ENTERPRISE DATA / INDUSTRIAL AI
nimitFlowMenghubungkan data, mesin
dan AI dalam sistem tunggal
nimitFlow adalah platform Low-Code untuk menghubungkan data dan membuat workflow otomatis. Dimulai dari satu tugas dalam organisasi, kemudian berkembang menjadi data lake pusat, data governance, dan sistem pabrik pintar IoT serta AI machine learning yang terintegrasi.
Mulai THB 8,000/bulanPricing awal untuk Cloud · Proyek enterprise dan sistem integrasi tambahan dinilai secara terpisah per proyek
Mulai dari tugas yang ingin dihubungkan, kemudian berkembang menjadi sistem yang terpadu
Gunakan nimitFlow sebagai inti untuk menerima dan memproses data. Pilih data lake, alat pengawasan, dan model AI yang sesuai dengan tugas Anda
01 / DATA FOUNDATION
Satukan data agar siap digunakan
Terima data dari sistem, database, API, dan halaman web yang ada ke dalam jalur data yang dapat ditelusuri
02 / TATA KELOLA DATA
Tahu asal dan penanggung jawab data
Definisikan pemilik data, deskripsi, kualitas, hak, dan siklus hidup bersama dengan sistem yang terhubung
03 / INDUSTRIAL IoT
Hubungkan data dari pabrik
Gabungkan total produksi, pengukuran kualitas, kondisi mesin, dan hasil pemeriksaan dari kamera di tempat kerja
04 / AI & ANALYTICS
Kirim data untuk analisis lebih lanjut
Siapkan data untuk model, analisis tren, dan kirim hasil ke laporan atau langkah-langkah workflow
Apakah cocok untuk pekerjaan Anda?
Cocok untuk siapa?
Tim TI dan insinyur yang perlu menghubungkan data dari berbagai sistem serta menambahkan kode Python sesuai kebutuhan pekerjaan
Persiapkan informasi sebelum berbicara
Sumber data atau sistem lama, contoh data, dan tugas untuk otomatisasi.
Ringkasan
- nimitFlow adalah platform Low-Code oleh Inspektion untuk membuat Data Pipelines (penerimaan, pemrosesan, dan transfer data) dan otomatisasi workflow dengan menarik node ke Canvas (area layout flow)
- nimitFlow dapat dipasang pada server organisasi menggunakan Docker Compose (suite instalasi kontainer) dan menghubungkan node AI dengan LLM yang berjalan dalam organisasi melalui Ollama, sehingga menjaga data tetap dalam jaringan
- Di nimitFlow, tugas umum dikonfigurasi melalui formulir tanpa menulis kode, sementara tugas kompleks menggunakan node Python yang berjalan dalam lingkungan sandbox yang membatasi penggunaan sumber daya
- Ekstensi Enterprise mendukung Data Lakehouse, Data Catalog, Data Governance, dan analisis AI dalam batas proyek, mengevaluasi alat konektivitas dan sistem instalasi terpisah
- nimitFlow Cloud Subscription mulai dari THB 8,000/bulan. Harga penerapan di lingkungan organisasi dinilai berdasarkan jumlah pengguna dan lingkup integrasi
Bagaimana nimitFlow menghubungkan tim data dan tim pabrik?
