Articles › Industry

โรงงานในประเทศไทยส่วนใหญ่ไม่ได้ล้มเหลวในการทำ MES เพราะเทคโนโลยีไม่ดี แต่ล้มเหลวเพราะระบบ ไม่สอดคล้องกับวิธีการทำงานจริงของโรงงานไทย ในเอกสารหรือโบรชัวร์ MES สำเร็จรูปดูสมบูรณ์แบบ: แดชบอร์ด OEE สำหรับผู้บริหาร Traceability สำหรับการตรวจสอบและ ISO รายงานการผลิตส่งสำนักงานใหญ่ Checklist ด้านกฎหมายและลูกค้า แต่ในพื้นที่หน้างานของโรงงานไทย ความจริงกลับเป็นอีกแบบ: Excel ยังถูกใช้งานควบคู่กับ MES หัวหน้างานต้องปรับตัวเลขก่อนรายงาน วิศวกรข้ามระบบเพื่อให้การผลิตเดินต่อได้ ผู้บริหารถกเถียงเรื่องตัวเลข มากกว่าการปรับปรุงงาน นี่ไม่ใช่ปัญหาของคนทำงาน แต่เป็น ปัญหาการออกแบบระบบ

Most factories don’t fail at MES because of technology. They fail because the system doesn’t reflect how the factory actually works. On paper, ready-made MES looks perfect: OEE dashboards Traceability Production reports Compliance checklists But on the shop floor, a different story appears: Operators keep Excel sheets “just in case” Supervisors manually adjust numbers Engineers […]

引言 在中国及周边市场经营再生资源（废金属）业务时，经营者经常会问： “现在该不该多收铜？钢铁库存要不要压？” 真正重要的，并不是精准预测价格，而是： 在不确定的市场中，持续做出风险可控的正确决策。 本文从中国市场的实际出发，介绍一种 不依赖投机、不依赖复杂金融模型 的金属价格预测方法。

はじめに 日本のリサイクル事業（スクラップ業）では、次のような悩みをよく耳にします。 「今、銅スクラップや鉄スクラップを積極的に買っていいのか？」 重要なのは、価格を完璧に当てることではありません。 毎日の意思決定を、少しずつでも合理的にすること が最大の目的です。 本記事では、日本市場の実情に合わせて、投機やトレードをしない価格予測の考え方 を解説します。

บทนำ เจ้าของธุรกิจรีไซเคิลในประเทศไทยจำนวนมากมักตั้งคำถามว่า: “จะรู้ได้อย่างไรว่าควรซื้อเศษทองแดงหรือเศษเหล็กตอนนี้ดีไหม?” คำตอบที่ถูกต้องไม่ใช่การทำนายราคาให้แม่น 100% แต่คือ การตัดสินใจได้ดีกว่าเดิมทุกวัน ด้วยความเสี่ยงที่ควบคุมได้ บทความนี้อธิบายแนวทางการคาดการณ์ราคาที่เหมาะกับ บริบทธุรกิจรีไซเคิลในประเทศไทย ใช้ได้จริง ไม่ต้องเป็นนักเทรด และไม่ต้องใช้ข้อมูลราคาแพง

Introduction Many recycling business owners ask the same question: “How can I predict copper or steel prices so I don’t buy at the wrong time?” The honest answer is this: You don’t need perfect prediction. You need better decisions than yesterday. This article explains a practical, business-oriented approach to predicting metal prices—designed specifically for recycling […]

引言 近年来，中国回收与再生资源行业对 AI 的关注迅速升温。从智能分拣、数据分析看板，到价格预测和产能优化，越来越多企业开始尝试将 AI 引入业务流程。 然而，在实际落地过程中，相当多的 AI 项目并未带来预期的经营成果。 问题并不在于 AI 算法不够先进，而在于 AI 没有真正融入工厂现场和业务系统。

はじめに 近年、日本のリサイクル業界でもAIへの関心が急速に高まっています。AIによる自動選別、データ分析ダッシュボード、価格予測など、さまざまな取り組みが進められています。 しかし現実には、多くのAIプロジェクトが期待した成果を出せていません。 その原因は、AIの性能不足ではありません。最大の問題は、AIが現場のシステムや業務プロセスと適切に連携されていないことにあります。

บทนำ ในช่วงไม่กี่ปีที่ผ่านมา ธุรกิจรีไซเคิลในประเทศไทยเริ่มให้ความสนใจกับ AI มากขึ้น ไม่ว่าจะเป็นการคัดแยกวัสดุอัตโนมัติ การทำแดชบอร์ดวิเคราะห์ข้อมูล หรือการคาดการณ์ราคาเศษวัสดุ แต่ในความเป็นจริง โครงการ AI จำนวนไม่น้อยกลับไม่สามารถสร้างผลลัพธ์ทางธุรกิจได้อย่างที่คาดหวัง สาเหตุหลักไม่ได้อยู่ที่ว่า AI ไม่เก่งพอ แต่เกิดจาก AI ถูกนำมาใช้โดยไม่มีการเชื่อมต่อเข้ากับระบบการทำงานจริงของโรงงานและธุรกิจ

Introduction Many recycling companies are investing in AI technologies with the hope of improving efficiency, yield, and profitability. However, a significant number of these projects fail to deliver real business value. The primary reason is not the AI models themselves—but the lack of proper system integration. This article explains why AI initiatives in recycling often […]

