ENTERPRISE DATA / INDUSTRIAL AI
nimitFlowHubungkan data, mesin
dan AI dalam sistem yang sama
nimitFlow adalah platform Low-Code untuk menyambungkan data dan mencipta aliran kerja automatik. Ia bermula dari satu tugas dalam organisasi dan berkembang ke dalam sebuah data lake pusat, penyelenggaraan data, dan sistem pengeluaran pintar IoT dan pembelajaran mesin AI.
Bermula pada THB 8,000/bulanHarga awan mula di sini · Projek perniagaan dan sistem penyambungan tambahan dinilai secara berasingan mengikut projek
Bermula dari tugas yang anda ingin sambungkan, kemudian berkembang kepada sistem yang seragam
Gunakan nimitFlow sebagai pusat untuk menerima dan memproses data. Pilih data lake, alat penyelenggaraan, dan model AI yang sesuai dengan tugas anda
01 / DATA FOUNDATION
Satukan data supaya sedia digunakan
Menerima data daripada sistem lama, pangkalan data, API, dan halaman web ke dalam laluan data yang boleh ditelusuri
02 / TADBIR URUS DATA
Tahu asal dan penjaga data
Tetapkan pemilik data, keterangan, kualiti, hak, dan kitaran hidup bersama-sama dengan sistem yang disambungkan
03 / INDUSTRIAL IoT
Hubungkan data dari kilang
Gabungkan jumlah pengeluaran, pengukuran kualiti, keadaan mesin, dan hasil pemeriksaan dari kamera di stesen kerja
04 / AI & ANALYTICS
Hantar data untuk analisis lanjut
Sediakan data untuk model, analisis trend, dan hantar hasil ke laporan atau langkah-langkah aliran kerja
Adakah sesuai untuk pekerjaan anda?
Siapa yang sesuai?
Pasukan IT dan jurutera yang perlu menghubungkan data daripada pelbagai sistem serta menambah kod Python mengikut keperluan kerja
Persiapkan maklumat sebelum berbicara
Sumber data atau sistem lama, contoh data, dan tugas untuk automasi.
Ringkasan
- nimitFlow ialah platform Low-Code oleh Inspektion untuk membina Data Pipeline (penerimaan, pemprosesan dan penghantaran data) serta mengautomasikan aliran kerja dengan menyeret nod ke Canvas (ruang kerja aliran)
- nimitFlow boleh dipasang pada server organisasi menggunakan Docker Compose (siri pasangan konten) dan menyambung nod AI dengan LLM yang beroperasi dalam organisasi melalui Ollama, jadi data tidak perlu dihantar keluar dari rangkaian
- Dalam nimitFlow, tugas biasa dikonfigurasi melalui borang tanpa menulis kod, manakala tugas yang kompleks menggunakan nod Python yang beroperasi dalam persekitaran terpisahkan (Sandbox) yang membatasi penggunaan sumber
- Penerusan Enterprise mendukung Data Lakehouse, Data Catalog, Data Governance, dan analisis AI dalam skop projek, menilai alat penyambungan dan sistem pemasangan terpisah
- nimitFlow Cloud Subscription bermula daripada THB 8,000/bulan. Harga pemasangan dalam organisasi dinilai mengikut bilangan pengguna dan skop integrasi
Bagaimana nimitFlow menyambungkan pasukan data dan pasukan kilang?
