nimitFlow
nimitFlow คือแพลตฟอร์ม Low-Code (สร้างงานด้วยการลากกล่องเครื่องมือมาต่อกัน) สำหรับเชื่อมข้อมูลจากหลายระบบ สร้างงานอัตโนมัติ และประมวลผลด้วย Python หรือ AI ที่ติดตั้งบน Server ขององค์กรได้
สำรวจการใช้งานและรายละเอียด
เริ่มต้น 8,000 บาท/เดือน
- ลากโหนด (กล่องเครื่องมือ) มาต่อเป็น Flow แล้วกด Run หรือตั้งเวลาให้รันเอง
- ติดตั้งบน Server ขององค์กร (On-Premise) หรือใช้แบบ Cloud Subscription
- โหนด Python เขียนโค้ดได้เต็มรูปแบบ และรันในพื้นที่แยก (Sandbox)
ดูคุณสมบัติเพิ่มเติม
- โหนด AI ใช้ LLM (โมเดลภาษาขนาดใหญ่) ที่รันในองค์กรผ่าน Ollama (โปรแกรมรันโมเดลบนเครื่อง) ได้
- รับข้อมูลจาก Task Cam, InQC, InGauge, DoLINE และอุปกรณ์ Inspektion อื่น
- ส่งรายงานและตั้งงานแจ้งเตือนทางอีเมลหรือ LINE ผ่านสคริปต์ Python ตามขอบเขตงาน
เหมาะกับงานของคุณหรือไม่?
เหมาะกับใคร
ทีมไอทีและวิศวกรที่ต้องเชื่อมข้อมูลจากหลายระบบ และต้องการเขียน Python เพิ่มได้ตามงาน
เตรียมข้อมูลก่อนคุย
แหล่งข้อมูลหรือระบบเดิม ตัวอย่างข้อมูล และงานที่ต้องการทำอัตโนมัติ
สรุปสั้น
- nimitFlow คือแพลตฟอร์ม Low-Code ของ Inspektion สำหรับสร้าง Data Pipeline (เส้นทางรับ ประมวลผล และส่งต่อข้อมูล) และงานอัตโนมัติ ด้วยการลากโหนดมาต่อกันบน Canvas (พื้นที่วาง Flow)
- nimitFlow ติดตั้งบน Server ขององค์กรด้วย Docker Compose (ชุดติดตั้งแบบคอนเทนเนอร์) ได้ และเชื่อมโหนด AI กับ LLM ที่รันในองค์กรผ่าน Ollama ได้ ข้อมูลจึงไม่ต้องส่งออกนอกเครือข่าย
- ใน nimitFlow งานทั่วไปตั้งค่าผ่านฟอร์มโดยไม่เขียนโค้ด ส่วนงานที่ซับซ้อนใช้โหนด Python ที่รันในพื้นที่แยก (Sandbox) ซึ่งจำกัดการใช้ทรัพยากร
- ในปี 2568 เราติดตั้ง nimitFlow บน Server ในโรงงานหล่อชิ้นส่วนโลหะในไทย เพื่อเก็บค่า 52 รายการต่อเครื่องจาก PLC (ตัวควบคุมเครื่องจักร) ของเครื่องหล่อ 2 เครื่อง เป็นไฟล์ CSV วันละไฟล์
- nimitFlow แบบ Cloud Subscription เริ่มต้น 8,000 บาท/เดือน ส่วนแบบติดตั้งในองค์กรประเมินราคาตามจำนวนผู้ใช้และขอบเขตการเชื่อมต่อ
nimitFlow เหมาะกับใคร และแก้ปัญหาอะไร
nimitFlow เหมาะกับทีม IT ทีมข้อมูล และวิศวกรโรงงาน ที่ต้องรวมข้อมูลจากหลายระบบ แล้วทำรายงานหรือแจ้งเตือนซ้ำทุกวัน คุณสร้างขั้นตอนเหล่านี้เป็น Flow ครั้งเดียว แล้วให้ระบบรันเองตามเวลาหรือตามเหตุการณ์ องค์กรที่ต้องเก็บข้อมูลไว้ในเครือข่ายของตัวเอง ติดตั้ง nimitFlow บน Server ขององค์กรได้
ในหลายองค์กร ข้อมูลยังจดบนกระดาษ หรือแยกอยู่ในแต่ละเครื่องและแต่ละระบบ งานรายงานต้องดึงข้อมูล รวมไฟล์ และส่งอีเมลด้วยมือ งานใหม่แต่ละงานต้องรอคิวทีมพัฒนา nimitFlow ย้ายขั้นตอนเหล่านี้มาเป็น Flow ที่ทีมของคุณสร้างและแก้เองได้