Ketika data ada di file-file, database, dan aplikasi yang berbeda, laporan memerlukan pengumpulan ulang dan verifikasi ulang akurat. nimitFlow menggunakan Flow sebagai jalur tengah untuk menerima, mentransformasi, memproses, dan mentransfer data, memungkinkan tim melihat langkah-langkah dan bekerja sama
| Tantangan tim | Arah awal |
|---|---|
| Tim IT dan data | Koneksikan basis data API dan file, buat Data Pipeline, dan lakukan inspeksi kualitas sebelum menggunakan |
| Manajer Data | Tetapkan definisi, pemilik set data, hak akses, dan aturan validasi bersama Data Catalog dan sistem tata kelola |
| Tim Kepala dan Tim Perawatan | Terima volume produksi, nilai pengukuran, dan kondisi mesin dari peralatan atau aplikasi frontend, kemudi buat laporan bersama |
| Tim Analisis dan Manajemen | Gunakan data yang telah disiapkan untuk menunjukkan tren, membuat laporan, atau menghubungkan model AI sesuai masalah yang diberikan |
Mulai satu pekerjaan, kemudian secara bertahap memperluas
Pilih pekerjaan ulang yang memiliki data tersedia, seperti total produksi harian atau pemberitahuan nilai abnormal, uji Flow dengan data nyata sebelum memperluas ke beberapa sistem
Buat pekerjaan otomatis dengan Low-Code dan Python
Desain Flow dengan menarik node dari Toolbox dan menghubungkannya, tentukan sumber, langkah pemrosesan, dan tujuan. Dokumen presentasi menyebut pendekatan ini dalam pembuatan pekerjaan sebagai nimitGraph, sementara pekerjaan spesifik menggunakan Python dalam node untuk menentukan kondisi tambahan
- 1
Terima data
Pilih PostgreSQL, MySQL, HTTP/REST, Webhook, atau file yang digunakan dalam pekerjaan, dan konfigurasikan pengaturan akses
- 2
Menetapkan operasi
Tautkan node data, transformasikan nilai, hitung, ulangi, atau panggil Python dan AI secara berurutan
- 3
Uji dan atur Trigger
Lakukan uji coba, periksa hasil, kemudi pilih untuk menjalankan sendiri, tetapkan waktu, atau terima peristiwa dari Webhook
- 4
Kirim hasil kepada tim pengguna
Buat grafik, laporan Excel/CSV, atau kirim data dan pemberitahuan melalui saluran yang terhubung
- Python untuk kondisi tertentu dan AI Code Generator membantu menyusun kode untuk pengembang untuk diperiksa sebelum digunakan
- nimitFlow Drive menyimpan file dan membagi izin pemilik, editor, dan hanya pembaca
- Ekspor dan impor Flow sebagai file .nim untuk mengembalikan pekerjaan atau melanjutkan pengembangan
- Sistem atau database tanpa node siap pakai, hubungkan lebih lanjut melalui Python atau API sesuai dengan titik akhir yang didukung
Data Pipeline dan Data Lakehouse: Dari data mentah ke data yang dapat digunakan
Gunakan nimitFlow untuk mengarahkan data dari sistem SQL/NoSQL yang sudah ada, API, berkas, dan peralatan di lokasi ke penyimpanan data terpusat. Pisahkan proses penyimpanan dari pemrosesan agar sumber daya dapat dipilih sesuai volume data dan frekuensi yang diperlukan
| Lapisan Data | Tanggung Jawab |
|---|---|
| Bronze / Data Mentah | Simpan data sesuai dengan format sumber, bersama dengan sumber dan waktu menerima |
| Silver / Data yang Diverifikasi | Membersihkan, memeriksa kesempurnaan, dan menstandarkan untuk interoperabilitas |
| Gold / Data Siap Pakai | Siapkan data sesuai dengan persyaratan dashboard, laporan BI, atau model AI |
- Pilih tugas penerimaan data baik dalam mode batch atau streaming berdasarkan siapnya sumber
- Desain area penyimpanan file kompatibel S3 dan pisahkan lapisan pemrosesan atau pencarian berdasarkan proyek
- Definisikan periode penahanan data untuk setiap lapisan, arsip, dan pemulihan bersama dengan administrator sistem
Pilih alat penyambungan sesuai dengan ukuran pekerjaan
Apache Airflow, Kafka, Spark, Trino/Dremio dan MinIO/SeaweedFS adalah opsi dalam arsitektur referensi. Evaluasi instalasi dan koneksi terpisah diperlukan, bukan bagian dari setiap paket dalam nimitFlow.
Data Governance: Tahu sumber, periksa kualitas, dan definisikan hak data
Implementasikan pengawasan bersamaan dengan aliran data dengan menunjuk Pemilik Data yang bertanggung jawab atas data dan Pengelola Data yang mengelola makna dan kualitas. Terapkan aturan organisasi ke Flow dan sistem Katalog yang terintegrasi.
