nimitFlowデータ、機械を接続する
とAIを一つのシステムで

データが異なるファイル、データベース、アプリケーションにある場合、レポート作成には再収集と再確認が必要です。nimitFlowはフローを使用して中間パスウェイとして機能し、データの受信、変換、処理、および転送を行い、チームがステップを見ることができるようにし、仕事上の協力を可能にします

Toolboxからノードをドラッグして接続することでフローを設計し、ソース、処理手順、および目的地を定義します。プレゼンテーションドキュメントはこのジョブ作成方法をnimitGraphと呼びます。特定のジョブではノード内でPythonを使用して追加の条件を定義します

1. 1

   データ受信

   PostgreSQL、MySQL、HTTP/REST、Webhook、または作業で使用するファイルを選択し、アクセス設定を構成します

2. 2

   操作の設定

   データノードを接続し、値を変換し、計算を行い、ループし、またはPythonとAIを順番に呼び出します

3. 3

   テストとトリガーの設定

   テスト実行、結果確認後、自分で実行を選択したり、タイミングを設定したり、またはWebhookからのイベントを受け取ります

4. 4

   結果をユーザーチームに送信

   グラフを作成し、Excel/CSVレポートを作成するか、接続されたチャネルを通じてデータとアラートを送信します

• 特定の条件用のPythonとAIコードジェネレーターは、開発者が使用前にレビューするためのコードを起草するのに役立ちます
• nimitFlow Driveはファイルを保存し、所有者、編集者、および視聴者専用の権限を分割します
• .nimファイルとしてフローをエクスポートおよびインポートして、作業を再開するか、開発を継続します
• 既製ノードがないシステムやデータベースは、サポートされているエンドポイントに従ってPythonやAPIを通じてさらに接続します

nimitFlowを使用して、既存のSQL/NoSQLシステム、API、ファイル、およびオンサイトデバイスからのデータを中央データレイクにルーティングします。 ストレージステップを処理ステップから分離し、必要なデータの量と頻度に合わせてリソースを選択します。

• ソースの準備が整っているかどうかに基づいて、バッチモードまたはストリーミングモードでデータ取り込みジョブを選択します
• S3互換のファイルストレージエリアを設計し、プロジェクトごとに処理または検索レイヤーを分離します
• 各レイヤーのデータ保持期間を定義し、アーカイブと復旧はシステム管理者と一緒に行います

データフローと共にガバナンスを実装し、データ所有者としてデータ責任者を任命し、データ管理者として意味と品質を管理します。組織のルールをフローと統合されたカタログシステムに適用します。

• データカタログ/メタデータ：説明、ソース、管理者、およびデータセットのカテゴリを記録して見つけやすくする
• データ系譜：データがどのステップを通ったか、レポートでどこで使用されたかを示すことで、ソースを変更した際の影響を分析する
• 重要なデータ要素：空白値、データ形式、重複、完全性などの検証規則とともに重要なデータを特定する
• データ品質：バリデーションルールを設定し、ワークフローに基づいて異常を関連する担当者に報告する
• Security：導入するシステムに合わせて、アクセス権限、データのマスキング、キーや機密情報の管理を設計

データのライフサイクルは、作成、保存、利用、公開、アーカイブ、廃棄を含みます。各段階の責任者と条件を、組織の方針に合わせて定めます

1. 1

   データリクエストを処理する

   組織のプロセスにデータが入力される際のアクセス要求、修正、または管理を記録する

2. 2

   検索および確認

   カタログデータと接続チャネルを使用して関連アイテムを検索し、権限と範囲を確認します

3. 3

   承認

   責任者にリクエストをレビューし承認させ、その後アクションを実行する

4. 4

   実行と履歴を記録する

   承認結果に基づいてデータを管理し、結果と証拠を記録して後から見直せるようにする

各デバイスとアプリケーションには特定の役割があります。nimitFlowは、信号、インターフェース、ゲートウェイを選択することで、レポートや共同ワークフローでさらに使用するためにデータを集めるのに役立ちます

振動解析作業の場合、データを受信する → シグナルとFFTグラフを処理する → 指標やモデルに従って分析する → 結果を修理・保守チームに送ることができます。モデルを使用した分析は、InCBMの閾値監視とは別に準備し、テストを行う必要があります。

準備および検査済みデータをAI作業の出発点として提供します。Flowを使用してデータの準備、モデル呼び出し、分析結果の送信をシーケンス化します。

• 時系列データと異常検知：時系列データから変数を作成し、基準値と比較し、異常検知をテストします。
• AIビジョン：実時間データを処理するカメラからの検査結果を受け取り、生産数量、品質、ステーション履歴とリンクさせます。
• LLM：AIノードを通じてモデルを接続するか、組織内で動作するモデルのためにOllamaを使用します。
• ダッシュボードとレポート：トレンド、モデル結果、ジョブステータスをユーザーがアクセス可能なデータと共に表示します。

ユーザー数、データソース、Flowの実行頻度、ストレージ容量、運用担当者を評価し、Cloud Subscriptionまたは組織内のServerへの導入（On-Premise）を選択します

別途の文書で定義されたエンタープライズアーキテクチャは、Edge、App、Data、Executionの各領域を定義し、各セクションの権限とリソースを設計します。コンテナアプローチやクラスターシステムの選択は、インストールする環境とバージョンに一致させる必要があります

1. 1

   既存のデータと作業を確認する

   上流データサンプル、レポートフォーマット、ユーザー、およびネットワーク制限を収集する

2. 2

   パイロットプロジェクトを選択する

   検査チームが合意した結果と受け入れ基準を含む一つのフロータスクを定義する

3. 3

   接続してテストする

   実際のデータでテストし、エラー、権限、上流システムが停止した場合の動作を確認する

4. 4

   引き渡しと拡大

   新しいデータソースやモデルを追加する前に、マニュアル、責任者、バックアップとその後の作業を準備する

データ収集時間、重複作業の削減、検出されたデータ品質、および組織のシステム維持費からコスト効果を評価します。デモンストレーション画像の節約数値や正確さをすべてのプロジェクトの証明として使用しないでください。