在中国制造业推进 数字化转型 和 智能工厂 的过程中，一个常见的问题是： 工厂系统架构应该采用 ISA-95，还是 RAMI 4.0？ 结论先行：这个问题本身并不完全正确。 ISA-95 与 RAMI 4.0 并不是相互竞争的标准，而是解决 不同层级、不同维度问题 的两种架构思想。对于希望在规模、效率与可持续性上长期发展的中国制造企业来说，正确的做法是合理地结合使用二者。 本文适合以下读者： 工厂负责人、制造负责人 IT / 信息化 / 工业互联网团队 正在规划 MES、智能工厂或工业升级的中国制造企业

日本の製造業で DX（デジタルトランスフォーメーション） や スマートファクトリー が進む中、よく聞かれる質問があります。 工場システムの設計は ISA-95 と RAMI 4.0、どちらを採用すべきか？ 結論から言うと、この問い自体が正確ではありません。 ISA-95 と RAMI 4.0 は競合する考え方ではなく、異なるレイヤー・異なる目的を扱うフレームワークです。日本の製造現場で長期的に安定し、改善し続けられるシステムを構築するには、両者を正しく組み合わせて使うことが重要です。 本記事は以下の方を想定しています。 工場長・製造部門責任者 情報システム部・生産技術部 MES／スマートファクトリー導入を検討している日本の製造業

เมื่อโรงงานในประเทศไทยเริ่มทำ Digital Transformation คำถามที่มักถูกถามเสมอคือ เราควรออกแบบระบบโรงงานโดยใช้ ISA-95 หรือ RAMI 4.0 ดี? คำตอบสั้น ๆ คือ: คำถามนี้ถามผิดตั้งแต่ต้น ISA-95 และ RAMI 4.0 ไม่ใช่คู่แข่งกัน แต่เป็นกรอบแนวคิดที่แก้ปัญหา คนละระดับ และคนละมุมมอง และสถาปัตยกรรมโรงงานที่แข็งแรงในระยะยาว มักจะใช้ ทั้งสองร่วมกัน บทความนี้เหมาะสำหรับ: เจ้าของโรงงาน / ผู้บริหารโรงงาน ทีม IT / Automation / Digital Factory โรงงาน SME ไทยที่กำลังเริ่ม MES หรือ Smart Factory

When factories begin their digital transformation, one question comes up again and again: Should we design our systems using ISA-95 or RAMI 4.0? The short answer is: this is the wrong question. ISA-95 and RAMI 4.0 are not competitors. They solve different problems at different abstraction levels, and the strongest industrial architectures use both together.

过去几年，工业AI的讨论大多集中在AI模型本身： 模型精度、训练数据规模、算法先进性。 这些当然重要，但在迈向 2026 年的过程中，中国制造业正在发生明显转变。 真正决定成败的，不再是“用了什么模型”， 而是 AI 能否作为工业系统的一部分，长期、稳定、安全地运行。 正是在这个层面上，AI 加速器与软件框架开始成为关键。

これまでIndustrial AIの議論は、AIモデルに焦点が当たることがほとんどでした。 精度、データ量、アルゴリズム──それらは確かに重要です。 しかし2026年に向けて、製造業の現場では視点が大きく変わりつつあります。 本当に差を生むのは「どのモデルを使うか」ではなく、 AIを実システムとして、長期間・安全・安定的に動かせるかどうかです。 この変化の中心にあるのが、AIアクセラレータとソフトウェアフレームワークです。

ตลอดหลายปีที่ผ่านมา การพูดถึง Industrial AI มักโฟกัสไปที่ โมเดล ไม่ว่าจะเป็นความแม่นยำ ชุดข้อมูล หรืออัลกอริทึม แต่ในปี 2026 มุมมองนี้กำลังเปลี่ยนไป สิ่งที่สร้างความแตกต่างจริงในสภาพแวดล้อมอุตสาหกรรม ไม่ใช่ ใช้โมเดลอะไร แต่คือ การนำ AI ไปทำงานในระบบจริงได้อย่างเสถียร มีประสิทธิภาพ และปลอดภัย และนี่คือจุดที่ AI Accelerators และ Software Frameworks เข้ามาเปลี่ยนเกมของตลาดอย่างเงียบ ๆ

For years, industrial AI discussions focused on models: accuracy, datasets, and algorithms. In 2026, that focus is shifting. The real differentiator in industrial environments is no longer which model you use, but how AI is executed reliably, efficiently, and safely inside real systems. This is where AI accelerators and software frameworks quietly redefine the market.

面向真实作业现场的 POS 系统（中国市场版） 在这类业务中，每一秒都是成本，每一次失误都会侵蚀利润，而任何不清晰的数据都会演变为经营风险。 想象一下清晨的回收场景：卡车陆续进场，工作人员将废料放到电子地磅上，重量稳定后，数据自动进入 POS 系统，凭条即时打印，结算金额当场确认。无需手写记录，也无需再录入 Excel，更不会在事后因为“重量不一致”而产生纠纷。

現場の「現実」に向き合うためのPOS（日本市場向け） このような業務では、1秒の遅れがコストになり、1つのミスが利益を削り、曖昧さは必ずリスクになります。 朝のリサイクルヤードを想像してください。トラックが次々と到着し、作業員がスクラップを計量器に載せる。重量が安定すると同時に数値がPOSに自動入力され、伝票が即座に印刷され、支払額がその場で確定します。手書きは不要、Excelへの転記も不要、後から「重量が違う」というトラブルも起きません。