- Data Catalog / Metadata: Catat deskripsi, sumber, pengelola, dan kategori dataset untuk dapat ditemukan
- Data Lineage: Tunjukkan langkah-langkah mana yang telah dilewati oleh data dan di mana digunakan dalam laporan untuk menganalisis dampak saat mengubah sumber
- Elemen Data Kritis: Identifikasi data penting dan aturan validasi, seperti nilai kosong, format data, duplikat, dan kelengkapan
- Data Quality: Tetapkan aturan validasi dan laporkan anomali kepada pihak yang bertanggung jawab sesuai dengan workflow
- Security: rancang hak akses, penyamaran data, serta pengelolaan kunci atau informasi rahasia bersama sistem yang dipilih untuk diterapkan
Siklus hidup data mencakup pembuatan, penyimpanan, penggunaan, publikasi, pengarsipan, dan pemusnahan, dengan penanggung jawab serta ketentuan setiap tahap ditetapkan sesuai kebijakan organisasi
- 1
Terima permintaan terkait data
Merekam permintaan akses, modifikasi, atau manajemen data yang masuk ke proses organisasi
- 2
Mencari dan memverifikasi
Menggunakan data Katalog dan saluran koneksi untuk mencari item yang relevan, bersama dengan memverifikasi izin dan lingkup
- 3
Menyetujui
Mengirim pihak yang bertanggung jawab untuk meninjau dan menyetujui permintaan sebelum melanjutkan tindakan
- 4
Melaksanakan dan merekam sejarah
Mengelola data sesuai hasil persetujuan, merekam hasil dan bukti untuk tinjauan retrospektif
lingkup pekerjaan pengendalian
Aturan, izin, penyetujui, dan waktu pemrosesan harus ditentukan bersama dengan organisasi. Pemasangan Workflow membantu mendukung proses, tetapi tidak secara otomatis menjamin bahwa organisasi memenuhi semua persyaratan
Industri IoT: Menghubungkan data lapangan ke dalam gambaran keseluruhan pabrik
Setiap perangkat dan aplikasi memiliki tugas spesifik. nimitFlow membantu mengumpulkan data untuk digunakan lebih lanjut dalam laporan atau workflow bersama dengan memilih sinyal, antarmuka, dan gateway yang sesuai dengan mesin
| Titik kerja | Data untuk koneksi |
|---|---|
| DoLINE / Volume Produksi | Rencana, volume produksi aktual, dan selisih dari stasiun produksi |
| InQC + InGauge / Kualitas | Nilai yang diukur dari instrumen melalui peralatan pengumpulan data dan hasil pengendalian kualitas |
| InCBM + InSensor / Kondisi Mesin | Nilai sensor yang diterima melalui InSensor dan data kondisi mesin dari sistem yang terhubung |
| LearningCam / Pemeriksaan Produk | Hasil pemeriksaan, pencacahan, atau klasifikasi produk menurut model dan kondisi uji |
| Task Cam / Langkah Kerja | Verifikasi langkah-langkah kerja dan waktu di stasiun kerja |
Untuk pekerjaan analisis getaran, dapat dirancang untuk menerima data → memproses sinyal dan grafik FFT → menganalisis sesuai dengan kriteria atau model → mengirim hasil kepada tim perbaikan dan pemeliharaan. Analisis menggunakan model adalah pekerjaan tambahan yang harus dipersiapkan dan diuji secara terpisah dari pemantauan ambang batas InCBM.
AI dan Mesin Belajar yang terintegrasi dengan proses kerja
Berikan data yang telah dipersiapkan dan diperiksa sebagai titik awal untuk pekerjaan AI. Gunakan Flow untuk menyusun urutan persiapan data, memanggil model, dan mengirim hasil analisis kepada pengguna atau sistem.
- Serinya Waktu dan Deteksi Anomali: Buat variabel dari data seri waktu, bandingkan nilai dasar, dan uji deteksi anomali.
- AI Visi: Terima hasil pemeriksaan dari kamera yang memproses data real-time, hubungkannya dengan jumlah produksi, kualitas, dan riwayat stasiun.
- LLM: Hubungkan model melalui node AI atau gunakan Ollama untuk model yang beroperasi dalam organisasi.
- Dashboard dan laporan: Tampilkan tren, hasil model, dan status pekerjaan bersamaan dengan data yang dapat diakses oleh pengguna.
