โมเดลอาคารที่แก้ไขได้จากการสแกนไซต์: กระบวนการทำงานของ Omniverse และ AI Agent
· NVIDIA
นี่ไม่ใช่คำแนะนำทางการเงิน
NVIDIA แสดงให้เห็นการใช้ Omniverse และ AI agents เพื่อเปลี่ยนการสแกนไซต์ให้เป็นโมเดลอาคารที่แก้ไขได้และพร้อมสำหรับการจำลองสำหรับการวางแผนและการทำงานอัตโนมัติในคลังสินค้า
สิ่งใหม่และสิ่งที่มันเปิดใช้งาน
การวางแผนการทำงานอัตโนมัติในคลังสินค้าและการเปลี่ยนแปลงเลย์เอาต์ต้องการโมเดลดิจิทัลที่แม่นยำและแก้ไขได้ของอาคาร อย่างไรก็ตาม การสแกนไซต์มักจะบันทึกไม่เพียงแต่โครงสร้าง แต่ยังรวมถึงชั้นวาง เครื่องจักร และเนื้อหาต่างๆ ทำให้ยากที่จะแยกอาคารออกมาเพื่อการจำลองและการออกแบบ การสร้างโมเดลที่สะอาดและแก้ไขได้จากการสแกนดังกล่าวด้วยมือเป็นงานที่ใช้แรงงานมากและมีแนวโน้มที่จะเกิดข้อผิดพลาด ซึ่งจำกัดความสามารถในการทดสอบเลย์เอาต์ใหม่หรือสถานการณ์การทำงานอัตโนมัติอย่างมีประสิทธิภาพก่อนที่จะทำการเปลี่ยนแปลงทางกายภาพที่มีค่าใช้จ่ายสูง
สิ่งที่แหล่งข่าวรายงาน
NVIDIA รายงาน: NVIDIA รายงานว่านักพัฒนากำลังรวมโมเดล AI แนวหน้า เช่น GPT-6 Astra กับไลบรารีของ Omniverse เพื่อทำให้กระบวนการสร้างโมเดลอาคารจากการสแกนไซต์เป็นอัตโนมัติ โดยการชี้นำ AI agents ให้ตีความภาพพาโนรามาและจัดเรียงให้ตรงกับการวัดพ้อยคลาวด์ นักพัฒนาสามารถสร้างเรขาคณิตอาคารที่แก้ไขได้และพร้อมสำหรับการจำลอง โมเดลเหล่านี้ช่วยให้สามารถจัดเรียงชั้นวางและเครื่องจักรใหม่ได้ ทำให้ทีมสามารถประเมินเลย์เอาต์ของคลังสินค้าและแผนการทำงานอัตโนมัติในลักษณะเสมือนจริงก่อนที่จะทำการเปลี่ยนแปลงในโลกจริง กระบวนการทำงานนี้ใช้ OpenUSD สำหรับการจัดเก็บโมเดลและเครื่องมือการเรนเดอร์ของ Omniverse สำหรับการตรวจสอบ
หลักฐานจากแหล่งที่มา (ข้อความสั้น ๆ)
“เป้าหมายคือโมเดลอาคารที่แก้ไขได้และพร้อมสำหรับการจำลอง ซึ่งนักพัฒนาสามารถเพิ่มหรือตั้งชั้นวางและเครื่องจักรใหม่เพื่อประเมินเลย์เอาต์ของคลังสินค้าและแผนการทำงานอัตโนมัติได้ก่อน”
“Wehr ชี้นำ Astra ให้ตีความภาพพาโนรามา สร้างเรขาคณิตอาคาร และจัดเรียงให้ตรงกับการวัดพ้อยคลาวด์”
“David Wehr จากทีมเทคโนโลยีการจำลองของ NVIDIA ได้พัฒนางานนี้โดยใช้ Astra เพื่อพัฒนากระบวนการทำงานสำหรับการสร้างอาคารใหม่ในรูปแบบดิจิทัลโดยไม่มีเนื้อหา”
การวิเคราะห์ - สมมติฐาน, ไม่ใช่ข้อค้นพบที่ได้รับการตรวจสอบ
