) . Değişken uzunluktaki alanları (örneğin, (10), (21)) dizenin sonunda olmadıkları sürece FNC1 ile sonlandırın. İnsan tarafından okunabilir parantezleri koruyun, ancak bunların GS1-128/GS1 DataMatrix'te tam olarak kodlanmadığını unutmayın . Etiket motorunda tarihleri ​​(YYMMDD) ve basamakları (mod 10) doğrulayın; Yazıcıdaki matematiksel hataları düzeltmek için operatörlere asla güvenmeyin.

6) Değişken Ağırlıklı ve Net İçerikli Yapay Zekalar

Tartım cihazları ve kontrol tartım cihazlarıyla kontrol edilen değişken ağırlıklı ürünler için, kodlanmış AI'ları gerçekleştirilen net değere bağlayın. Etikette kütle/ağırlık beyan ediyorsanız, (310 n ) değerini doğrudan gravimetrik ölçümlerden alın; hacim beyan ediyorsanız ancak kütle ile dolduruyorsanız, dönüşümlerin MES içindeki birim tutarlılığı ve yoğunluk mantığı altında yönetildiğinden emin olun. Kodlanmış ağırlık ile işlem ağırlığı arasında uyumsuzlukları önlemek için AI içeriğini Etiket Doğrulama ve sonraki WMS kurallarıyla hizalayın . Yasal düzenlemeler (örneğin, TNE) nedeniyle koruma bandı dolumları kullanıyorsanız, gerektiğinde AI'da yalnızca beyan edilen değerin gösterildiğinden emin olun ve gerçekleştirilen net değerleri serbest bırakma ve denetim için eBMR'de saklayın.

7) Veri Bütünlüğünün Kanıtı - Etiket = Kayıt

Etiketteki her şey, kontrollü kayıtlardan yeniden oluşturulabilir olmalıdır. Oluşturulan yapay zeka dizesini, ayrıştırılmış öğeleri ve kaynak verileri (GTIN, parti, son kullanma tarihi, ağırlıklar, seri numaraları) 11. Bölüm uyarınca denetim izleri ve imzalarla birlikte saklayın . Serbest metin düzenlemelerinden kaçının; etiket içeriğini ana verilere ve eBMR değerlerine bağlayın. Bir alt sistem (ERP, EDI ) etiketle aynı fikirde değilse, etiket geçersiz olur; çünkü Mal Kabulündeki taramalar envanter gerçekliğini belirler. "Baskı atölyesi" kısayollarının serbest bırakma veya geri çağırma hazırlığını baltalamasına izin vermeyin.

8) Örnekleme, Baskı Kalitesi ve Tarayıcı Çapraz Kontrolleri

Hem sembol kalitesini hem de yapay zeka sözdizimini kapsayan bir denetim tanımlayın . Baskı kalitesini ve çözümlenebilirliği puanlamak için doğrulayıcılar kullanın, ancak eksik FNC1'leri, yanlış tarih maskelerini veya geçersiz kontrol rakamlarını yakalamak için dizeleri programatik olarak ayrıştırın. Tarayıcıları ana verilerle çapraz kontrol edin ( (01) SKU ile eşleşiyor mu, (17) raf ömrü politikalarına uygun mu, (10) mevcut mu). Kalıcı sorunları Sapma / CAPA aracılığıyla yönlendirin ve Değişiklik Kontrolü altındaki şablonları iyileştirin.

9) Ekipman Durumu—Yazıcılar, Doğrulayıcılar ve Tarayıcılar

Etiketlerin serbest bırakmayı etkilediği durumlarda yazıcılar ve görüntüleme/doğrulama sistemleri GxP açısından önemlidir. Cihazların kalifiye ( IQ/OQ/PQ ) ve bilinen kalibrasyon durumunda olmasını sağlayın . Isınma, ortam özellikleri ve önleyici bakımı uygulayın; bir cihazın durumu bozulursa eBMR'deki etiket yazdırma adımlarını engelleyin. Tarayıcılar yükleme alanında okuma yapamıyorsa, gerçek operasyonel sorunlar ve müşteri şikayetleri bekleyin; sorunun kaynağını düzeltin, depoyu değil.

10) Etiketler, İddialar ve Dönüştürme Mantığı

Etiketler, sistemlerinizin dayandığı aynı değerleri kullanmalıdır. Parti/son kullanma tarihini eBMR'den, GTIN/paket seviyelerini ana verilerden alın; seri numaralandırma kurallarının iş mantığıyla (benzersizlik kapsamı, ömür süresi) eşleştiğinden emin olun. Değişken ölçüler için tutarlı ölçü birimi ve yuvarlama uygulayın ; Belge Kontrolü altında dönüşümleri ve tarih kurallarını belgeleyin . Etiketler, MES'in zaten hesapladığı şeyi yeniden hesaplarsa, ikinci bir gerçek yaratmış olursunuz—bunu yapmayın.