Uji sebelum membuat keputusan
Akurasi dan kecepatan bergantung pada data, model, peralatan, dan kondisi pekerjaan. Uji harus dilakukan dengan set data validasi terpisah dan kriteria penerimaan yang ditentukan sebelum penggunaan nyata.
Pilih instalasi yang sesuai dengan kebijakan dan beban kerja
Pilih antara Cloud Subscription atau pemasangan server on-premises (On-Premise) dengan mengevaluasi jumlah pengguna, sumber data, frekuensi flow, ruang penyimpanan, dan personel yang bertanggung jawab
| Format | Persyaratan persiapan |
|---|---|
| Cloud Subscription | Lingkup data yang dikirim ke sistem, pengguna, dan saluran integrasi yang diizinkan organisasi |
| On-Premise | Server jaringan, ruang penyimpanan, sistem cadangan, dan administrator internal |
| Enterprise / High Availability | Desain bagian pemrosesan terpisah, cadangan dan pergantian layanan, bersama dengan uji pemulihan dalam lingkup pekerjaan |
| Jaringan tertutup / Air-gapped | Periksa semua flow, model, dan komponen untuk memastikan mereka beroperasi secara internal, termasuk metode pemasangan, pembaruan, dan masukan/memindahkan data |
Arsitektur Enterprise dalam dokumen terpisah mendefinisikan area Edge, App, Data, dan Eksekusi untuk mendesain hak akses dan sumber daya untuk setiap bagian. Pilihan pendekatan Container atau sistem Cluster harus sesuai dengan lingkungan dan versi yang dipasang
Tentukan lingkup sebelum meminta penawaran
Data Lakehouse, Katalog, HA, model AI, dan perangkat tepi adalah komponen tambahan yang dievaluasi berdasarkan proyek, jumlah layanan, tingkat pengambilan data, dan tingkat ketersediaan harus merujuk pada desain dan hasil uji coba dari pekerjaan tersebut
Mulai dari masalah nyata, kemudian tentukan hasil yang dapat diterima
- 1
Mengecek data dan pekerjaan yang ada
Kumpulkan informasi sumber data, contoh data, format laporan, pengguna, dan batasan jaringan
- 2
Memilih proyek pilot
Menetapkan satu tugas aliran dengan hasil dan kriteria penerimaan yang disepakati oleh tim inspeksi
- 3
Menghubungkan dan menguji
Menguji dengan data nyata, memeriksa kesalahan, izin, dan operasi ketika sistem sumber daya berhenti
- 4
Penyerahan dan memperluas
Persiapkan manual, pihak yang bertanggung jawab, cadangan dan pekerjaan pengikuti sebelum menambahkan sumber data atau model baru
Nilai kelayakan biaya berdasarkan waktu pengumpulan data, pekerjaan berulang yang berkurang, kualitas data yang teridentifikasi, dan biaya pemeliharaan sistem organisasi. Jangan gunakan angka penghematan atau akurasi dari gambar demonstrasi sebagai jaminan hasil untuk setiap proyek
Spesifikasi teknis
| Jenis | Platform perangkat lunak Low-Code / No-Code untuk otomatisasi dan sistem Pipa Data |
|---|---|
| Versi saat ini | nimitFlow 4.02a (informasi September B.E. 2569) |
| Penggunaan | Dapat diakses melalui web browser |
| Format Pemasangan | Terinstal pada server korporat menggunakan Docker Compose (paket instalasi kontainer) (on-premises atau langganan cloud) |
| Teknologi backend | Sistem backend Python · Basis data PostgreSQL · Halaman web Next.js / React |
| Node yang siap pakai | Python, AI LLM, PostgreSQL, MySQL, HTTP/REST, jenis grafik yang beragam, Loop, Trigger (Manual / Jadwal / Webhook), nimitFlow Drive |