Apabila data terletak dalam fail yang berbeza, pangkalan data yang berbeza, dan aplikasi yang berbeza, laporan memerlukan pengumpulan semula dan pengecekan kebenaran semula. nimitFlow menggunakan Aliran sebagai lorong tengah untuk menerima, mentransformasikan, mengolah, dan menyalurkan data, membolehkan pasukan melihat langkah-langkah dan bekerjasama dalam pekerjaan
| Tantangan pasukan | Kesimpulan awal |
|---|---|
| Pasukan IT dan data | Penyepaduan database API dan fail, cipta pakej data dan melakukan penyemakan kualiti sebelum menggunakan |
| Pengurus Data | Tetapkan takrif, pemilik set data, hak akses dan peraturan semakan bersama Data Catalog dan sistem tadbir urus |
| Jurutera Utama dan Pasukan Penyelenggaraan | Menerima jumlah pengeluaran, nilai pengukuran dan keadaan mesin daripada peranti atau aplikasi hadapan, kemudian menghasilkan laporan bersama |
| Pasukan Analisis dan Pengurusan | Gunakan data yang disediakan untuk menunjukkan trend, menghasilkan laporan atau menyambung model AI mengikut masalah yang diberikan |
Mulakan satu pekerjaan, kemudian secara beransur-ansur memperluas
Pilih pekerjaan yang diulang dan mempunyai data siap, seperti jumlah pengeluaran harian atau amaran nilai tidak normal, uji aliran dengan data sebenar sebelum memperluaskan kepada pelbagai sistem
Cipta pekerjaan automatik dengan Low-Code dan Python
Reka bentuk aliran dengan menyeret nod daripada Toolbox dan menyambungkannya, kemudian tetapkan sumber, langkah pemprosesan dan destinasi. Bahan pembentangan menamakan pendekatan pembinaan kerja ini sebagai nimitGraph, manakala kerja tersuai menggunakan Python dalam nod untuk menetapkan syarat tambahan
- 1
Menerima data
Pilih PostgreSQL, MySQL, HTTP/REST, Webhook atau fail yang digunakan dalam kerja, kemudian tetapkan pengaturcaraan akses
- 2
Tetapkan operasi
Hubungkan nod data, transformasikan nilai, hitung, ulang, atau panggil Python dan AI secara berurutan
- 3
Uji dan tetapkan Trigger
Lakukan ujian, periksa hasil, kemudian pilih untuk menjalankan sendiri, tetapkan masa, atau terima peristiwa dari Webhook
- 4
Hantar hasil kepada pasukan pengguna
Buat grafik, laporan Excel/CSV, atau hantar data dan amaran melalui saluran yang disambungkan
- Python untuk keadaan khas dan AI Code Generator membantu merancang kod untuk jurutuali memeriksa sebelum penggunaan
- nimitFlow Drive menyimpan fail dan membezakan kebenaran pemilik, penyunting, dan penonton sahaja
- Eksport dan import Flow sebagai fail .nim untuk mengembalikan kerja atau melanjutkan pembangunan
- Sistem atau pangkalan data tanpa nod siap pakai, sambung lebih lanjut melalui Python atau API mengikut titik akhir yang disokong
Data Pipeline dan Data Lakehouse: Dari data mentah ke data yang boleh digunakan
Gunakan nimitFlow untuk menghalakan data daripada sistem SQL/NoSQL sedia ada, API, fail dan peralatan di tapak ke stor data berpusat. Asingkan langkah penyimpanan daripada pemprosesan supaya sumber dapat dipilih mengikut jumlah data dan kekerapan yang diperlukan
| Lapisan Data | Tanggungjawab |
|---|---|
| Bronze / Data Mentah | Menyimpan data mengikut format sumber, bersama-sama dengan sumber dan masa penerimaan |
| Silver / Data yang Telah Diverifikasi | Membersihkan, memeriksa kesempurnaan, dan menstandarkan untuk interoperabiliti |
| Gold / Data Siap Gunakan | Menyiapkan data mengikut keperluan papan pemuka, laporan BI, atau model AI |
- Memilih pekerjaan penerimaan data dalam mod batch atau streaming mengikut kematangan sumber
- Mendesain kawasan penyimpanan fail kompatibel S3 dan lapisan pemprosesan atau pencarian terpisah mengikut projek
- Menetapkan tempoh pengekalan data untuk setiap lapisan, penyimpanan jangka panjang, dan pemulihan bersama-sama dengan pengurus sistem
Pilih alat penyambungan berdasarkan saiz kerja
Apache Airflow, Kafka, Spark, Trino/Dremio dan MinIO/SeaweedFS adalah pilihan dalam arkitektur rujukan. Penilaian pemasangan dan pengekangan perlu dilakukan secara terpisah, bukan sebahagian daripada setiap pakej dalam nimitFlow.
Tadbir urus data — ketahui asal usul, semak kualiti dan tetapkan hak akses data
Implementasikan pentadbiran bersamaan dengan aliran data dengan menetapkan Data Owner yang bertanggungjawab terhadap data dan Data Steward yang menguruskan maksud dan kualiti. Terapkan peraturan organisasi kepada Aliran dan sistem Katalog yang disambungkan.