วิธีการนี้อาจช่วยทำให้กระบวนการเตรียมดิจิทัลทวินสำหรับคลังสินค้าและสภาพแวดล้อมที่คล้ายกันมีความรวดเร็วขึ้นอย่างมีนัยสำคัญ โดยการทำให้การดึงเรขาคณิตของอาคารจากการสแกนไซต์ที่ยุ่งเหยิงเป็นอัตโนมัติ ทีมสามารถสร้างต้นแบบและทดสอบเลย์เอาต์ที่แตกต่างกันได้อย่างรวดเร็ว ซึ่งช่วยปรับปรุงการตัดสินใจและลดความเสี่ยงของข้อผิดพลาดที่มีค่าใช้จ่ายสูง การรวม AI agents กับไลบรารีการจำลองยังช่วยลดอุปสรรคสำหรับผู้ที่ไม่มีความเชี่ยวชาญในการสร้างและแก้ไขสภาพแวดล้อมการจำลอง ซึ่งอาจเร่งนวัตกรรมในด้านโลจิสติกส์ การผลิต และการจัดการสิ่งอำนวยความสะดวก
การใช้งานและโครงการที่เป็นไปได้
มีความต้องการที่น่าเชื่อถือสำหรับโมเดลอาคารดิจิทัลที่รวดเร็วและแม่นยำยิ่งขึ้นสำหรับการวางแผนคลังสินค้าที่ขับเคลื่อนด้วยการจำลอง โครงการนี้จะทดสอบว่ากระบวนการทำงานที่ช่วยด้วย AI มีการปรับปรุงที่เป็นประโยชน์เมื่อเปรียบเทียบกับวิธีการด้วยมือหรือไม่ ซึ่งจะสนับสนุนการนำไปใช้ในวงกว้างหากประสบความสำเร็จ
การนำไปใช้และโมเดลธุรกิจ - สมมติฐานที่เลือกได้
ไม่มีลูกค้าจ่ายเงินที่ตั้งขึ้นสำหรับเครื่องมือชุมชนนี้; โครงการนี้เป็นการทดสอบความเป็นไปได้สำหรับการใช้งานแบบโอเพ่นซอร์สหรือการทำงานร่วมกัน
การสร้างรายได้ไม่จำเป็นสำหรับโครงการนี้; ไม่มีสมมติฐานเชิงพาณิชย์ที่ตั้งขึ้น หากประสบความสำเร็จ โมเดลในอนาคตอาจรวมถึงการมีส่วนร่วมแบบโอเพ่นซอร์สหรือสัญญาบริการ
คู่แข่งและความแตกต่างในการทดสอบ
การสร้างโมเดล CAD ด้วยมือ เครื่องมือฟอตโตแกรมเมตรี ซอฟต์แวร์สแกนไปยัง BIM และกระบวนการทำงานของ Omniverse โดยไม่มีการรวม AI agent เป็นทางเลือกที่ควรตรวจสอบ
ไม่ว่าจะกระบวนการทำงานที่ช่วยด้วย AI ลดเวลาสำหรับการสร้างโมเดลที่แก้ไขได้ลงได้อย่างน้อย 30% เมื่อเปรียบเทียบกับวิธีการด้วยมือ และผู้ใช้พบว่าผลลัพธ์นั้นง่ายต่อการแก้ไขสำหรับการวางแผนเลย์เอาต์หรือไม่
ภูมิศาสตร์ ค่าใช้จ่าย และการตรวจสอบทางกฎหมาย
ตลาดที่มีชื่อแหล่งที่มาไม่ได้ระบุ; ความพร้อมใช้งานและการครอบคลุมยังไม่ทราบจนกว่าจะมีการตรวจสอบ ผู้เข้าร่วมควรยืนยันการเข้าถึงฮาร์ดแวร์และซอฟต์แวร์ที่จำเป็นในท้องถิ่น
ค่าใช้จ่ายจริงไม่ทราบ; ต้องการการเสนอราคาท้องถิ่นสำหรับ Omniverse การจัดเก็บ และทรัพยากรการคอมพิวเตอร์ ไม่มีการรายงานราคา AI agent หรือแพลตฟอร์มในข้อความนี้
ผู้เข้าร่วมต้องตรวจสอบความเป็นส่วนตัวในท้องถิ่น ผู้บริโภค ทรัพย์สินทางปัญญา และเงื่อนไขแพลตฟอร์ม ไม่มีคำแนะนำทางกฎหมายให้; ไม่ควรใช้การสแกนที่มีข้อมูลที่ละเอียดอ่อนหรือเป็นกรรมสิทธิ์โดยไม่ได้รับความยินยอม
สิ่งที่ยังไม่เป็นที่รู้จัก
ยังไม่ชัดเจนว่ากระบวนการทำงานที่ขับเคลื่อนด้วย AI มีความแข็งแกร่งเพียงใดในอาคารที่หลากหลาย คุณภาพของการสแกน และระดับความยุ่งเหยิง ความแม่นยำในการดึงเรขาคณิตและการจัดเรียง ความสะดวกในการแก้ไขโมเดลที่เกิดขึ้น และการประหยัดเวลาเมื่อเปรียบเทียบกับวิธีการด้วยมือยังไม่ได้มีการทดสอบอย่างอิสระ อาจมีข้อจำกัดในการจัดการกับสภาพแวดล้อมที่ซับซ้อนหรือถูกบดบัง และความเข้ากันได้ของกระบวนการทำงานกับระบบการจัดการคลังสินค้าหรือระบบอัตโนมัติที่มีอยู่ยังไม่ได้มีการระบุรายละเอียด
ความเป็นไปได้ของโครงการ - ยังไม่ได้รับการตรวจสอบ
การวิเคราะห์โอกาสดั้งเดิมนี้เป็นข้อเสนอในการทดสอบ ไม่ใช่การอ้างสิทธิ์ว่าผลิตภัณฑ์ ตลาด ลูกค้า หรือรายได้ได้รับการตรวจสอบแล้ว ไม่มีการวิจัยตลาดอย่างอิสระที่ดำเนินการ; แหล่งที่มาไม่ได้รายงานยอดขายหรือรายได้ที่รับประกัน เว้นแต่หลักฐานที่อ้างถึงจะกล่าวเป็นอย่างอื่น
วันที่และความสดใหม่ของแหล่งที่มา
เวลาประทับฟีดผู้เผยแพร่: 2026-10-29T16:00:35.000Z นี่คือการบันทึกเมื่อรายการแหล่งที่มาถูกเผยแพร่ ไม่ใช่การตรวจสอบราคาที่มีชีวิต จำนวนลูกค้า ความพร้อมใช้งาน หรือเงื่อนไขแพลตฟอร์ม
แหล่ง
NVIDIA - สู่ Omniverse: นักพัฒนาหันความคิดให้เป็นการจำลองด้วย AI Agents แนวหน้า
https://blogs.nvidia.com/blog/developers-simulation-frontier-ai-agents
MLAIEL AI — สมมติฐานโครงการ
ข้อเสนอสำหรับทีม ไม่ใช่ผลที่ตรวจสอบแล้ว และไม่ใช่คำแนะนำทางการแพทย์หรือการเงิน
โอกาสดิจิทัล (v4): ต้นแบบโมเดลอาคารที่แก้ไขได้ด้วย AI จากการสแกนไซต์ กลุ่มเป้าหมาย: ผู้วางแผนคลังสินค้า, วิศวกรอัตโนมัติ, นักพัฒนาการจำลอง, และผู้จัดการสถานที่ที่ต้องการสร้างดิจิทัลทวินที่แก้ไขได้ของอาคารจริงสำหรับการวางแผนเลย์เอาต์และการอัตโนมัติ วิธีการทำงาน: ผู้ใช้จะอัปโหลดภาพพาโนรามาและการสแกนพ้อยคลาวด์ของคลังสินค้า ตัวแทน AI จะตีความภาพ, สกัดรูปทรงอาคาร (ผนัง, พื้น, เพดาน), และจัดเรียงให้ตรงกับข้อมูลพ้อยคลาวด์ ผลลัพธ์คือโมเดล OpenUSD ที่แก้ไขได้ ซึ่งเรนเดอร์เพื่อการตรวจสอบใน Omniverse ผู้ใช้สามารถเพิ่ม, ลบ, หรือเปลี่ยนตำแหน่งชั้นวางและเครื่องจักรภายในโมเดลเพื่อจำลองเลย์เอาต์ที่แตกต่างกัน เวอร์ชันแรก: เครื่องมือเว็บต้นแบบที่ผู้ใช้สูงสุด 5 