| Terhubung melalui Python | MSSQL, MongoDB, InfluxDB, SharePoint, Power BI, Power Apps, Superset, Dremio, OpenMetadata, LINE, email |
| File flow | File .nim (ekspor/impor seluruh aliran) dan file CSV untuk mengatur perangkat jarak jauh seperti papan DoLINE |
| Penyimpanan file | nimitFlow Drive (My Drive, Shared with Me, Trashed), berbagi sesuai hak akses Pemilik / Edit / Lihat saja |
| Keamanan | Masuk menggunakan JWT (token autentikasi) · Verifikasi izin untuk setiap perintah · Node basis data hanya baca · Enkripsi kata sandi basis data · Python dijalankan dalam lingkungan sandbox |
| Perangkat Inspektion yang mengirim data masuk | Task Cam, InQC, InGauge (melalui InQC), DoLINE, LearningCam, DoRare |
| Laporan dan peringatan | Laporan Excel / CSV · Peringatan melalui skrip Python sesuai lingkup pekerjaan |
Spesifikasi minimum Server, jumlah pengguna per paket, dan kapasitas penyimpanan belum ditetapkan sebagai angka standar. Tim menilainya sesuai skala proyek
Arsitektur dan Konektivitas
FROM SOURCE TO ACTION
Tetapkan jalur data dari sumber hingga pengguna akhir
Mulai dari saluran yang sistem yang ada buka untuk koneksi, kemudian susun urutan penerimaan data, pemeriksaan, pemrosesan, dan transfer dalam nimitFlow
- 01
Data sumber
Database · API · CSV · Mesin melalui Gateway · Hasil dari aplikasi frontend
- 02
nimitFlow
Pemicu → Terima data → Verifikasi dan transformasi → Python / AI → Kirim hasil
- 03
Memanfaatkan data
Dashboard · Laporan · Aplikasi Fasilitas · Data Lake dan Sistem Perusahaan
Memperluas struktur sesuai dengan beban kerja dan kebijakan data
Sensor, kamera, dan Gateway di lokasi pekerjaan, seperti InSensor untuk menerima data mesin
Antarmuka web, akun API pengguna, dan aturan akses
Database, penyimpanan file, dan data lake yang dipilih
Worker memproses skrip flow, skrip Python, dan tugas analisis
Cloud dan On-Premises adalah opsi instalasi, sementara HA, jaringan tertutup, dan peningkatan Worker memerlukan desain dan uji coba menurut sistem nyata, termasuk pengecekan panggilan layanan eksternal dalam setiap Flow
Sistem yang dapat terhubung
- PostgreSQL
- MySQL
- HTTP / REST API
- Webhook
- API untuk integrasi ERP / MES
- LLM: Gemini · Claude · ChatGPT · DeepSeek
- Ollama (LLM Perusahaan)
- MSSQL · MongoDB · InfluxDB (melalui Python)
- SharePoint · Power BI · Power Apps (melalui Python)
- LINE · Email (melalui Python dalam lingkup pekerjaan)
- Task Cam
- InQC
- DoLINE
- LearningCam
- InCBM
Persyaratan Sistem
- Pengguna mengakses melalui browser web tanpa perlu memasang perangkat lunak pada komputer pengguna
- Penerapan di lingkungan organisasi: Server dengan sistem operasi Ubuntu, dengan seluruh sistem dipasang menggunakan satu paket Docker Compose (instalasi berbasis kontainer)
- Tangani lebih banyak pekerjaan dengan menambah pemroses tugas (Worker)
- Gunakan AI di organisasi: Mesin yang menjalankan LLM melalui Ollama, LM Studio atau llama.cpp dalam jaringan yang sama
- Model Langganan Cloud: Tidak perlu membeli atau merawat server sendiri
Paket penggunaan
Model Lisensi
Langganan tahunan
Model langganan Cloud menagihkan bulanan mulai dari 8,000 THB/bulan. Untuk penerapan on-premises pada server organisasi, penilaian harga dilakukan berdasarkan jumlah pengguna dan lingkup konektivitas.