11) Depo Durumu ve Lojistik Birimleri

Depoyu daha akıllı hale getirmek için yapay zekâ kullanın. Kasalar/paletler (00) SSCC taşır ; ürünler (01)/(10)/(17)/(21) taşır . Tarama sırasında, WMS kimlik, parti ve raf ömrünü doğrulamalı, Kalite Kontrol onayına kadar bekletmeyi uygulamalı ve doğru konumlarla ( depo/bölge topolojisi ) FEFO / FIFO toplamasını yönlendirmelidir. EPCIS aracılığıyla sevkiyat olaylarını yayınlayın ve etiketlerinizde bulunan aynı SSCC'leri referans alan EDI ASN'lerini değiş tokuş edin. SSCC yoksa, yükleme kapısından sonra görünürlük yok.

12) Günlük Operasyonlarda Yapay Zekalar - Akışı Yüksek ve Hataları Düşük Tutun

Hataları kaydetmek için değil, önlemek için taramaları kullanın. Malzeme dağıtımı, karıştırma/dağıtım, paketleme/etiketleme, sevkiyat gibi kritik adımları, eBMR/WMS bağlamıyla eşleşen geçerli AI'lar üzerinde kontrol edin. Hat/tedarikçi bazında okunamayan ve yanlış kodlanan verileri izleyin; yukarı akışta çalışın. Yanlış kodlama oranları yükseldiğinde sıkı doğrulama tetikleyicileri oluşturun. Amaç, tutarlı AI'lar, temiz taramalar ve sıfır yeniden işleme ile sorunsuz bir etiketleme sistemidir.

13) Kontrolü Gösteren Ölçütler

• Tarama Başarı Oranı teslim alma/toplama sırasında (ilk geçişte kod çözme %'si).
• AI Sözdizimi Hata Oranı (kötü FNC1, tarih maskesi, kontrol basamağı) şablon ve siteye göre.
• Okunmayan Olaylar 10 bin etiket başına ve yeniden basım oranı.
• UDI/EPCIS Tutarlılığı (etiket vs. gönderim/olay yükü eşleşmesi).
• Geri Çağırma Matkabı Gecikmesi GTIN/lottan sevk edilen SSCC'lere (geri çağırma hazırlığı).
• Tedarikçi Etiket Uygunluğu (ASN başına iskele yenileme dakikası).

Bu göstergeler kırmızıysa, yapay zekalarınız marj ve güvenilirlik kaybına uğruyor demektir; yalnızca tarayıcıları değil, şablonları ve yönetimi de düzeltin.

14) Yaygın Tuzaklar ve Bunlardan Nasıl Kaçınılır

• Eksik FNC1 ayırıcıları. Değişken uzunluktaki AI'lar (örneğin, (10), (21)) sonuncusu olmadığı sürece sonlandırılmalıdır; aksi takdirde aşağı akış ayrıştırması başarısız olur.
• Yanlış tarih formatı. (17) YYAA GG'dir—barkoda yerel maskeleri yazdırmayın.
• Kontrol rakamı hataları. Etiket motorunda (01) ve (00) için mod-10'u hesaplayın ve doğrulayın.
• GTIN/SKU uyumsuzlukları. GTIN atamalarını aşağıda tutun Döküman kontrolu ve yazdırmadan önce MES/WMS ile senkronize edin.
• Yazıcıda yeniden hesaplanıyor. Yazdırma aygıtları hesaplama yapmamalı, verileri işlemelidir; MES/WMS'den doğrulanmış değerleri onlara iletmelidir.
• Tedarikçi uyumsuzluğu. Gelen AI standartlarını uygulayın ve "genel" etiketler gönderen satıcılara karşı koyun; rıhtımdaki yeniden işlemeler zamanınızı alır.

15) Yapay Zeka/Etiket Dosyasında Neler Bulunmalıdır?

Belge Kontrolü altında GTIN atamalarını ve paket hiyerarşilerini, SSCC kurallarını, seri oluşturma/benzersizlik politikasını, AI kullanım matrisini, yazdırma şablonlarını ve mantığını, doğrulayıcı özelliklerini ve rutin sonuçlarını, tarayıcı ayrıştırma testlerini, EPCIS/EDI arayüz özelliklerini, istisna işleme/yeniden yazdırma prosedürlerini ve onayları/geçerlilik tarihlerini ekleyin . Etiket görüntülerini, ayrıştırılmış yükleri ve tarama kayıtlarını saklama kurallarına göre saklayın . Kodlananı kanıtlayamazsanız, gönderileni savunamazsınız.

