引言 过去几年，RPA（机器人流程自动化） 被广泛用于提升效率， 通过模拟人工操作来完成大量重复性工作。 与此同时，AI（人工智能） 被寄予厚望，希望它能够理解文档、辅助判断、提高决策质量。 但在实际落地过程中，越来越多的企业发现一个现实问题： 只有 RPA，系统会变得脆弱 只有 AI，系统难以被信任 二者若没有治理机制，最终都会失败

はじめに RPA（Robotic Process Automation）は、 人の操作を模倣することで業務を高速化する技術として普及しました。 一方、AI（人工知能）は、 文書理解や判断支援を通じて業務を高度化する存在として期待されています。

บทนำ ในช่วงหลายปีที่ผ่านมา RPA (Robotic Process Automation) ถูกนำมาใช้เพื่อเร่งความเร็วงานซ้ำ ๆ ขณะที่ AI (Artificial Intelligence) ถูกคาดหวังให้ช่วยตัดสินใจและวิเคราะห์ข้อมูลแทนมนุษย์ แต่ในความเป็นจริง หลายองค์กรในประเทศไทยกลับพบว่า RPA อย่างเดียวทำให้ระบบเปราะบาง AI อย่างเดียวทำให้ควบคุมยาก และทั้งสองจะล้มเหลว หากไม่มีโครงสร้างการกำกับที่ดี

Robotic Process Automation (RPA) promised fast efficiency gains by letting software “robots” mimic human actions. Artificial Intelligence (AI) promised smarter decisions by learning from data. Individually, both technologies delivered value — and also disappointment.

エージェントベース × ネットワーク × システムダイナミクスによるシステム的アプローチ 現代の国境紛争は、従来型の戦争とは大きく異なります。 多くの場合、それは全面衝突ではなく、長期的・間接的・適応的な対立として現れます。

A Systems Approach Using Agent-Based, Network, and System Dynamics Models Modern border conflicts rarely resemble conventional wars. They are persistent, indirect, and system-driven, involving multiple actors, informal resource flows, and adaptive behaviors rather than open military confrontation.

เข้าใจความตึงเครียดแบบไทย–กัมพูชา ด้วย Simulation เชิงระบบ ความขัดแย้งชายแดนในเอเชียตะวันออกเฉียงใต้จำนวนมาก ไม่ใช่สงครามเปิด แต่เป็น ความตึงเครียดที่เกิดซ้ำเป็นระยะ มีตัวแสดงหลายฝ่าย และมีทรัพยากรจากระบบเศรษฐกิจนอกระบบหล่อเลี้ยงอยู่เบื้องหลัง

引言 近年来，中国高校在数字化方面持续投入， 包括智慧校园建设、在线教学平台、科研信息系统、AI 应用探索等。 然而，在教学与科研的核心支撑系统中， 数字图书馆的实际使用体验正逐渐暴露出结构性问题。 问题并不在于资源数量不足， 也不在于图书馆员专业能力欠缺， 而集中体现在一个事实：

はじめに 日本の大学では、 LMS、研究情報基盤、AI 活用、クラウド移行など、 さまざまなデジタル投資が進められています。 しかし、その一方で、教育・研究の基盤であるはずの 大学図書館のデジタル利用体験が、静かに課題を抱えています。 問題は、 資料が不足していることでも 図書館員の専門性が足りないことでもありません

บทนำ มหาวิทยาลัยไทยกำลังลงทุนด้านดิจิทัลอย่างต่อเนื่อง ไม่ว่าจะเป็น LMS, ระบบข้อมูลวิจัย, AI, หรือโครงสร้างพื้นฐานคลาวด์ แต่มีระบบหนึ่งที่มักถูกมองข้าม ทั้งที่ส่งผลต่อการเรียนและการวิจัยโดยตรง คือ ประสบการณ์การใช้งานห้องสมุดดิจิทัล ปัญหาไม่ได้อยู่ที่ห้องสมุด “ไม่มีทรัพยากร” และไม่ได้อยู่ที่บุคลากร “ขาดความรู้”

Introduction Universities are investing heavily in digital transformation — learning platforms, AI tools, research analytics, and cloud infrastructure. Yet one critical system is quietly failing its users: the university library experience.

在制造业中，废料（边角料、下脚料）的处理和交易是每天都会发生的事情。 但现实中，很多流程仍然依赖人工沟通和长期形成的关系网络。 当天价格不够透明 需要反复电话、微信沟通 提货、结算协调成本高 交易记录分散、不易管理

製造業においてスクラップ（端材・廃材）の取引は日常的な業務です。 しかし実際の現場では、長年変わらない方法が今も使われています。 今日の相場が分かりにくい 電話や個別連絡に頼っている 引き取り調整に時間がかかる 取引履歴が整理されていない

เศษวัสดุจากโรงงานเป็นเรื่องปกติของการผลิต แต่ถ้าเคยดูแลเรื่องนี้จริง ๆ จะรู้ว่า “การซื้อ–ขายเศษ” ยังใช้วิธีเดิม ๆ มานานมาก ราคาวันนี้เท่าไร ไม่แน่ใจ ต้องโทรถามหลายเจ้า นัดรับของกันหลายรอบ เอกสารและการติดตามงานทำด้วยมือ

Scrap trading keeps factories efficient and recyclers running — but if you’ve ever dealt with it directly, you know the process is often slower and more manual than it needs to be. Prices are unclear. Coordination takes time. Too much depends on phone calls and personal contacts.

在中国制造业推进 数字化工厂、智能制造、工业互联网 的过程中， 很多企业已经部署了 ERP、SCADA 或 PLC 系统，但仍然面临以下问题： 生产计划与现场执行脱节 生产数据依赖人工录入和 Excel 管理层无法实时掌握生产进度 设备数据“很多”，但无法转化为管理价值 造成这些问题的核心原因，往往是缺少真正的制造执行层系统（MES）。

日本の製造業では、ERP や設備制御システム（SCADA / PLC）は導入されているものの、 生産実績がリアルタイムで見えない 現場では Excel や手書き帳票が残っている 設備データと生産指示が結びついていない といった課題を抱える工場が少なくありません。 これらの課題を解決する中核となるのが MES（Manufacturing Execution System：製造実行システム）です。

โรงงานในประเทศไทยจำนวนมากเริ่มเข้าสู่การทำ Digital Factory / Smart Factory แต่พบว่าระบบที่มีอยู่ เช่น ERP หรือ SCADA ยังไม่สามารถตอบโจทย์หน้างานได้ครบถ้วน MES (Manufacturing Execution System) จึงกลายเป็น “ตัวกลางสำคัญ” ที่เชื่อม แผนการผลิตของธุรกิจ เข้ากับ ความเป็นจริงในโรงงาน

Manufacturers increasingly look to build or customize their own Manufacturing Execution Systems (MES) to gain better control over production, quality, and real-time visibility. While commercial MES platforms exist, many factories choose Python-based development for its flexibility, scalability, and strong ecosystem.

在中国制造业推进数字化转型、智能制造、工业互联网的过程中， ERP、MES、SCADA 几乎是每一家工厂都会接触到的系统。 但在实际落地中，很多企业仍然面临以下问题： 计划数据与生产实绩不一致 现场依赖 Excel、人工报表 管理层无法实时掌握生产状态 系统很多，但数据无法贯通