- Harga tidak termasuk VAT
- Minta penawaran harga untuk penerapan on-premises dari tim
Pilih mode penggunaan sesuai dengan kebijakan data organisasi dan anggaran
Cloud Subscription
Mulai THB 8,000/bulan
- Gunakan melalui web, tidak perlu mengelola server sendiri
- Sistem pembaruan fitur berkelanjutan
Penerapan On-Premises
Minta penawaran
- Gunakan Docker Compose untuk memasang di server organisasi (paket instalasi kontainer)
- Data dan AI beroperasi dalam jaringan organisasi
- Penetapan harga berdasarkan jumlah pengguna dan jangkauan konektivitas
Harga tidak termasuk pajak pertambahan nilai (VAT) — detail tergantung pada jumlah pengguna dan jangkauan konektivitas
Industri yang Digunakan
- Pabrik manufaktur umum
- Energi (pekerjaan perawatan pabrik minyak)
- Layanan
- Bagian otomotif (pekerjaan prototipe)
Screenshot
Cara memulai
nimitFlow tidak tersedia untuk instalasi sendiri karena memerlukan desain Flow yang disesuaikan dengan data dan prosedur dari setiap organisasi. Langkah-langkah awal adalah menentukan demo, memilih proyek uji coba, dan melakukan uji coba dengan data organisasi yang nyata. Tim teknik kami akan membantu menilai kesiapan dan mendesain Flow.
Persiapan apa saja
- Daftar sumber data yang akan dihubungkan, seperti perangkat Inspektion yang ada (InQC, DoLINE, Task Cam, InGauge), database, sensor, atau sistem ERP/MES lama
- Contoh data nyata, seperti file Excel/CSV atau formulir kertas yang digunakan saat ini di lokasi
- Tugas otomatis yang ingin Anda lakukan, seperti laporan yang berulang setiap hari atau kondisi yang memerlukan pemberitahuan LINE atau email, bersama dengan daftar penerima
- Jenis pemasangan yang diinginkan — Cloud atau pemasangan server on-premises (On-Premise) sesuai dengan kebijakan data, dan apakah penggunaan AI dalam organisasi diinginkan
- Jumlah pengguna yang didekati dan jangkauan konektivitas, yang digunakan untuk menghitung harga
Pertanyaan yang Sering Diajukan
Apa itu nimitFlow? Untuk apa bisa digunakan?
nimitFlow adalah platform Low-Code untuk menghubungkan data dan membuat alur kerja otomatis menggunakan Flow. Platform ini menerima data dari basis data, API, dan lokasi di lapangan, memprosesnya dengan Python atau AI, dan mengeluarkan laporan atau pemberitahuan. NimitFlow juga dapat diintegrasikan dengan gudang data dan proyek pengaturan.
Apakah saya harus tahu cara menulis kode?
Tugas umum dikonfigurasi melalui formulir dan node dapat dihubungkan. Tugas spesifik menggunakan Python dan memiliki AI Code Generator untuk membantu menulis kode yang akan ditinjau oleh pengembang. Low-code mengurangi penulisan ulang kode tetapi masih memerlukan desain dan pengujian Flow agar sesuai dengan data nyata.
Berapa harganya? Apakah Data Lakehouse termasuk dalam harga awal?
Cloud Subscription mulai dari THB 8,000/bulan, belum termasuk VAT. On-Premise dan proyek Enterprise dinilai sesuai lingkup. Data Lakehouse, Catalog, HA, model AI, dan peralatan di lokasi harus dinilai secara terpisah; tidak semuanya termasuk dalam harga awal
Apakah bisa dipasang di organisasi atau jaringan tertutup?
nimitFlow dapat dipasang pada server organisasi dan memilih untuk menggunakan LLM internal melalui Ollama. Proyek jaringan tertutup memerlukan pengecekan setiap model Flow dan komponen tanpa bergantung pada layanan eksternal, dan merancang metode pembaruan dan perawatan sistem bersama dengan pihak yang bertanggung jawab di organisasi.
Bagaimana cara menghubungkan data mesin ke nimitFlow?
Sensor atau PLC harus memiliki saluran pembacaan data yang didukung dengan memilih Gateway yang cocok seperti InSensor untuk memenuhi sinyal, kemudian mengirim data ke dalam Flow untuk pengecekan, transformasi, dan digunakan dalam aplikasi seperti InCBM atau laporan pabrik. Tim mengevaluasi antarmuka dan kondisi setiap perangkat sebelum pemasangan.
Apakah semua komponen harus dipasang bersamaan?
Tidak, mulailah dengan Flow dan sumber data yang Anda perlukan terlebih dahulu, kemudian tambahkan data warehouse, alat manajemen, model AI, atau sistem cadangan ketika Anda memiliki tantangan dan sumber daya yang tepat. Gambar dalam dokumen menunjukkan pendekatan solusi, bukan paket yang mencakup segalanya.