- Data Catalog / Metadata: Merakamkan pernyataan, sumber, penjaga, dan kategori set data untuk kebolehcapaian
- Data Lineage: Menunjukkan langkah-langkah manakah yang telah dilewati oleh data dan di mana ia digunakan dalam laporan untuk menganalisis kesan apabila mengubah sumber
- Elemen Data Kritikal: kenal pasti data penting dan peraturan pengesahan, seperti nilai kosong, format data, pendua dan kelengkapan
- Kualiti data — tetapkan peraturan semakan dan laporkan perkara luar biasa kepada pihak bertanggungjawab mengikut Workflow
- Security: reka bentuk kebenaran akses, penyamaran data serta pengurusan kunci atau maklumat rahsia bersama sistem yang dipilih untuk dipasang
Kitar hayat data merangkumi penciptaan, penyimpanan, penggunaan, penerbitan, pengarkiban dan pemusnahan, dengan pihak bertanggungjawab serta syarat setiap peringkat ditetapkan mengikut dasar organisasi
- 1
Tangani permintaan data
Merakam permintaan akses, pengubahsuaian, atau penyelenggaraan data masuk ke dalam proses organisasi
- 2
Mencari dan memeriksa
Gunakan data Catalog dan saluran sambungan untuk mencari item berkaitan, bersama-sama memeriksa kebenaran dan skop
- 3
Menyetujui
Hantar pihak yang bertanggungjawab untuk mengulas dan menyetujui permintaan sebelum melanjutkan tindakan
- 4
Melaksanakan dan merakam sejarah
Penyelenggaraan data mengikut hasil persetujuan, merakam hasil dan bukti untuk tinjauan semula
Skop kerja pengawalan
Peraturan, kebenaran, pihak yang menyetujui, dan masa melaksanakan perlu ditentukan bersama dengan organisasi. Pemasangan aliran kerja membantu menyokong proses, tetapi tidak menjamin secara automatik bahawa organisasi memenuhi semua syarat
IoT Industri: Menghubungkan data dari lokasi pekerjaan ke dalam gambaran keseluruhan kilang
Setiap peranti dan aplikasi mempunyai tanggungjawab khas. nimitFlow membantu mengumpulkan data untuk penggunaan lanjutan dalam laporan atau aliran kerja bersama dengan memilih isyarat, antara muka, dan Gateway yang sesuai dengan mesin
| Titik kerja | Data untuk penyepaduan |
|---|---|
| DoLINE / Pengeluaran Volumetrik | Plan, pengeluaran sebenar, dan perbezaan dari barisan pengeluaran |
| InQC + InGauge / Kualiti | Pengukuran nilai daripada instrumen melalui peranti pengumpulan data dan hasil kawalan kualiti |
| InCBM + InSensor / Keadaan mesin | Isyarat sensor yang diterima melalui InSensor dan maklumat keadaan mesin dari sistem yang disambung |
| LearningCam / Pemeriksaan Produk | Hasil pemeriksaan, mengira, atau membezakan produk mengikut model dan syarat ujian |
| Task Cam / Langkah Kerja | Pemeriksaan langkah kerja dan masa di stesen kerja |
Untuk kerja analisis getaran, ia boleh dirancang untuk menerima data → memproses isyarat dan graf FFT → menganalisis mengikut kriteria atau model → menghantar hasil kepada pasukan penyelenggaraan dan penyelenggaraan. Analisis menggunakan model adalah kerja tambahan yang perlu dipersiapkan dan diuji secara berasingan daripada pemantauan ambang batas InCBM.
AI dan Machine Learning yang disatukan dengan proses pekerjaan
Berikan data yang telah dipersiapkan dan diperiksa sebagai titik permulaan untuk pekerjaan AI. Gunakan Flow untuk mengatur urutan persiapan data, memanggil model, dan menghantar hasil analisis kepada pengguna atau sistem.
- Siri Masa dan Pengecaman Anomali: Buat pembolehubah daripada data siri masa, bandingkan nilai asas, dan uji pengecaman anomali.
- AI Vision: Terima hasil pemeriksaan dari kamera yang memproses data nyata masa, hubungkannya dengan jumlah pengeluaran, kualiti, dan sejarah stesen.
- LLM: Hubungkan model melalui node AI atau gunakan Ollama untuk model yang berjalan di dalam perusahaan.