| ปัญหาที่พบบ่อย | nimitFlow ช่วยอย่างไร |
|---|---|
| บันทึกหน้างานยังเป็นกระดาษ | เปลี่ยนเป็นแบบฟอร์มดิจิทัลที่บันทึกข้อมูลเข้าระบบโดยตรง |
| ข้อมูลแยกอยู่ในแต่ละอุปกรณ์และแต่ละระบบ | รวมข้อมูลจาก Task Cam, InQC, InGauge, DoLINE ฐานข้อมูล และ API ไว้ใน Flow เดียว แล้วนำไปวิเคราะห์ต่อ |
| งานรายงานซ้ำ ๆ ทำมือทุกวัน | สร้าง Flow ครั้งเดียว แล้วตั้งเวลาให้รันเอง (Schedule) หรือให้ระบบอื่นสั่งรันผ่าน Webhook |
| ไม่เห็นข้อมูลเครื่องจักรและคุณภาพการผลิตทันที | ดึงค่ามาทำกราฟ ตรวจเงื่อนไข แล้วตั้งสคริปต์ Python แจ้งเตือนทาง LINE หรืออีเมลเมื่อค่าผิดปกติตามขอบเขตงาน |
| อยากใช้ AI แต่ไม่อยากส่งข้อมูลออกนอกองค์กร | ใช้โหนด AI กับ LLM ที่รันในเครือข่ายขององค์กรผ่าน Ollama |
ใช้กับงานแบบไหน
- โรงงานผลิต — ใช้เป็นปลายทางที่ Task Cam, InQC, InGauge และ DoLINE ส่งข้อมูลเข้ามาทำกราฟ รายงาน และแจ้งเตือน
- งานวิเคราะห์ข้อมูลองค์กร — ใช้เป็นชั้นรวมข้อมูลที่ Data Lakehouse และ Predictive Analytics ต่อยอดได้
- งานตรวจวัดพื้นที่ — รับข้อมูลจากสถานี DoRare มารวมศูนย์ พล็อตกราฟ และแจ้งเตือนผ่าน LINE หรืออีเมล
nimitFlow ทำงานอย่างไร
nimitFlow รับข้อมูลจากอุปกรณ์ ฐานข้อมูล หรือ API เข้า Flow ที่คุณสร้างไว้ Flow ประมวลผลตามลำดับโหนด แล้วส่งผลออกเป็นกราฟ รายงาน และการแจ้งเตือน หน้าทำงานเปิดผ่านเว็บเบราว์เซอร์ ผู้ใช้ไม่ต้องติดตั้งโปรแกรมที่เครื่องของตัวเอง
สร้าง Flow ใน 4 ขั้นตอน
- 1
ลากโหนดจาก Toolbox
แถบ Toolbox ด้านซ้ายแบ่งโหนดเป็นกลุ่ม เช่น nimit Toolbox (Start, Terminate, Loop) สคริปต์ Python ฐานข้อมูล กราฟ AI LLM และการแจ้งเตือน ลากโหนดที่ต้องการไปวางบน Canvas
- 2
ลากเส้นเชื่อมโหนด
ต่อเส้นจากช่องส่งออกของโหนดหนึ่งไปยังช่องรับของอีกโหนด หนึ่งโหนดส่งต่อได้หลายทาง และรวมข้อมูลจากหลายทางได้
- 3
ตั้งค่าแต่ละโหนด
กรอกค่าในแผงคุณสมบัติ (Property Panel) ของโหนด เช่น คำสั่งดึงข้อมูล ที่อยู่ API หรือข้อความสั่ง AI โดยไม่ต้องเขียนโค้ด ส่วนโหนด Python เปิดเขียนโค้ดได้
- 4
รันและดูผล
กด Run แล้วดูสถานะของแต่ละโหนดเปลี่ยนสีตามขั้น คือ รอ กำลังทำงาน เสร็จ หรือผิดพลาด ดูผลลัพธ์และกราฟในโหนด แล้วตั้ง Trigger ให้ Flow รันเองตามเวลา (Schedule) หรือเมื่อระบบอื่นเรียกผ่าน Webhook
ตัวอย่างตามคู่มือ DoLINE ฉบับ 2567: ตั้งค่าบอร์ดผ่าน nimitFlow
อัปโหลดไฟล์ Flow ชื่อ StationSetting (.nim) พร้อมไฟล์ตั้งค่า station_setting.csv ซึ่งมีคอลัมน์ station_id, line_name, model_name, plan และ status_online แล้วรัน Flow StationSetting ระบบจะส่งค่าที่ตั้งไว้ไปขึ้นบอร์ด DoLINE หน้าไลน์