คนอัปโหลดภาพพาโนรามาตัวอย่างและไฟล์พ้อยคลาวด์จากคลังสินค้าขนาดเล็ก เครื่องมือที่ดำเนินการโดยวิศวกรการจำลองใช้ตัวแทน AI เพื่อสร้างโมเดลอาคาร OpenUSD ที่ไม่มีเนื้อหา โมเดลจะถูกเรนเดอร์ใน Omniverse เพื่อการตรวจสอบภาพและการแก้ไขพื้นฐาน โครงการนำร่องจะดำเนินการเป็นเวลา 4 สัปดาห์ โดยมีการเก็บข้อมูลจากผู้ใช้เกี่ยวกับความสามารถในการใช้งานและความแม่นยำ ทางเลือกที่ควรตรวจสอบ: การสร้างโมเดล 3D ด้วยมือจากการสแกนโดยใช้เครื่องมือ CAD มาตรฐาน; โซลูชันการถ่ายภาพและการสแกนเป็น BIM (Building Information Modeling) ที่มีอยู่; การทำงานใน Omniverse โดยไม่ต้องใช้ความช่วยเหลือจากตัวแทน AI. ความแตกต่างที่ต้องทดสอบ: ว่าการทำงานที่มีความช่วยเหลือจาก AI ลดเวลาในการสร้างโมเดลที่แก้ไขได้ลงได้อย่างน้อย 30% เมื่อเปรียบเทียบกับวิธีการด้วยมือ และผู้ใช้พบว่าผลลัพธ์นั้นแก้ไขได้ง่ายขึ้นสำหรับการวางแผนเลย์เอาต์หรือไม่. หลักฐานแหล่งที่มาของความสามารถหรือความต้องการ: เป้าหมายคือโมเดลอาคารที่แก้ไขได้และพร้อมสำหรับการจำลอง ซึ่งนักพัฒนาสามารถเพิ่มหรือตั้งชั้นวางและเครื่องจักรใหม่เพื่อประเมินการวางแผนคลังสินค้าและแผนการอัตโนมัติได้ก่อน. การใช้งานและข้อจำกัดที่เป็นไปได้: มีความต้องการที่น่าเชื่อถือสำหรับโมเดลอาคารดิจิทัลที่รวดเร็วและแม่นยำมากขึ้นสำหรับการวางแผนคลังสินค้าขับเคลื่อนด้วยการจำลอง โครงการนี้จะทดสอบว่าการทำงานที่มีความช่วยเหลือจาก AI มีการปรับปรุงที่เป็นประโยชน์เหนือกว่าวิธีการด้วยมือหรือไม่ ซึ่งจะสนับสนุนการนำไปใช้ในวงกว้างหากประสบความสำเร็จ. ผู้ใช้ที่มีศักยภาพและผู้จ่ายเงินที่เลือกได้: ไม่มีลูกค้าที่จ่ายเงินที่มีอยู่สำหรับเครื่องมือชุมชนนี้; โครงการนี้เป็นการทดสอบความเป็นไปได้สำหรับการใช้งานแบบโอเพ่นซอร์สหรือการทำงานร่วมกัน. คู่แข่งและทางเลือกที่ควรตรวจสอบ: การสร้างโมเดล CAD ด้วยมือ, เครื่องมือการถ่ายภาพ, ซอฟต์แวร์สแกนเป็น BIM, และการทำงานใน Omniverse โดยไม่มีการรวมตัวแทน AI เป็นทางเลือกที่ควรตรวจสอบ. โมเดลธุรกิจทางกฎหมายที่เลือกได้: การสร้างรายได้ไม่จำเป็นสำหรับโครงการนี้; ไม่มีสมมติฐานเชิงพาณิชย์ที่ตั้งขึ้น หากประสบความสำเร็จ โมเดลในอนาคตอาจรวมถึงการมีส่วนร่วมแบบโอเพ่นซอร์สหรือสัญญาบริการ. ทักษะและเวลาที่ต้องทดสอบ: วิศวกรรมการจำลอง, การสร้างโมเดล 3D, การรวบรวมข้อเสนอแนะแบบผู้ใช้, และการตั้งค่าการทำงาน AI เบื้องต้น ใช้เวลาประมาณ 4-6 สัปดาห์สำหรับการตั้งค่า, การทดลอง, และการวิเคราะห์ ทักษะที่ต้องการ: การสร้างโมเดล 3D ระดับกลาง, การใช้เครื่องมือ AI เบื้องต้น. ความพร้อมใช้งานทางภูมิศาสตร์และข้อจำกัด: ตลาดที่ระบุชื่อแหล่งที่มาไม่ได้ถูกระบุ; ความพร้อมใช้งานและการครอบคลุมยังไม่ทราบจนกว่าจะมีการตรวจสอบ ผู้เข้าร่วมควรยืนยันการเข้าถึงฮาร์ดแวร์และซอฟต์แวร์ที่จำเป็นในท้องถิ่น. ข้อจำกัดทางกฎหมายและแพลตฟอร์มที่ต้องตรวจสอบ: ผู้เข้าร่วมต้องตรวจสอบความเป็นส่วนตัวในท้องถิ่น, ผู้บริโภค, ทรัพย์สินทางปัญญา, และเงื่อนไขแพลตฟอร์ม ไม่มีคำแนะนำทางกฎหมายให้; ห้ามใช้การสแกนที่มีข้อมูลที่ละเอียดอ่อนหรือเป็นเจ้าของโดยไม่ได้รับความยินยอม. ราคาและเงื่อนไขแพลตฟอร์มในปัจจุบัน: ราคาและเงื่อนไขสำหรับ Omniverse, ตัวแทน AI, และการจัดเก็บยังไม่ทราบ/ไม่ได้ตรวจสอบในข้อความนี้ ยืนยันกับผู้ขายก่อนที่จะใช้ทรัพยากร. อายุ, การชำระเงิน และการตรวจสอบคุณสมบัติ: อายุขั้นต่ำของผู้ใช้ MLAIEL คือ 16 ปี ข้อกำหนดอายุที่สูงกว่าของบริการภายนอก, KYC, การครอบคลุมประเทศ, การจ่ายเงิน, การชำระเงิน, และคุณสมบัติด้านภาษียังไม่ได้รับการตรวจสอบจนกว่าจะมีการตรวจสอบ. การทดสอบการตรวจสอบที่มีต้นทุนต่ำที่สุด: รันการทำงานบนการสแกนคลังสินค้าขนาดเล็กเพียงหนึ่งรายการโดยใช้ข้อมูลสังเคราะห์หรือไม่ละเอียดอ่อน วัดเวลาในการสร้างโมเดลที่แก้ไขได้และรวบรวมข้อเสนอแนะแบบผู้ใช้ก่อนที่จะขยายขนาด. ความรับผิดชอบของมนุษย์: วิศวกรการจำลองดูแลการอัปโหลด, แนะนำตัวแทน AI, และตรวจสอบรูปทรง ผู้ใช้ให้ข้อเสนอแนะแก่ความแม่นยำของโมเดลและประสบการณ์การแก้ไข ผู้เชี่ยวชาญด้านโดเมนตรวจสอบโมเดลกับสถานที่จริง การมีส่วนร่วมและขีดจำกัดของ AI: ตัวแทน AI ตีความภาพ, สกัดรูปทรง, จัดเรียงกับพ้อยคลาวด์, และสร้างโมเดล OpenUSD AI ไม่สามารถอนุมัติโมเดลโดยอัตโนมัติ; ต้องมีการตรวจสอบจากมนุษย์ก่อนการใช้งาน ข้อมูลและการเข้าถึงที่จำเป็น: ภาพพาโนรามาตัวอย่างและการสแกนพ้อยคลาวด์ของคลังสินค้า, ความยินยอมของผู้ใช้ในการใช้ข้อมูล, และการเข้าถึงระบบที่รองรับ Omniverse และ OpenUSD ไม่มีข้อมูลส่วนตัวหรือข้อมูลที่ละเอียดอ่อนที่จำเป็น การตั้งค่าและความสามารถที่สนับสนุนจากแหล่งที่มา: เป้าหมายคือโมเดลอาคารที่แก้ไขได้และพร้อมสำหรับการจำลองซึ่งนักพัฒนาสามารถเพิ่มหรือเปลี่ยนตำแหน่งชั้นวางและเครื่องจักรเพื่อประเมินเลย์เอาต์ของคลังสินค้าและแผนการอัตโนมัติก่อนที่จะทำการเปลี่ยนแปลงทางกายภาพ ขั้นตอนที่จัดลำดับและเจ้าของ: 1. สรรหาผู้ใช้ 5 คนที่เข้าถึงการสแกนคลังสินค้า 2. รวบรวมภาพพาโนรามาตัวอย่างและพ้อยคลาวด์ 3. วิศวกรตั้งค่า Omniverse และตัวแทน AI 4. รันเวิร์กโฟลว์ AI เพื่อสร้างโมเดล 5. เรนเดอร์และแก้ไขใน Omniverse 6. รวบรวมข้อเสนอแนะแบบผู้ใช้และวัดเวลาที่ใช้ 7. เปรียบเทียบกับฐานข้อมูลการสร้างโมเดลด้วยมือ ทรัพยากรขั้นต่ำและความขึ้นอยู่: กล้องพาโนรามาหรือสแกนเนอร์ที่มีอยู่, แพลตฟอร์ม Omniverse, ไลบรารี OpenUSD, ตัวแทน AI (เช่น GPT-6 Astra), ฮาร์ดแวร์คอมพิวเตอร์มาตรฐาน ยืนยันใบอนุญาตซอฟต์แวร์และการเข้าถึงของผู้ใช้ ค่าใช้จ่ายและความไม่แน่นอนเกี่ยวกับความสามารถในการจ่าย: ค่าใช้จ่ายจริงไม่ทราบ; ต้องการการเสนอราคาท้องถิ่นสำหรับ Omniverse, การจัดเก็บ, และทรัพยากรการคอมพิวเตอร์ ไม่มีการรายงานราคาเกี่ยวกับตัวแทน AI หรือแพลตฟอร์มในข้อความนี้ วิธีที่ผู้มาใหม่สามารถช่วย: วิศวกรการจำลอง (การตั้งค่า, การดูแล), ผู้ใช้คลังสินค้า/สถานที่ 5 คน (การอัปโหลดข้อมูล, ข้อเสนอแนะแบบผู้ใช้), ผู้เชี่ยวชาญด้านโดเมน (การตรวจสอบ) งานที่ผู้เริ่มต้นสามารถทำได้ภายใต้การดูแล: อัปโหลดการสแกนและตรวจสอบโมเดลที่เรนเดอร์ โครงการนำร่องและเกณฑ์ความสำเร็จ: เป้าหมายโครงการนำร่องที่เสนอ: ผู้ใช้อย่างน้อย 4 จาก 5 คนรายงานว่าโมเดลที่สร้างโดย AI มีความแม่นยำเพียงพอสำหรับการวางแผนเลย์เอาต์ และกระบวนการใช้เวลาน้อยกว่าการสร้างโมเดลด้วยมือ 30% วัดจากการสำรวจผู้ใช้และบันทึกเวลาในระยะเวลา 4 สัปดาห์ ฐานข้อมูล: เวลาการสร้างโมเดลด้วยมือและความแม่นยำจากโครงการก่อนหน้า ความเสี่ยงและมาตรการป้องกัน: ความไม่แม่นยำที่อาจเกิดขึ้นในการสกัดรูปทรง โดยเฉพาะในสภาพแวดล้อมที่ยุ่งเหยิงหรือสแกนไม่ดี ผู้ใช้จะรู้สึกหงุดหงิดหากเครื่องมือแก้ไขไม่เพียงพอ มีข้อกังวลเกี่ยวกับความเป็นส่วนตัวหากการสแกนมีข้อมูลที่ละเอียดอ่อน ความเข้ากันได้ทางเทคนิคกับระบบของผู้ใช้ต้องได้รับการยืนยัน เมื่อใดควรหยุดหรือเปลี่ยนทิศทาง: หากมีผู้ใช้น้อยกว่า 3 จาก 5 คนพบว่าโมเดลใช้งานได้สำหรับการวางแผน หรือหากการประหยัดเวลาไม่ถึง 10% โครงการควรหยุดชั่วคราวเพื่อการตรวจสอบและปรับปรุง
ความคิดเห็น
ยังไม่มีความคิดเห็น
แชร์บทความนี้
ทำให้เป็นงาน
ผู้ที่ลงชื่อเข้าใช้สามารถเปิดโครงการหรือปัญหาที่เชื่อมกับบทความนี้ ข้อความอยู่ภายในสิ่งที่แหล่งกล่าว
ลงชื่อเข้าใช้เพื่อเริ่ม