AI, IoT, dan sistem data untuk pabrik dan organisasi

Masalah yang dapat ditangani

• Status mesin dan waktu siklus belum dapat dilihat pada satu layar
• Perlu menghitung siklus penggunaan cetakan atau mesin untuk pengingat pemeliharaan
• Perlu memantau getaran motor atau tinggi muka air di lokasi terpencil

Batasan yang perlu diperhatikan

Sistem dalam kasus ini menampilkan data dan memberikan peringatan. Keputusan menghentikan mesin atau memperbaiki cetakan tetap berada pada tim Anda. Mesin tanpa data yang dapat dibaca perlu dinilai satu per satu untuk penambahan sensor atau perangkat penerima sinyal.

Pengalaman kami

Kami menyerahkan sistem penghitung shot cetakan injeksi dan pengingat pemeliharaan melalui email kepada produsen komponen otomotif di Thailand pada 2021, lalu memasangnya di basis produksi Kamboja pada 2022. Inspektion juga memasang 20 stasiun pemantauan tinggi muka air DoRare Station di 4 provinsi Thailand pada 2026.

Pelajaran yang kita dapatkan

Mulailah dari data yang sudah ada pada mesin sebelum mempertimbangkan sensor tambahan. Sistem harus membaca berkas mesin saat datanya lengkap, dan penanggung jawab untuk peringatan serta pengaturan ulang penghitung harus ditetapkan dengan jelas.

Apa artinya bagi Anda?

Proyek Anda dimulai dengan meninjau data yang sudah disimpan mesin dan menentukan penerima peringatan sebelum sistem diaktifkan.

Kasus nyata terkait

• Penghitungan shot cetakan dan pengingat pemeliharaan — Produsen komponen otomotif di Thailand dan KambojaTahun 2021–2022
• Memantau 7 mesin bubut CNC melalui OPC UA pada Grafana — Pabrik manufaktur di ThailandTahun 2025–2026
• 20 stasiun pengukuran tingkat air DoRare Station — Pemantauan banjir di 4 provinsi ThailandTahun 2026
• Aplikasi tablet yang menggabungkan pembacaan getaran motor, pompa, dan blower — Pabrik manufaktur makanan dan minumanTahun 2025–2026Sedang berlangsung

Produk pendukung

• InCBM
• InSensor
• InGauge
• DoRare Station

Pilihan layanan paling sesuai

• Instalasi sistem AI dan IoT untuk pabrik
• Perawatan dan Pemeliharaan Sistem Tahunan

Masalah yang dapat ditangani

• Pemeriksaan permukaan secara visual memberikan hasil berbeda antarpetugas
• Perlu mengukur dimensi atau bentuk komponen dari gambar dan menghasilkan laporan kendali mutu
• Perlu membaca label atau menghitung komponen di konveyor sebagai pengganti input atau penghitungan manual

Batasan yang perlu diperhatikan

Pemeriksaan kamera harus diuji pada komponen nyata sebelum kriteria penerimaan disepakati. Beberapa kasus masih berupa prototipe atau sedang dikerjakan; statusnya ditampilkan di samping tautan kasus.

Pengalaman kami

Pada 2017, kami memasang 8 unit kamera dan pemrosesan gambar untuk pemeriksaan retak pada 2 lini produksi genteng di pabrik bahan bangunan, lalu mengujinya pada genteng dengan 12 warna. Kami juga mengembangkan 2 mesin pemeriksa sambungan kaleng menggunakan kamera dan alat ukur digital untuk produsen kaleng logam di Thailand pada 2016–2017.

Pelajaran yang kita dapatkan

Pengaturan pencahayaan harus mengikuti setiap produk, bukan mesin. Lini yang memproduksi berbagai warna perlu menyimpan tingkat pencahayaan untuk setiap warna. Warna baru harus disetel dan diuji ulang sebelum digunakan.

Apa artinya bagi Anda?

Sebelum perancangan dimulai, siapkan sampel setiap warna atau model yang akan diperiksa dan sepakati metode pengujian yang mengukur besaran sesuai sasaran pemeriksaan.

Kasus nyata terkait

• Pemeriksaan retak genteng dengan kamera pada 2 lini produksi — Pabrik bahan bangunanTahun 2016–2017
• Pemeriksaan sambungan kaleng menggunakan kamera dan alat ukur digital — Produsen kaleng logam di ThailandTahun 2016–2017
• Kamera AI Mendeteksi dan Menghitung Tutup Botol Plastik pada Sabuk Konveyor — Produsen tutup botol plastikTahun 2025–2026Sedang berlangsung
• Kamera AI untuk memeriksa kelengkapan komponen pada baki kit — Pabrik komponen otomotif di ThailandTahun 2025Prototipe

Produk pendukung

• LearningCam
• Task Cam

Pilihan layanan paling sesuai

• Instalasi sistem AI dan IoT untuk pabrik
• Pembangunan sistem inspeksi dan kontrol yang spesifik