5 องค์ประกอบหลักของแพลตฟอร์ม
| ส่วนประกอบ | ทำหน้าที่อะไร |
|---|---|
| System Overview | วาดไดอะแกรมระบบหลายชั้น แล้วลิงก์เข้ากับ Flow หรือเว็บไซต์ภายนอก |
| nimitFlow Drive | พื้นที่เก็บไฟล์ส่วนกลาง เก็บ แชร์ และนำ Flow กับสคริปต์กลับมาใช้ซ้ำข้ามทีม |
| Script Designer | เขียนตรรกะของงานด้วยโค้ดสำเร็จรูปและผู้ช่วย AI ลดการเขียนโค้ดเอง |
| Database & Pipeline | นำเข้า ประมวลผล และจัดรูปแบบข้อมูลจากหลายแหล่ง ให้พร้อมวิเคราะห์ต่อ |
| Report & Alert System | ออกรายงาน Excel/CSV และตั้งสคริปต์ Python แจ้งเตือนทาง LINE หรืออีเมลตามขอบเขตงาน |
nimitFlow ทำอะไรได้บ้าง
nimitFlow รวมการสร้าง Flow แบบลากวาง โหนด Python โหนด AI การดึงข้อมูลจากฐานข้อมูลและ API กราฟ และการตั้งเวลารันไว้ในแพลตฟอร์มเดียว รายการด้านล่างคือความสามารถที่พร้อมใช้และสาธิตได้ในรุ่นปัจจุบัน
- สร้าง Flow แบบลากวาง — Canvas ขนาดไม่จำกัด ย้อนกลับและทำซ้ำขั้นตอนได้ คัดลอกและจัดกลุ่มโหนด บันทึกอัตโนมัติ เปิดหลาย Flow พร้อมกันเป็นแท็บ
- โหนด Python เต็มรูปแบบ — เขียนโค้ดในตัวแก้ไขแบบเดียวกับ VS Code มีไลบรารี pandas และ numpy ตัวแปรคงอยู่ข้ามการรันแบบ Jupyter ทดสอบทีละโหนดใน Sandbox และแสดงคำแนะนำแก้ข้อผิดพลาดเป็นภาษาไทย
- AI LLM ผ่านฟอร์ม — ตั้งข้อความสั่ง (Prompt) และเลือกโมเดล Gemini, Claude, ChatGPT, DeepSeek หรือ LLM ที่รันในองค์กรผ่าน Ollama ได้โดยไม่เขียนโค้ด
- ฐานข้อมูลและ API — ดึงข้อมูลจาก PostgreSQL และ MySQL เป็นตาราง (DataFrame) โดยระบบยอมให้เฉพาะคำสั่งอ่านข้อมูล และเรียก HTTP/REST API ได้ทุกรูปแบบ
- กราฟในตัวหลายแบบ เช่น Line, Bar, Stacked Bar, Pie, Donut, Scatter, Area และ Radar
- รันอัตโนมัติ — สั่งรันเอง ตั้งเวลา (Schedule) รับสัญญาณจากระบบอื่น (Webhook) และวนประมวลผลทีละรายการ (Loop)
- ทำงานร่วมกัน — หลายคนเปิด Flow เดียวกันได้พร้อมกัน แชร์ไฟล์ใน nimitFlow Drive โดยกำหนดสิทธิ์เป็นเจ้าของ แก้ไข หรือดูอย่างเดียว
- ย้ายงานได้ — ส่งออกและนำเข้า Flow ทั้งชุดเป็นไฟล์ .nim และสร้างโค้ด Python มาตรฐานจาก Flow ไปรันนอกระบบได้
อุปกรณ์ Inspektion ส่งข้อมูลอะไรเข้า nimitFlow
อุปกรณ์และแอปของ Inspektion ส่งข้อมูลเข้า nimitFlow เพื่อทำรายงานและแจ้งเตือนต่อ คุณจึงดูข้อมูลของหลายสายการผลิตได้จากที่เดียว
| ช่องทางข้อมูลเข้า | อุปกรณ์/แอปที่ใช้ | สิ่งที่ได้ออกมา |
|---|---|---|
| เกจผ่าน USB แป้นพิมพ์ หรือเสียงตามแพ็กเกจ | InQC | แผนภูมิ X Bar R และค่า Cpk พร้อมส่งออกไฟล์ CSV |
| เซนเซอร์การสั่นสะเทือนและอุณหภูมิมอเตอร์ | InCBM | ส่งค่าผ่าน nimitFlow เข้าแอป InCBM เพื่อติดตามสภาพเครื่องจักรและตั้งเกณฑ์ Warning/Critical |
| กล้อง AI นับและตรวจสอบชิ้นงาน | LearningCam | นับและจำแนกชิ้นงาน แสดงผล NG/OK บนแดชบอร์ด พร้อมประวัติย้อนหลัง |
| ปุ่ม Hand Switch | DoLINE | แสดงแผน ยอดจริง และส่วนต่างบนแท็บเล็ตหรือจอ Android และเก็บประวัติผ่าน nimitFlow |
อุปกรณ์ที่เชื่อมต่อได้
ส่วนที่เชื่อมผ่าน Python และส่วนที่อยู่ในแผนพัฒนา
- เชื่อมผ่านโหนดในชุดเครื่องมือหรือสคริปต์ Python: MSSQL, MongoDB, InfluxDB, SharePoint, Power BI, Power Apps, Swagger/OpenAPI, Dremio, OpenMetadata และ Apache Superset
- การแจ้งเตือนทาง LINE และอีเมล ตั้งผ่านโหนดแจ้งเตือนหรือสคริปต์ Python
- กลุ่มโหนด Condition, Data Cleansing, Data Transform, Machine Learning, Image Processing และ Embedded Control ที่เห็นใน Toolbox อยู่ในแผนพัฒนาของรุ่นปัจจุบัน งานประเภทนี้ทำด้วยโหนด Python ได้ไปก่อน
nimitFlow เหมาะกับงานไหน และไม่เหมาะกับงานไหน
nimitFlow เหมาะกับงานที่มีแหล่งข้อมูลอยู่แล้ว และต้องรวม ประมวลผล หรือส่งต่อข้อมูลนั้นซ้ำเป็นประจำ nimitFlow ไม่เหมาะเมื่อใช้ลำพังกับงานเก็บสัญญาณจากเครื่องจักร เพราะ nimitFlow เป็นซอฟต์แวร์ ไม่ใช่อุปกรณ์เก็บข้อมูล งานนั้นต้องมีเกตเวย์หรืออุปกรณ์อ่านค่าส่งข้อมูลเข้ามาก่อน
| งาน | เหมาะกับ nimitFlow ไหม | เหตุผลหรือสิ่งที่ต้องทำ |
|---|---|---|
| รวมข้อมูลจาก PostgreSQL, MySQL หรือ API มาทำรายงานซ้ำทุกวัน | เหมาะ | โหนดฐานข้อมูลและ HTTP/REST พร้อมใช้ และตั้งเวลาให้ Flow รันเองได้ |
| เก็บค่าจาก PLC เป็นไฟล์รายวัน | เหมาะ เมื่อมีเกตเวย์อ่านค่า | เกตเวย์อ่านค่าจาก PLC แล้วส่งเข้า nimitFlow ซึ่งเขียนไฟล์และแจ้งเตือนต่อ |
| ถามตอบจากรายงานหรือเอกสารขององค์กรด้วย AI | เหมาะ เมื่อรายงานมีโครงสร้างเดียวกัน | ใช้โหนด AI LLM ร่วมกับ Enterprise KM Chatbot คำถามที่ต้องนับรวมทั้งชุดข้อมูลควรตอบจากข้อมูลที่จัดโครงสร้างแล้ว และผู้ใช้ควรเปิดรายงานจริงตรวจทานคำตอบ |
| ใช้ AI โดยข้อมูลต้องไม่ออกนอกองค์กร | เหมาะ เมื่อมีเครื่องรัน LLM ในเครือข่าย | เชื่อมโหนด AI กับ LLM ผ่าน Ollama คุณภาพคำตอบขึ้นกับโมเดลที่เลือก |
| เชื่อม MSSQL, MongoDB, InfluxDB, SharePoint หรือ Power BI | ทำได้ผ่าน Python | ใช้โหนดในชุดเครื่องมือหรือสคริปต์ Python ไม่ใช่โหนดสำเร็จรูป |
| ทำความสะอาดข้อมูล Machine Learning หรือประมวลผลภาพด้วยโหนดสำเร็จรูป | ยังไม่พร้อมในรุ่นปัจจุบัน | โหนดกลุ่มนี้อยู่ในแผนพัฒนา งานประเภทนี้เขียนด้วยโหนด Python ได้ไปก่อน |
| เก็บยอดผลิตหน้าไลน์โดยตรง | ไม่เหมาะเมื่อใช้ลำพัง | ใช้ DoLINE กับปุ่ม Hand Switch นับยอด แล้วส่งข้อมูลเข้า nimitFlow |
สิ่งที่ควรรู้ก่อนเลือก
- ต้องออกแบบ Flow ให้ตรงกับข้อมูลและขั้นตอนงานของแต่ละองค์กรก่อนใช้งาน ทีมวิศวกรของเราช่วยประเมินและวางระบบให้
- Low-Code ช่วยให้ไม่ต้องเขียนโค้ดทั้งระบบ แต่ไม่ได้แปลว่าไม่มีโค้ดเลย งานที่ต้องปรับแต่งมากยังใช้โหนด Python
- ถ้าต้องการใช้ AI โดยไม่ส่งข้อมูลออกนอกองค์กร ต้องมีเครื่องที่รัน LLM ในเครือข่ายเดียวกัน คุณภาพคำตอบขึ้นกับโมเดลที่เลือก
- สเปก Server ขั้นต่ำ จำนวนผู้ใช้ต่อแพ็กเกจ และพื้นที่จัดเก็บ ยังไม่ได้กำหนดเป็นตัวเลขมาตรฐาน ทีมงานประเมินตามขนาดงาน
เราเคยใช้ nimitFlow ทำงานแบบไหน และเรียนรู้อะไร
เราเคยทำงานบน nimitFlow ทั้งงานเก็บข้อมูลเครื่องจักร งานถามตอบรายงานซ่อมบำรุงด้วย AI และงานติดตั้งพร้อมให้คำปรึกษาทีมลูกค้า ระหว่างปี 2567 ถึง 2569 รายการด้านล่างระบุชนิดงาน อุตสาหกรรม ประเทศ (เมื่อเอกสารระบุ) ขนาด และปี ตามเอกสารของแต่ละงาน
- เก็บข้อมูลเครื่องจักร · การผลิตทั่วไป (โรงงานหล่อชิ้นส่วนโลหะ) · ไทย · เครื่องหล่อ 2 เครื่อง · ปี 2568 — เราติดตั้ง nimitFlow บน Server ในโรงงาน และตั้ง Flow 3 ชุด เก็บค่า 52 รายการต่อเครื่องจาก PLC เป็นไฟล์ CSV วันละไฟล์ และส่งอีเมลเมื่อเกตเวย์หรือ nimitFlow ติดต่อไม่ได้ ตัวแทนลูกค้าลงนามตรวจรับงานในเดือนสิงหาคม 2568
- ระบบถามตอบรายงานซ่อมบำรุงด้วย AI · พลังงาน (งานซ่อมบำรุงโรงกลั่นน้ำมัน) · รายงาน PDF ราว 2,000 ฉบับ · ปี 2569 — เราพัฒนาฟอร์มรายงานตรวจซ่อมวาล์วแบบดิจิทัล การส่งออก Excel และแชต AI ที่ตอบโดยระบุ Tag No. (รหัสประจำวาล์ว) ของรายงานที่ใช้ตอบ ผู้ว่าจ้างลงนามในหนังสือรับรองงานเสร็จ
- ไลเซนส์พร้อมที่ปรึกษา · ลูกค้าเอกชนกลุ่มบริการ 2 ราย · รายละ 3 เดือน · ปี 2568 — ลูกค้าเช่าไลเซนส์ nimitFlow ฉบับเต็มแบบรายเดือน สำหรับลูกค้ารายหนึ่ง เราติดตั้งระบบบน Server เปิดใช้ฟีเจอร์ฉบับเต็ม และทดสอบสคริปต์ Python ตัวอย่าง
- ระบบนับยอดผลิต · การผลิตทั่วไป · ไทย · 7 สถานี · ปี 2567 — ผู้ดูแลแก้รุ่น Cycle Time และช่วงเวลาทำงานในไฟล์ CSV แล้วอัปโหลดผ่าน nimitFlow รุ่นก่อน (Lite) เพื่อตั้งค่าจอหน้าเครื่อง
- ต้นแบบกล้อง AI · ชิ้นส่วนยานยนต์ · ไทย · ต้นแบบ 1 ชุด · ปี 2568 — เราใช้ nimitFlow ทำขั้นตอนแปลงวิดีโอเป็นภาพ สอนโมเดล YOLO (โมเดลตรวจจับวัตถุในภาพ) และทดสอบผล แล้วประกอบชุดต้นแบบสำหรับสาธิตบนรถเข็นลำเลียงถาด
อ่านเคสเต็ม
สิ่งที่เราเรียนรู้
Flow ที่รันเองต้องมีอีก Flow คอยตรวจว่ายังทำงานอยู่ ในงานเครื่องหล่อ เราตั้ง Flow แยกไว้ตรวจการเชื่อมต่อของเกตเวย์ และตรวจว่า nimitFlow ยังทำงาน เมื่อติดต่อไม่ได้ ระบบส่งอีเมลแจ้งผู้ดูแล
