ในช่วง 2–3 ปีที่ผ่านมา หลายธุรกิจในประเทศไทยเริ่มทดลองใช้ยานยนต์ไฟฟ้า (EV) เพื่อขนส่งสินค้า รับส่งพนักงาน หรือทำงานภายในโรงงาน
แต่ปัญหาที่พบเหมือนกันคือ:
EV Fleet Management SaaS with AI Optimization: The New Operating System for Modern Fleet Businesses
As more companies explore electric vehicles, one truth has become clear: managing an EV fleet is much more complex than managing traditional fuel vehicles. Range varies by weather, charging takes time, electricity prices fluctuate, and batteries degrade differently depending on driver behavior.
正在改变中国制造业的 7 大机器学习（Machine Learning）系统应用场景
在“中国制造 2025”、智能制造（Smart Manufacturing） 与 数字化工厂 的推动下，越来越多的企业开始关注人工智能（AI）如何真正落地到生产现场。
Continue reading "正在改变中国制造业的 7 大机器学习（Machine Learning）系统应用场景"
製造業とビジネスを変革する 7つの Machine Learning（機械学習）活用事例
日本の製造業は今、人手不足・品質要求の高度化・グローバル競争・設備の老朽化 という大きな課題に直面しています。
これらの課題に対して、AI とくに Machine Learning（ML）システム は大きな効果を発揮しています。
Continue reading "製造業とビジネスを変革する 7つの Machine Learning（機械学習）活用事例"
7 Use Cases ของระบบ Machine Learning ที่กำลังเปลี่ยนอนาคตโรงงานและธุรกิจไทย
ทุกวันนี้หลายโรงงานและธุรกิจในไทยเริ่มมองหา AI และระบบ Machine Learning
เพื่อเพิ่มประสิทธิภาพ ลดต้นทุน แก้ปัญหาขาดแคลนแรงงาน และนำพาธุรกิจเข้าสู่ Industry 4.0
Continue reading "7 Use Cases ของระบบ Machine Learning ที่กำลังเปลี่ยนอนาคตโรงงานและธุรกิจไทย"
7 Real-World Machine Learning System Use Cases Transforming Businesses & Factories
Modern companies are no longer asking “Should we use AI?”
Now they’re asking: “How do we design machine learning systems that deliver real business value?”
LSTM洪水与水位预测：推动中国智慧水利和城市防汛的新一代AI技术
中国是世界上水文条件最复杂的国家之一：暴雨、台风、山洪、城市内涝、海潮顶托、河道水位突涨等情况频发。随着城市规模不断扩大，“短时强降雨 + 城市快速积水”成为各大城市共同面临的挑战。
LSTMによる洪水・水位予測：日本の防災を強化するAIアプローチ
日本は、梅雨・台風・ゲリラ豪雨・河川氾濫など、年間を通じて水害リスクが高い国です。特に都市部では、降雨量の急増や下水道容量の限界により、「短時間で道路冠水」や「河川水位の急上昇」が頻発しています。
การใช้ LSTM ในการพยากรณ์ระดับน้ำท่วม: ทางออกใหม่ของเมืองไทยเพื่อรับมือฝนตกหนักและน้ำรอระบาย
ประเทศไทย โดยเฉพาะ “กรุงเทพฯ–ปริมณฑล” เผชิญปัญหาน้ำท่วมเป็นประจำ ไม่ว่าจะเป็นน้ำท่วมขังหลังฝนตก, น้ำล้นคลอง, หรือผลกระทบจากน้ำทะเลหนุน การบริหารจัดการน้ำแบบเดิมอาศัยแบบจำลองทางวิศวกรรม เช่น Rational Method หรือ Manning’s Equation ซึ่งดีสำหรับงานออกแบบโครงสร้าง แต่ไม่เพียงพอสำหรับการคาดการณ์แบบเรียลไทม์ที่มี ความซับซ้อนและความแปรปรวนสูง
Using LSTM for Flood Water-Level Prediction: How Deep Learning Helps Cities Respond Faster
Modern cities face increasing challenges from heavy rainfall, rapid urbanization, and aging drainage systems. Traditional hydrological models—such as the Rational Method or Manning’s Equation—work well for engineering design, but they struggle with non-linear, real-time flood behavior, especially when multiple factors interact: