ค้นพบความสนใจของคุณ ไปด้วยกัน

ดีลจริง รีวิวตรงไปตรงมา และเรื่องราวการช้อปปิ้งจากคนที่มีความสนใจเดียวกับคุณ — ทุกวันบน ZestBuy

ค้นพบความสนใจของคุณ ไปด้วยกันดีลจริง รีวิวตรงไปตรงมา และเรื่องราวการช้อปปิ้งจากคนที่มีความสนใจเดียวกับคุณ — ทุกวันบน ZestBuy

Confluent นำโมเดลอนุกรมเวลามาวิเคราะห์สตรีมข้อมูลด้วย CPU

Confluent นำโมเดลอนุกรมเวลามาวิเคราะห์สตรีมข้อมูลด้วย CPU
ความสนใจ|วิเคราะห์ข้อมูลด้วย AI

AI ต้องวิเคราะห์ข้อมูลตอนที่ยังเปลี่ยนผลลัพธ์ได้

โมเดลอนุกรมเวลาคือโมเดลที่เรียนรู้รูปแบบจากข้อมูลตัวเลขซึ่งบันทึกตามลำดับเวลา เพื่อนำไปคาดการณ์เหตุการณ์ข้างหน้าและค้นหาความเปลี่ยนแปลงผิดปกติขณะที่ข้อมูลใหม่กำลังเข้ามา สำหรับธุรกิจ โมเดลชนิดนี้มีประโยชน์มากที่สุดเมื่อผลวิเคราะห์ไปถึงผู้ตัดสินใจทันเวลา ไม่ใช่หลังเหตุการณ์ผ่านพ้นไปแล้ว IBM และ Confluent กำลังนำโมเดลพื้นฐานด้านอนุกรมเวลาเข้าใกล้ข้อมูลที่ไหลผ่านระบบ และเปิดให้ใช้งานแบบ Native เป็นฟังก์ชันในตัวของ Confluent ทั้งบนคลาวด์และระบบที่ติดตั้งภายในองค์กร จุดเปลี่ยนนี้สำคัญเพราะธุรกิจมีข้อมูลจากเครื่องจักร การชำระเงิน ยอดขาย และสินค้าคงคลังเกิดขึ้นตลอดเวลา แต่การพยากรณ์ที่รอจนจบรอบการผลิตอาจมาช้าเกินกว่าจะเปลี่ยนการตัดสินใจได้ ความเห็นของเราคือคุณค่าของ AI ไม่ได้อยู่ที่ความซับซ้อนของโมเดลเพียงอย่างเดียว แต่อยู่ที่การนำผลวิเคราะห์ไปใช้ได้ในจังหวะที่ยังแก้สถานการณ์ได้

Confluent นำโมเดลอนุกรมเวลามาวิเคราะห์สตรีมข้อมูลด้วย CPU

พยากรณ์และตรวจจับความผิดปกติได้โดยไม่ใช้ GPU

โมเดล Time-series ของ IBM ซึ่งมียอดดาวน์โหลดมากกว่า 50 ล้านครั้ง รองรับการพยากรณ์เรียลไทม์ การตรวจจับความผิดปกติ และการเพิ่มประสิทธิภาพ โดยทำงานบน CPU มาตรฐานได้โดยไม่ต้องใช้ GPU นี่เป็นข้อได้เปรียบเชิงปฏิบัติสำหรับองค์กรที่ต้องการนำ AI เข้าไปอยู่ในกระบวนการประจำ โดยไม่ต้องเพิ่มเงื่อนไขว่าทุกระบบต้องมีฮาร์ดแวร์เร่งการประมวลผลเฉพาะทาง ทีมงานเรียกใช้ความสามารถเหล่านี้ผ่าน Apache Flink และ SQL ขณะข้อมูลกำลังสตรีม ผลลัพธ์จึงส่งต่อไปยังแอปพลิเคชันหรือผู้รับผิดชอบได้ทันที โมเดลพื้นฐานยังเป็นจุดเริ่มต้นที่ใช้กับข้อมูลได้หลากหลาย โดยไม่ต้องฝึกโมเดลแยกทุกชุด และสามารถปรับแต่งให้เข้ากับตรรกะธุรกิจเฉพาะได้ อย่างไรก็ดี การประมวลผลบน CPU ไม่ได้ทำให้การออกแบบระบบหมดความสำคัญ องค์กรยังต้องเลือกข้อมูลและกำหนดวิธีนำคำเตือนไปสู่การลงมือทำให้เหมาะกับงาน

ตัวอย่างที่เห็นภาพคือการตรวจยอดขายสินค้าหลายพันรายการโดยไม่ตั้งเกณฑ์ตายตัว เมื่อระบบพบยอดขายผิดปกติ ก็สามารถนำสัญญาณนั้นไปประกอบกับข้อมูลสต็อกเพื่อแนะนำให้ตรวจสอบชั้นวางสินค้าได้ จุดนี้ทำให้การตรวจจับความผิดปกติไม่ควรหยุดอยู่ที่การแจ้งเตือน แต่ควรเชื่อมกับบริบทและขั้นตอนตอบสนองของธุรกิจ

Confluent นำโมเดลอนุกรมเวลามาวิเคราะห์สตรีมข้อมูลด้วย CPU

Streamhouse เชื่อมข้อมูลสดเข้ากับงาน AI

Streamhouse วางตัวเป็นโครงสร้างพื้นฐานที่รวบรวม ประมวลผล และส่งมอบบริบทธุรกิจซึ่งอัปเดตต่อเนื่อง ให้ AI agents แอปพลิเคชัน และระบบวิเคราะห์ใช้ข้อมูลที่สอดคล้องกัน แนวทางนี้ตอบโจทย์ปัญหาที่ระบบต่าง ๆ ขององค์กรอัปเดตไม่พร้อมกัน จน AI อาจตัดสินใจจากสถานะที่ล้าสมัยหรือขัดแย้งกัน แพลตฟอร์มสตรีมข้อมูลของ Confluent รวมการเชื่อมต่อ การสตรีม การประมวลผล การกำกับดูแล และการคิวรีไว้ด้วยกัน โดย Apache Flink แปลงและเพิ่มข้อมูลระหว่างทาง ส่วน Lightning Tables เปิดให้เข้าถึงสถานะธุรกิจปัจจุบันผ่าน SQL และ API ด้วยความหน่วงต่ำ จากการทดสอบภายในของ Confluent ข้อมูลใหม่พร้อมให้บริการได้ราว 100 มิลลิวินาทีหลังถูกสร้าง โดยมีความหน่วงของการคิวรี 10–100 มิลลิวินาที และรองรับการคิวรีมากกว่า 1,000 ครั้งต่อวินาที ตัวเลขนี้ชี้ให้เห็นว่าการเชื่อมโมเดลเข้ากับข้อมูลสดมีความหมายก็ต่อเมื่อระบบปลายทางเข้าถึงผลลัพธ์ได้ทันด้วย

จากผลพยากรณ์สู่การตัดสินใจที่ทันสถานการณ์

การผสานโมเดลอนุกรมเวลาเข้ากับ Streamhouse เปลี่ยนจุดทำงานของ AI จากการวิเคราะห์ข้อมูลที่รวบรวมไว้ภายหลัง มาเป็นการอ่านเหตุการณ์และพยากรณ์ควบคู่กับข้อมูลจริงที่กำลังเกิดขึ้น สำหรับธุรกิจ ผลลัพธ์อาจหมายถึงการเห็นความเสี่ยงในสายการผลิต การพบกิจกรรมผิดปกติในร้านค้า หรือการติดตามสัญญาณการชำระเงินและปริมาณซื้อขายได้ใกล้เวลาจริง สิ่งที่น่าสนใจจึงไม่ใช่แค่การนำโมเดลของ IBM มาอยู่บนแพลตฟอร์มของ Confluent แต่เป็นการเชื่อมผลวิเคราะห์เข้ากับบริบทและการทำงานที่ต้องตอบสนองต่อข้อมูล การใช้ CPU ช่วยลดการพึ่งพา GPU สำหรับกรณีเหล่านี้ ขณะที่การประมวลผลด้วย Flink และการเข้าถึงสถานะปัจจุบันช่วยให้ผลพยากรณ์ไปถึงผู้ใช้ระบบได้เร็วขึ้น ข้อสรุปคือ Streamhouse มีบทบาทเป็นสะพานระหว่างสตรีมข้อมูลธุรกิจกับ AI ส่วนคุณค่าจริงจะเกิดเมื่อองค์กรนำสัญญาณที่ได้ไปเปลี่ยนเป็นการตัดสินใจและการลงมือทำอย่างเหมาะสม

ZestBuy ได้รับค่าคอมมิชชั่นเมื่อคุณช้อปผ่านลิงก์ของเรา โดยคุณไม่ต้องจ่ายเพิ่ม

You May Also Like

Comments
พูดอะไรบางอย่าง...
ยังไม่มีความคิดเห็น มาเป็นคนแรกที่แบ่งปันความคิดเห็นของคุณ!