AI ค้นและสรุปจากรายงานได้เมื่อรายงานทุกฉบับใช้หัวข้อเดียวกัน เราจึงจัดรายงานให้อยู่ในโครงสร้างเดียวกันก่อนให้ AI ตอบ คำถามที่ต้องนับรวมทั้งชุดข้อมูลควรตอบจากข้อมูลที่จัดโครงสร้างแล้ว เพราะ RAG (การค้นรายงานที่เกี่ยวข้องก่อนตอบ) ดึงรายงานมาเพียงบางส่วน
จากงานไลเซนส์พร้อมที่ปรึกษา เราแนะนำให้เลือกงานแรกที่มีข้อมูลพร้อม แล้วทำร่วมกับที่ปรึกษาตั้งแต่สัปดาห์แรก เพื่อให้ทีมมี Flow ของงานตัวเองเมื่อจบช่วงให้คำปรึกษา แทนที่จะมีแค่ตัวอย่างสาธิต
แปลว่าอะไรสำหรับคุณ
ก่อนเริ่ม เราขอรายการแหล่งข้อมูล ตัวอย่างข้อมูลจริง และงานแรกหนึ่งงานที่ทีมของคุณทำซ้ำเป็นประจำ เราวาง Flow หลักคู่กับ Flow ตรวจสถานะ และกำหนดผู้รับแจ้งเตือนตั้งแต่ต้น ถ้าจะใช้ AI ถามตอบจากเอกสาร ให้เตรียมรายการคำถามที่ทีมถามจริงไว้ทดสอบคำตอบก่อนเริ่มใช้งาน
สเปคทางเทคนิค
| ประเภท | แพลตฟอร์มซอฟต์แวร์ Low-Code / No-Code สำหรับระบบอัตโนมัติและ Data Pipeline |
|---|---|
| รุ่นปัจจุบัน | nimitFlow 4.02a (ข้อมูล ก.ย. 2569) |
| การใช้งาน | ผ่านเว็บเบราว์เซอร์ |
| รูปแบบติดตั้ง | ติดตั้งบน Server ขององค์กรด้วย Docker Compose (ชุดติดตั้งแบบคอนเทนเนอร์) (On-Premise) หรือ Cloud Subscription |
| เทคโนโลยีเบื้องหลัง | ระบบหลังบ้านภาษา Python · ฐานข้อมูล PostgreSQL · หน้าเว็บ Next.js / React |
| โหนดที่พร้อมใช้ | Python, AI LLM, PostgreSQL, MySQL, HTTP/REST, กราฟหลายแบบ, Loop, Trigger (Manual / Schedule / Webhook), nimitFlow Drive |
| เชื่อมผ่าน Python | MSSQL, MongoDB, InfluxDB, SharePoint, Power BI, Power Apps, Superset, Dremio, OpenMetadata, LINE, อีเมล |
| ไฟล์ Flow | ไฟล์ .nim (ส่งออก/นำเข้า Flow ทั้งชุด) และไฟล์ CSV สำหรับตั้งค่าอุปกรณ์ปลายทาง เช่น บอร์ด DoLINE |
| ที่เก็บไฟล์ | nimitFlow Drive (My Drive, Shared with Me, Trashed) แชร์ได้ตามสิทธิ์ เจ้าของ / แก้ไข / ดูอย่างเดียว |
| ความปลอดภัย | เข้าสู่ระบบด้วย JWT (โทเคนยืนยันตัวตน) · ตรวจสิทธิ์ทุกคำสั่ง · โหนดฐานข้อมูลอ่านอย่างเดียว · เข้ารหัสรหัสผ่านฐานข้อมูล · Python รันใน Sandbox |
| อุปกรณ์ Inspektion ที่ส่งข้อมูลเข้า | Task Cam, InQC, InGauge (ผ่าน InQC), DoLINE, LearningCam, DoRare |
| รายงานและแจ้งเตือน | รายงาน Excel / CSV · แจ้งเตือนผ่านสคริปต์ Python ตามขอบเขตงาน |
สเปก Server ขั้นต่ำ จำนวนผู้ใช้ต่อแพ็กเกจ และพื้นที่จัดเก็บ ยังไม่ได้กำหนดเป็นตัวเลขมาตรฐาน ทีมงานประเมินตามขนาดงาน
สถาปัตยกรรมและการเชื่อมต่อ
ระบบที่เชื่อมต่อได้
- PostgreSQL
- MySQL
- HTTP / REST API
- Webhook
- API เชื่อม ERP / MES
- LLM: Gemini · Claude · ChatGPT · DeepSeek
- Ollama (LLM ในองค์กร)
- MSSQL · MongoDB · InfluxDB (ผ่าน Python)