16) Bu V5 ile Nasıl Uyumlu? SG Systems Global

Yapay Zeka Ana Verileri. V5 platformunda , GTIN'ler, paket seviyeleri ve yapay zeka kuralları, denetim izinde onayları kaydedilen, sürümlü ve geçerlilik tarihli nesnelerdir . Seri numaralandırma politikaları ( benzersiz birim tanımlaması ) kapsamları ve aralıkları tanımlar.

Yürütme ve Kilitlemeler. V5, eBMR/WMS bağlamından yapay zeka dizeleri oluşturur ve bir cihaz kalibrasyon durumu dışındaysa , GTIN/paket hiyerarşisi eksikse veya sözdizimi doğrulaması başarısız olursa yazdırmayı engeller. Mal Kabulü sırasında partileri ve konumları otomatik olarak tarar ve Kalite Kontrol onayı verilene kadar bekletme işlemini uygular.

İzlenebilirlik ve Sevkiyat. V5, etiketlerinizde bulunan aynı yapay zekalarla bağlantılı EPCIS olayları yayar ve bu tanımlayıcıları kullanarak EDI ASN'leri oluşturur; böylece müşteriler tam olarak kodladığınızı alır. Kontrol panelleri, tarama kalitesi KPI'larını ve tedarikçi uygunluğunu gerçek zamanlı olarak gösterir.

Özetle: V5, GS1 yapay zekasını operasyonel bir kaldıraç haline getiriyor: doğru etiketler, temiz taramalar, anında izlenebilirlik ve daha az iade işlemiyle daha hızlı teslimat.

17) SSS

S1. GTIN, AI ve UDI arasındaki fark nedir?
MKS GTIN ürün tanımlayıcısıdır (genellikle AI (01) ile kodlanır). AI her veri öğesinin anlamını tanımlayan önektir (örneğin, (10) çok, (17) son kullanma tarihi). UDI tıbbi cihazlar için tipik olarak GS1 AI'larını (örneğin, (01)+(17)+(10)+(21)) artı veritabanı gönderimlerini (örneğin, GUDID) kullanan düzenleyici bir yapıdır.

S2. Satılabilir birimlerde hangi yapay zekalar "olmazsa olmaz"dır?
Sektörünüze ve müşterilerinize bağlıdır, ancak (01) GTIN, (10) çok ve (17) son kullanma tarihleri ​​ortak asgarilerdir; ekleyin (21) Ürün düzeyinde izlenebilirlik/UDI için seri numarası. Kasalar/paletler genellikle (00) SSCC.

S3. (10) ve (21) gibi değişken uzunluktaki alanları nasıl işlerim?
Alan semboldeki son alan değilse FNC1 ile sonlandırın. Şablonunuzda maksimum uzunlukları ayarlayın ve dock'ta kesme veya ayrıştırma hatalarını önlemek için yazdırma sırasında doğrulayın.

S4. Ağırlık için (310n) yerine (320n) ne zaman kullanmalıyım?
Kullanım (310n) kilogram (SI) için (320n) pound için. Ondalık hassasiyetini seçin n süreç yeteneğinizi ve etiketleme iddianızı eşleştirmek için, aşağıdakiler altında yönetilir: UOM tutarlılığı.

S5. Serinin benzersizliğini nasıl garanti edebilirim?
Serileştirmeyi yönetin Benzersiz Birim Tanımlaması Net kapsam (GTIN başına, tesis başına veya küresel), baskıdan önce çakışma kontrolleri ve paketleme/gönderme sırasında mutabakat. Seri numaralarını asla elektronik tablolarda oluşturmayın.

S6. Yapay Zekalar, EPCIS ve ASN'lerle nasıl ilişkilidir?
Kodladığınız aynı tanımlayıcılar (GTIN, lot, seri, SSCC) anahtarlar haline gelir EPCIS etkinlikleriniz ve satır öğeleriniz EDI Ön Kargo Bildirimi. Etiket yanlışsa, dijital mesajlarınız da yanlış olacaktır.

İlgili Okuma
• Tanımlayıcılar ve Lojistik: GS1 GTIN | SSCC | EPCIS | serileştirme
• Etiketleme ve Sistemler: Etiket Doğrulaması | WMS | MES | EDI
• Kalite ve Yönetişim: Döküman kontrolu | Denetim İzi | Kayıt tutma | Kalite kontrol | QA