- Papan pemuka dan laporan: Tampilkan trend, hasil model, dan status kerja bersama-sama dengan data yang boleh diakses oleh pengguna.
Ujian sebelum membuat keputusan
Kejituan dan kelajuan bergantung pada data, model, peranti, dan keadaan kerja. Ujian harus dilakukan dengan set data pengesahan yang terpisah dan kriteria pengesahan ditetapkan sebelum penggunaan sebenar.
Pilih pemasangan yang sesuai dengan kebijakan dan beban kerja
Pilih Cloud Subscription atau pemasangan pada Server organisasi (On-Premise) dengan menilai bilangan pengguna, sumber data, kekerapan Flow, ruang storan dan pihak yang bertanggungjawab menjaga sistem
| Format | Persiapan yang diperlukan |
|---|---|
| Cloud Subscription | Skop data yang disalurkan ke sistem, pengguna, dan saluran sambungan yang dibenarkan oleh organisasi |
| On-Premise | Rangkaian server, ruang penyimpanan, sistem cadangan, dan pengurus dalam |
| Enterprise / High Availability | Desain bahagian pemprosesan terpisah, cadangan dan penjanaan perkhidmatan, serta ujian pemulihan dalam skop pekerjaan |
| Rangkaian tertutup / Air-gapped | Periksa semua aliran, model, dan komponen untuk memastikan mereka beroperasi secara dalaman, termasuk kaedah pemasangan, pembaruan, dan masuk/keluar data |
Arteki Perusahaan dalam dokumen terpisah menentukan kawasan Edge, Aplikasi, Data, dan Pelaksanaan untuk merancang kuasa dan sumber untuk setiap bahagian. Pilihan pendekatan Container atau sistem Cluster harus sesuai dengan persekitaran dan versi yang dipasang
Tentukan skop sebelum meminta sebut harga
Data Lakehouse, Katalog, HA, model AI, dan peranti tepi adalah komponen tambahan yang dinilai berdasarkan projek, bilangan perkhidmatan, kadar masuk data, dan tahap ketersediaan yang harus merujuk kepada rancangan dan hasil ujian pekerjaan tersebut
Mulakan dari masalah nyata, kemudian tetapkan hasil yang dapat diterima
- 1
Mengesahkan data dan kerja yang wujud
Kumpulkan maklumat sumber data, contoh data, format laporan, pengguna dan kekangan rangkaian
- 2
Memilih projek pilot
Menetapkan satu aliran kerja dengan hasil dan kriteria sambutan yang disepakati oleh pasukan penyemak
- 3
Menyambung dan menguji
Menguji dengan data sebenar, memeriksa kesalahan, keizinan, dan operasi apabila sistem di hulu berhenti
- 4
Menyerahkan dan menambah kadar
Sediakan manual, pihak bertanggungjawab, sandaran dan pemantauan kerja sebelum menambah sumber data atau model
Nilai keberbaloiannya berdasarkan masa pengumpulan data, pengurangan kerja berulang, kualiti data yang dikenal pasti dan kos penjagaan sistem organisasi. Jangan gunakan angka penjimatan atau ketepatan daripada imej demonstrasi sebagai pengesahan hasil bagi setiap projek
Spesifikasi teknikal
| Jenis | Platform perisian Low-Code / No-Code untuk sistem automatik dan Data Pipeline |
|---|---|
| Versi semasa | nimitFlow 4.02a (maklumat September B.E. 2569) |
| Penggunaan | boleh diakses melalui web browser |
| Format Pemasangan | terpasang pada server perusahaan menggunakan Docker Compose (pakej instalasi konten) (di tempat sendiri) atau langganan awan |
| teknologi belakang | sistem belakang berbahasa Python · pangkalan data PostgreSQL · halaman web Next.js / React |
| node yang siap guna | Python, AI LLM, PostgreSQL, MySQL, HTTP/REST, pelbagai jenis grafik, Loop, Trigger (Manual / Jadual / Webhook), nimitFlow Drive |
| hubung melalui Python | MSSQL, MongoDB, InfluxDB, SharePoint, Power BI, Power Apps, Superset, Dremio, OpenMetadata, LINE, e-mel |
| fail aliran | fail .nim (eksport/impor seluruh aliran) dan fail CSV untuk menetapkan peranti jauh seperti papan DoLINE |
| penyimpanan fail | nimitFlow Drive (My Drive, Shared with Me, Trashed), berkongsi mengikut hak akses Pemilik / Edit / Lihat sahaja |
| keselamatan | masuk sistem melalui JWT (token pengesahan) · memeriksa kebenaran kuasa untuk setiap perintah · node pangkalan data hanya baca · enkripsi kata laluan pangkalan data · Python berjalan dalam Sandbox |
| peranti Inspektion yang menghantar data masuk | Task Cam, InQC, InGauge (melalui InQC), DoLINE, LearningCam, DoRare |
| laporan dan amaran | Laporan Excel / CSV · Amaran melalui skrip Python mengikut skop kerja |
Spesifikasi minimum Server, bilangan pengguna setiap pakej dan kapasiti storan belum ditetapkan sebagai angka standard. Pasukan menilainya mengikut skala projek
Arkaitek dan Pautan
FROM SOURCE TO ACTION
Rancang laluan data yang lengkap daripada sumber hingga pengguna
Mulakan dengan saluran sambungan yang disediakan oleh sistem sedia ada, kemudian susun urutan penerimaan, pemeriksaan, pemprosesan dan penghantaran data dalam nimitFlow
- 01
Data sumber
Pangkalan data · API · CSV · Mesin melalui Gateway · Hasil daripada aplikasi di lapangan
- 02
nimitFlow
Pemicu → Terima data → Lihat dan transform → Python / AI → Hantar hasil
- 03
Gunakan data
Papan pemuka · Laporan · Aplikasi Kilang · Lembah data dan sistem perniagaan
Kembangkan struktur mengikut beban kerja dan kebijakan data
Sensor, kamera, dan Gateway di tapak pekerjaan, seperti InSensor untuk menerima data mesin
Laman web, akaun API pengguna, dan peraturan akses
Basis data, penyimpanan fail, dan Lakehouse yang dipilih
Worker memproses aliran skrip, skrip Python, dan kerja analisis
Awan dan Lokalan adalah pilihan pasang, manakala HA, rangkaian tertutup, dan penambahbaikan Worker memerlukan perancangan dan ujian mengikut sistem sebenar, termasuk memeriksa panggilan perkhidmatan luar dalam setiap aliran
sistem yang boleh dihubungkan
- PostgreSQL
- MySQL
- HTTP / REST API
- Webhook
- API untuk penyepaduan ERP / MES
- LLM: Gemini · Claude · ChatGPT · DeepSeek
- Ollama (LLM dalam organisasi)
- MSSQL · MongoDB · InfluxDB (melalui Python)
- SharePoint · Power BI · Power Apps (melalui Python)
- LINE · E-mel (melalui Python mengikut skop kerja)
- Task Cam
- InQC
- DoLINE
- LearningCam
- InCBM
Kaedah Sistem
- Pengguna mengakses melalui pelayar web tanpa perlu memasang perisian pada komputer pengguna
- Pemasangan dalam organisasi: Server dengan sistem pengendalian Ubuntu, dengan keseluruhan sistem dipasang menggunakan satu set Docker Compose (pemasangan berasaskan kontena)
- Kendalikan lebih banyak kerja dengan menambah pemproses tugas (Worker)
- guna AI dalam organisasi: mesin yang menjalankan LLM melalui Ollama, LM Studio atau llama.cpp dalam rangkaian yang sama
- Pakej Subskripsi Awan: Tiada keperluan untuk membeli atau menyelenggara server sendiri
pakej penggunaan
Model Licensyen
langganan tahunan
Model Pakej Awan mengira bayaran bulanan bermula dari 8,000 THB/bulan. Untuk penempatan di atas server organisasi (On-Premise), penilaian harga dibuat mengikut jumlah pengguna dan skop sambungan.