Masalah yang dapat ditangani

• Data produksi tersebar di berbagai berkas dan mesin sehingga harus dibuka satu per satu
• Laporan pemeliharaan dan dokumen teknis banyak, tetapi riwayatnya sulit dicari
• Semua bagian membutuhkan dasbor bersama untuk KPI, produk cacat, hasil produksi, atau penjualan

Batasan yang perlu diperhatikan

Jawaban asisten AI tetap harus diperiksa oleh manusia terhadap laporan asli sebelum keputusan dibuat. Kami tidak menggunakan AI untuk mengambil keputusan menggantikan insinyur. Jika data Anda masih berupa kertas, pekerjaan dimulai dengan digitalisasi data.

Pengalaman kami

Pada 2026, kami menyerahkan sistem AI pada nimitFlow yang mencari riwayat perbaikan katup dari laporan inspeksi dan perbaikan untuk pemeliharaan kilang minyak; pemberi kerja menandatangani dokumen penyelesaian pekerjaan. Kami juga memindahkan situs data produksi yang menerima data dari 11 lini produksi ke server pusat untuk produsen komponen otomotif di Thailand, dengan serah terima pada 2023.

Pelajaran yang kita dapatkan

Data harus terstruktur sebelum AI digunakan, dan pengguna harus dapat memverifikasi jawaban terhadap laporan asli. Pada proyek perbaikan katup, jawaban mencantumkan Tag No. laporan yang digunakan sehingga insinyur dapat membuka laporan aslinya untuk ditinjau.

Apa artinya bagi Anda?

Proyek dimulai dengan menyeragamkan judul bagian laporan atau format data dan mengumpulkan pertanyaan nyata dari tim sebagai set pengujian sebelum digunakan.

Kasus nyata terkait

• Sistem AI mencari riwayat perbaikan katup dari laporan inspeksi perawatan — Layanan perawatan dan perbaikan pabrik minyakTahun 2026
• Basis data cloud terpusat yang menggabungkan KPI, produk cacat, penjualan, dan laba — Pabrik komponen otomotifTahun 2023–2024
• Memindahkan situs data produksi 11 lini ke server pusat — Pabrik komponen otomotif di ThailandTahun 2022–2023
• Aplikasi web P-Chart mencatat cacat di server di pabrik — Pabrik komponen otomotif di ThailandTahun 2024–2025

Produk pendukung

• nimitFlow
• Enterprise KM Chatbot
• Data Lakehouse & Pipeline

Pilihan layanan paling sesuai

• Koneksikan Data dan Kembangkan AI untuk Organisasi
• Pembangunan sistem inspeksi dan kontrol yang spesifik

Masalah yang dapat ditangani

• Pencatatan di lini produksi masih menggunakan kertas lalu diketik ulang ke Excel
• Persetujuan dokumen memerlukan beberapa tahap penerusan manual
• Memerlukan sistem registrasi atau platform keanggotaan dengan izin berbasis peran

Batasan yang perlu diperhatikan

Peluncuran aplikasi ke seluruh organisasi sekaligus tidak cocok saat alur kerja masih sering berubah. Mulailah dengan prototipe pada lini atau departemen pertama.

Pengalaman kami

Pada 2022, kami memperluas aplikasi pencatatan 5M1E (manusia, mesin, metode, material, pengukuran, dan lingkungan) pada Power Apps ke 6 lini produksi awal milik produsen komponen otomotif di Thailand, disertai alur persetujuan Power Automate. Pelanggan kemudian menugaskan fase 2.

Pelajaran yang kita dapatkan

Aplikasi prototipe harus stabil sebelum disalin ke banyak lini. Perbedaan seperti nama lini, kode komponen, dan pemberi persetujuan harus disimpan sebagai data, bukan diubah pada layar aplikasi.

Apa artinya bagi Anda?

Sebelum pengembangan, siapkan formulir atau berkas Excel yang digunakan tim dan tentukan jalur persetujuan setiap laporan sebelum membuat alur kerja.

Kasus nyata terkait

• Memperluas aplikasi pencatatan 5M1E pada Power Apps ke 6 lini produksi — Pabrik komponen otomotif di ThailandTahun 2022
• Stasiun kamera yang membaca label dengan OCR dan mencetak stiker barcode — Pabrik elektronikTahun 2021–2022, 2026
• Katalog teknologi pada Power Apps dengan pendaftaran dan pencarian di satu tempat — Pabrik komponen otomotifTahun 2024
• Aplikasi web untuk meneruskan pekerjaan dalam jaringan bisnis dengan banyak hub — Jaringan bisnisTahun 2026Sedang berlangsung

Produk pendukung

• nimitFlow
• InQC

Pilihan layanan paling sesuai

• Pembangunan sistem inspeksi dan kontrol yang spesifik

Masalah yang dapat ditangani

• Sistem Active Directory atau akun pengguna belum dipelihara secara berkala
• Perlu memigrasikan sinkronisasi akun pengguna dari FIM ke MIM atau meningkatkan Active Directory
• Perlu memigrasikan email dari Exchange Server lama ke Microsoft 365

Batasan yang perlu diperhatikan

Penerapan sistem memerlukan penilaian infrastruktur dan izin akses yang ada terlebih dahulu. Proyek akun pengguna bukan bukti audit keamanan siber seluruh organisasi. Beberapa kasus juga belum memiliki dokumen penerimaan lengkap, sebagaimana tercantum dalam catatan.