- SharePoint · Power BI · Power Apps (ผ่าน Python)
- LINE · อีเมล (ผ่าน Python ตามขอบเขตงาน)
- Task Cam
- InQC
- DoLINE
- LearningCam
- InCBM
ความต้องการระบบ
- ผู้ใช้เข้าใช้งานผ่านเว็บเบราว์เซอร์ ไม่ต้องติดตั้งโปรแกรมที่เครื่องผู้ใช้
- แบบติดตั้งในองค์กร: Server ระบบปฏิบัติการ Ubuntu ติดตั้งทั้งระบบด้วย Docker Compose (ชุดติดตั้งแบบคอนเทนเนอร์) ชุดเดียว
- รองรับงานที่มากขึ้นด้วยการเพิ่มตัวประมวลผลงาน (Worker)
- ใช้ AI ในองค์กร: เครื่องที่รัน LLM ผ่าน Ollama, LM Studio หรือ llama.cpp ในเครือข่ายเดียวกัน
- แบบ Cloud Subscription: ไม่ต้องจัดหาหรือดูแล Server เอง
แพ็กเกจการใช้งาน
รูปแบบลิขสิทธิ์
สมัครใช้งานแบบรายรอบ (Subscription)
แบบ Cloud Subscription คิดค่าบริการรายเดือน เริ่มต้น 8,000 บาท/เดือน ส่วนแบบติดตั้งบน Server ขององค์กร (On-Premise) ประเมินราคาตามจำนวนผู้ใช้และขอบเขตการเชื่อมต่อ
- ราคาไม่รวม VAT
- ขอใบเสนอราคาแบบติดตั้งในองค์กรได้จากทีมงาน
เลือกรูปแบบการใช้งานตามนโยบายข้อมูลและงบประมาณขององค์กร
Cloud Subscription
เริ่มต้น 8,000 บาท/เดือน
- ใช้งานผ่านเว็บ ไม่ต้องดูแล Server เอง
- ระบบอัปเดตฟีเจอร์ต่อเนื่อง
ติดตั้งในองค์กร (On-Premise)
ขอใบเสนอราคา
- ติดตั้งบน Server ขององค์กรด้วย Docker Compose (ชุดติดตั้งแบบคอนเทนเนอร์)
- ข้อมูลและ AI ทำงานอยู่ในเครือข่ายขององค์กร
- ราคาตามจำนวนผู้ใช้และขอบเขตการเชื่อมต่อ
ราคาไม่รวม VAT — รายละเอียดขึ้นกับจำนวนผู้ใช้และขอบเขตการเชื่อมต่อ
อุตสาหกรรมที่ใช้
- โรงงานผลิตทั่วไป
- พลังงาน (งานซ่อมบำรุงโรงกลั่น)
- บริการ
- ชิ้นส่วนยานยนต์ (งานต้นแบบ)
ภาพหน้าจอ
เริ่มต้นใช้งานอย่างไร
nimitFlow ไม่เปิดให้ดาวน์โหลดใช้งานเอง เพราะต้องออกแบบ Flow ให้ตรงกับข้อมูลและขั้นตอนงานของแต่ละองค์กร ขั้นตอนเริ่มต้นคือ นัดเดโม่ เลือกงานนำร่องหนึ่งงาน แล้วทดลองกับข้อมูลจริงขององค์กร ทีมวิศวกรของเราช่วยประเมินความพร้อมและออกแบบ Flow ให้
เตรียมอะไรมาบ้าง
- รายการแหล่งข้อมูลที่จะเชื่อม เช่น อุปกรณ์ Inspektion ที่มีอยู่ (InQC, DoLINE, Task Cam, InGauge) ฐานข้อมูล เซนเซอร์ หรือระบบ ERP/MES เดิม
- ตัวอย่างข้อมูลจริง เช่น ไฟล์ Excel/CSV หรือแบบฟอร์มกระดาษที่ใช้อยู่หน้างาน
- งานที่ต้องการทำอัตโนมัติ เช่น รายงานที่ทำซ้ำทุกวัน หรือเงื่อนไขที่ต้องแจ้งเตือนผ่าน LINE หรืออีเมล พร้อมรายชื่อผู้รับแจ้งเตือน
- รูปแบบติดตั้งที่ต้องการ — Cloud หรือติดตั้งบน Server ขององค์กร (On-Premise) ตามนโยบายข้อมูล และต้องการใช้ AI ในองค์กรหรือไม่
- จำนวนผู้ใช้โดยประมาณ และขอบเขตการเชื่อมต่อ ซึ่งใช้ประกอบการคิดราคา
คำถามที่พบบ่อย
nimitFlow คืออะไร ใช้ทำอะไรได้บ้าง?