- Harga tidak termasuk VAT
- Sekutu timbul sebut harga untuk penempatan On-Premise daripada pasukan
Pilih mod penggunaan mengikut dasar data dan anggaran organisasi
Cloud Subscription
Bermula pada THB 8,000/bulan
- Gunakan melalui web, tiada perlu menguruskan server sendiri
- Sistem pembaruan fitur terus
Pasang dalam organisasi (On-Premise)
Mohon sebut harga
- Pasang pada server organisasi menggunakan Docker Compose (pakej pasangan konten)
- Data dan AI beroperasi dalam rangkaian organisasi
- harga berdasarkan jumlah pengguna dan skop penyambungan
Harga tidak termasuk VAT — butiran bergantung pada bilangan pengguna dan skop integrasi
Industri yang digunakan
- Kilang pengeluaran umum
- Energi (kerja penyelenggaraan kilang)
- Perkhidmatan
- Komponen automotif (projek prototaip)
tangkapan skrin
cara untuk bermula
nimitFlow tidak dibenarkan untuk dipasang sendiri kerana ia memerlukan penyesuaian aliran yang sesuai dengan data dan proses setiap organisasi. Langkah-langkah permulaan termasuk menetapkan jadual demo, memilih projek pilot, dan menguji dengan data sebenar organisasi. Pasukan jurutera kami akan membantu menilai kebolehpercayaan dan merancang aliran.
apa yang perlu disediakan
- senarai sumber data yang akan disambung, seperti peranti Inspektion yang wujud (InQC, DoLINE, Task Cam, InGauge), pangkalan data, sensor, atau sistem ERP/MES lama
- contoh data sebenar, seperti fail Excel/CSV atau borang kertas yang digunakan di lokasi pekerjaan
- tugas yang ingin dilakukan secara automatik, seperti laporan yang diulang setiap hari atau keadaan yang memerlukan amaran melalui LINE atau e-mel, bersama-sama dengan senarai penerima
- jenis pemasangan yang diinginkan — awan atau pemasangan server di organisasi (On-Premise) mengikut kebijakan data, dan sama ada penggunaan AI di organisasi diingini
- jumlah pengguna yang hampir dan skop penyambungan, yang digunakan untuk mengira harga
Soalan Sering Ditanya
apa itu nimitFlow? Apa yang boleh ia digunakan untuk?
nimitFlow adalah platform Low-Code untuk menyambung data dan mencipta aliran kerja automatik. Ia menerima data dari pangkalan data, API, dan lokasi di tapak, memprosesnya dengan Python atau AI, dan mengeluarkan laporan atau amaran. Ia juga boleh disambung dengan pusat data dan projek pengurusan
adakah saya perlu tahu cara menulis kod?
Kerja umum boleh ditetapkan melalui borang dan sambungan nod. Kerja khusus menggunakan Python, dengan AI Code Generator membantu merangka kod untuk disemak oleh pembangun. Low-Code mengurangkan penulisan kod berulang, tetapi Flow masih perlu direka bentuk dan diuji supaya sepadan dengan data sebenar
Berapakah harga produk ini? Adakah Data Lakehouse termasuk dalam harga permulaan?
Cloud Subscription bermula daripada THB 8,000/bulan, tidak termasuk VAT. On-Premise dan projek Enterprise dinilai mengikut skop. Data Lakehouse, Catalog, HA, model AI dan peralatan di tapak perlu dinilai secara berasingan; semuanya tidak termasuk dalam harga permulaan
Bolehkah ia dipasang di dalam organisasi atau rangkaian tertutup?
nimitFlow boleh dipasang pada pelayan organisasi dan memilih untuk menggunakan LLM dalaman melalui Ollama. Kerja-kerja rangkaian tertutup memerlukan pengecekan setiap model Flow dan komponen tanpa bergantung kepada perkhidmatan luaran, dan merancang kaedah pembaruan dan penyelenggaraan sistem bersama-sama dengan pihak yang bertanggungjawab di organisasi tersebut.
Bagaimana cara menghubungkan data mesin ke nimitFlow?
Sensor atau PLC perlu memiliki saluran baca data yang disokong dengan memilih Gateway seperti InSensor untuk menyesuaikan isyarat, kemudian menghantar data ke dalam Flow untuk pengecekan, transformasi, dan penggunaan dalam aplikasi seperti InCBM atau laporan kilang. Pasukan kami menilai antaramuka dan keadaan setiap peranti sebelum pemasangan.
Adakah semua komponen perlu dipasang bersama-sama?
Tidak, mulakan dengan Flow dan sumber data yang anda perlukan terlebih dahulu, kemudian tambahkan pusat data, alat pengurusan, model AI, atau sistem cadangan apabila anda mempunyai cabaran dan sumber yang sesuai. Gambar dalam dokumen itu menunjukkan pendekatan penyelesaian, bukan pakej yang mengandungi semua perkara tersebut.