Pengalaman kami

Kami memelihara Active Directory serta sistem akun pengguna dan izin akses untuk instansi pemerintah di Thailand berdasarkan kontrak pada 2025–2026. Pada 2023, kami juga memigrasikan sinkronisasi akun dari FIM 2010 R2 ke MIM 2016 untuk penyedia TI dalam grup perbankan.

Pelajaran yang kita dapatkan

Kontrak perlu membedakan pekerjaan berkala, penanganan masalah yang dilaporkan, dan pekerjaan yang tidak diperlukan setiap periode. Setiap bagian perlu memiliki format laporan sendiri, dan dokumen penerimaan harus disimpan untuk setiap periode sejak periode pertama.

Apa artinya bagi Anda?

Kontrak pemeliharaan Anda perlu menetapkan laporan untuk setiap bagian pekerjaan dan menyepakati sejak awal informasi sistem yang boleh diungkapkan dalam laporan eksternal.

Kasus nyata terkait

• Pemeliharaan Active Directory berdasarkan kontrak 12 bulan — Lembaga pemerintahTahun 2025–2026Konfirmasi penerimaan periode terakhir sedang berlangsung
• Pemeliharaan sistem akun pengguna dan izin akses (IAM) — Lembaga pemerintahTahun 2025–2026Hasil yang telah dikonfirmasi mencakup periode pertama
• Memelihara FIM 2010 R2 dan memigrasikannya ke MIM 2016 — Penyedia TI dalam grup perbankanTahun 2021, 2023
• Meningkatkan Active Directory dan memigrasikan email dari Exchange Server 2013 — 2 perusahaan dalam grup yang sama, melalui kontraktor utamaTahun 2025–2026Lingkup berdasarkan pesanan pembelian; laporan penerimaan belum tersedia

Pilihan layanan paling sesuai

• Perawatan dan Pemeliharaan Sistem Tahunan

Masalah yang dapat ditangani

• Ingin mulai menggunakan AI tetapi belum tahu pekerjaan mana yang harus didahulukan
• Tim perlu dilatih agar dapat menggunakan AI atau alat data secara mandiri dengan aturan keamanan data
• Perlu menentukan prioritas risiko ergonomi sebelum berinvestasi pada peralatan atau robot

Batasan yang perlu diperhatikan

Kasus pelatihan sebelumnya belum memiliki pengukuran pascapelatihan yang dapat diverifikasi, sehingga kami tidak mengklaim hasil bisnis dari pelatihan. Tim Anda perlu mengumpulkan hasil setelahnya. Untuk pelatihan AI, kami menyediakan lembar pencatatan waktu sebelum dan sesudah penggunaan AI bagi setiap departemen.

Pengalaman kami

Pada 2026, kami memberikan sesi narasumber 60 menit dalam pelatihan AI internal selama 1 hari untuk produsen baja tahan karat di Thailand. Pada tahun yang sama, kami merancang lokakarya 1 hari agar 5 kelompok peserta menggunakan RULA, REBA, dan NIOSH (alat penilaian risiko ergonomi) untuk memilih pekerjaan berisiko yang perlu diperbaiki terlebih dahulu.

Pelajaran yang kita dapatkan

Hasil pelatihan muncul setelah hari pelatihan, sehingga alat ukur dan penanggung jawab perlu ditetapkan sejak awal. Aturan penanganan data harus diajarkan bersamaan dengan penggunaan AI, bukan ditunda.

Apa artinya bagi Anda?

Saat mengadakan pelatihan tim, tentukan sejak awal siapa yang mengumpulkan hasil tindak lanjut dan gunakan data fiktif pada setiap latihan.

Kasus nyata terkait

• Narasumber untuk pelatihan AI internal — Produsen baja tahan karat di ThailandTahun 2026
• Lokakarya penentuan prioritas risiko ergonomi menggunakan RULA, REBA, dan NIOSH — 5 kelompok peserta, termasuk tim pabrik kemasanTahun 2026
• Lisensi nimitFlow beserta layanan konsultasi — 2 pelanggan swastaTahun 2025

Produk pendukung

• nimitFlow

Pilihan layanan paling sesuai

• Konsultasi dan desain sistem AI/IoT
• Pelatihan AI dan IoT untuk tim