nimitFlow คือแพลตฟอร์ม Low-Code สำหรับสร้างงานอัตโนมัติและ Data Pipeline ด้วยการลากโหนดมาต่อกัน ใช้ดึงข้อมูลจากฐานข้อมูลหรือ API ประมวลผลด้วย Python หรือ AI ทำกราฟ และส่งรายงานหรือแจ้งเตือน nimitFlow ยังเป็นศูนย์กลางที่อุปกรณ์ Inspektion ส่งข้อมูลเข้ามา
ต้องเขียนโค้ดเป็นไหม?
งานทั่วไปไม่ต้องเขียนโค้ด โหนดส่วนใหญ่ เช่น ฐานข้อมูล HTTP กราฟ และ AI ตั้งค่าผ่านฟอร์ม งานที่ซับซ้อนใช้โหนด Python ที่เขียนโค้ดได้เต็มรูปแบบ และมี AI Code Generator ช่วยร่างโค้ด Low-Code ลดการเขียนโค้ดทั้งระบบ แต่ไม่ได้แปลว่าไม่มีโค้ดเลย
ติดตั้งในองค์กรได้ไหม ข้อมูลจะออกนอกองค์กรหรือไม่?
ได้ nimitFlow ติดตั้งบน Server ขององค์กรด้วย Docker Compose ข้อมูลของ Flow จึงเก็บอยู่ใน Server ขององค์กร ถ้าจะใช้ AI โดยไม่ส่งข้อมูลออกนอกเครือข่าย ให้เชื่อมโหนด AI กับ LLM ที่รันในองค์กรผ่าน Ollama ถ้าไม่ต้องการดูแล Server เอง เลือกแบบ Cloud Subscription ได้
ต่อกับเครื่องจักร ฐานข้อมูล และระบบเดิมได้ไหม?
ได้ตามช่องทางที่ระบบเดิมมี PostgreSQL, MySQL, HTTP/REST API, Webhook และ LLM หลายค่ายเชื่อมได้ทันที ส่วน MSSQL, MongoDB, InfluxDB, SharePoint, Power BI และ Power Apps เชื่อมผ่านโหนดในชุดเครื่องมือหรือสคริปต์ Python เครื่องจักรต้องมีเกตเวย์หรืออุปกรณ์อ่านค่าก่อน เช่น งานที่เราเคยอ่านค่าจาก PLC ของเครื่องหล่อ 2 เครื่องผ่านเกตเวย์
หลังติดตั้งแล้วต้องมีคนดูแลระบบไหม?
แบบ Cloud Subscription คุณไม่ต้องจัดหาหรือดูแล Server เอง แบบติดตั้งในองค์กร องค์กรต้องมี Server ที่ใช้ Ubuntu และกำหนดผู้รับผิดชอบ Flow ในงานเก็บข้อมูลเครื่องหล่อ เราตั้งค่าการเข้าดูแลระยะไกลผ่าน VPN และทำคู่มือวิธีสั่งให้ Flow กลับมาทำงานเมื่อหยุด ขอบเขตการดูแลหลังติดตั้งตกลงกับทีมงานตอนขอใบเสนอราคา
ราคาเท่าไร?
แบบ Cloud Subscription เริ่มต้น 8,000 บาท/เดือน (ไม่รวม VAT) แบบติดตั้งบน Server ขององค์กร ทีมงานออกใบเสนอราคาตามจำนวนผู้ใช้และขอบเขตการเชื่อมต่อ ถ้าต้องการดูการทำงานก่อน นัดเดโม่แล้วเลือกงานนำร่องหนึ่งงานมาทดลองกับข้อมูลจริงได้
