ทุกคนรู้จักพูดถึง Generative AI สิ่งที่ต้องเปลี่ยนแปลงตามมา คือ Data ปรับ Data Foundation รองรับ Gen AI

ผลสำรวจ Harvard Business Review มี 89 % ที่ CDOs จะนำ Gen AI มาปรับใช้ในองค์กร และครึ่งนึงยังไม่พร้อม

เป็นปีของการทำ Data Foundation

ปัจจัยในการทำงาน ที่ยังไม่พร้อม ใช้ Gen AI ส่วนใหญ่มาจาก Data and AI

1. ย้ายจากข้อมูลสู่ปัญญาประดิษฐ์ (AI) ได้เร็วขึ้น ต่างคนต่างใช้ Tools แต่ไม่สามารถทำงานร่วมกันได้ ทำให้งานไม่เดิน

2. เพิ่มประสิทธิภาพการลงทุนในข้อมูลสูงสุด หลาย ๆ Source ทำให้การทำงานนั้นยาก

3. ปกป้องโครงการของคุณ ยืดหยุ่น Scale แต่ยังมีความท้าทายด้านการบริหารจัดการ ขาด Tools ในการทำ AI Governance

4. ขยายขนาดการทำงานได้อย่างมั่นใจ ด้วยบริการที่มีความน่าเชื่อถือจากผู้ใช้งานนับล้าน

เราต้องมีแนวทางและ Tools ใหม่ ๆ เพื่อเอามาช่วย ดูแลภาพรวมของ Data, AI ในองค์กรให้ดียิ่งขึ้น

AWS สร้าง Service ต่าง ๆ เพื่อประกอบโซลูชั่น แก้ไขปัญหาเฉพาะทางในองค์กร

Storage, Analytics, Database, AI เพื่อตอบสนองความต้องการของลูกค้า

Relational Database มีให้บริการ 8 ประเภท เพื่อรองรับ Workflow รูปแบบต่าง ๆ เช่น Aurora เพื่อทำงานได้เร็ว สามารถ SCale ได้อย่างดี

Next Geeneration of Amazon SageMaker

1. ย้ายจากข้อมูลสู่ปัญญาประดิษฐ์ (AI) ได้เร็วขึ้น

ด้วยประสบการณ์ที่ผสานรวมกันและถูกสร้างขึ้นเพื่อการทำงานร่วมกัน

มี Service ที่สามารถลดความซับซ้อน สร้าง Workflow ให้ดีขึ้นว่าเก่า เปิดตัวในงาน มีชื่อว่า Amazon Sagemaker  รวม Data, Element แต่ละ Segment เข้ามาใน Open lakehouse ที่เดียว

เป็นเครื่องมือในการพัฒนา Data & AI, เช่น SQL Analytics, Data Processing, ทำ Model Development, Gen AI App Development, อนาคตอาจมี Streaming, Business Intelligence และ Search Analytics ก็มารวมกันใน Sagemaker เพื่อ Access จากนั้นต่อด้วย Data & AI Governance ปกป้องข้อมูลส่วนตัว และ Responsible AI 

2. เพิ่มประสิทธิภาพการลงทุนในข้อมูลสูงสุด

ด้วยเครื่องมือที่คุณเลือกใช้งานร่วมกับข้อมูลทั้งหมดของคุณ เน้นเรื่อง ข้อมูล และ มีระบบภายในตัว (Built-in)

Sagemaker Gen ใหม่ได้ประโยชน์ 4 เรื่อง

  1. Speed – ความเร็วในการเปลี่ยน Data -> ผลลัพธ์ AI เพียงใช้ Tools เดียวกัน มี Workflow ภายใน เข้ามาช่วยทักษะที่หายไป เพื่อสร้าง Productivity เดียว
  2. Access Data เข้าถึงข้อมูลได้ง่าย และเลือกใช้ Tools ตามสิทธิ์ของผู้ใช้งาน 
  3. Trust
  4. Scale

Amazon Sagemaker 

– Discover สำรวจทรัพยากรข้อมูลและ AI ของคุณ

– Build สร้างด้วยชุดเครื่องมือที่สมบูรณ์สำหรับการวิเคราะห์และการเรียนรู้ AI

– Collaborate ทำงานร่วมกัน ในโปรเจ็กต์ร่วมกัน

– Govern จัดการเข้าถึง อย่างปลอดภัยใน Amazon SageMaker Catalog

องค์กรสร้าง Foundation จะรันด้วย Data lakes ทาง Amazon เขาจะเริ่มด้วย Amazon S3 สามารุถ Audit, Data Scale เล็ก ราคาถูก และมีฟีเจอร์ใหม่ คือ S3 Table รองรับการเก็บ Data ประเภท Apache Parquet จะ Query Data เร็วขึ้น 3 เท่า

เมื่อเวลาผ่านไป Use Case เริ่มเยอะขึ้นเรื่อย ๆ หลาย ๆ องค์กรต้องการ Data Lakes, Data Warehouses รวมถึงข้อมูลภายนอก พวก MySOL, SAP, ServiceNow เป็นต้น

Data warehouse ของ amazon คือ amazon redshift เป็น Data warehouse สเกลได้ในระดับ เพตะไบต์ 

Data Foundation ของตัว Amazon SageMaker สามารถดึง Data ทุก ๆ ที่มารวม และประยุกต์การทำงาน

Data Lakes House มาเชื่อมกับ Amazon Redshift Data Warehouses

ยกตัวอย่างบริษัท Roche บริษัทยาต่างประเทศ เชี่ยวชาญด้านเทคโนโลยีชีวภาพ ใช้ AWS ช่วยลดปัญหาด้าน Data Integration และ Cut related cost ลง 50 %

3. ปกป้องโครงการของคุณ

ด้วยการกำกับดูแล (Governance) และความปลอดภัยระดับองค์กรในตัวระบบ

สิ่งสำคัญของ Data & AI Governance คือ ทำอย่างไรเราจพให้สิทธิ์ที่เหมาะสม ให้กับ Application, Use Cases กับ User เข้ามา Access Data ที่เหมาะสมได้

SageMaker Catalog เป็นการ Built Service จาก aws เอามา Integrate ใน unify studio ทำให้สามารถค้นหา Data, โมเดล, Prompt, Compute Resource ได้ตามสิทธิ์ของผู้ใช้ที่ใช้งาน

มีการจัดการ Data Quality, Data Classification, Data & ML Lineage, Permission and Subscription workflows, Amazon Q generated context, Guardrails, Responsible AI, Auditable – Cost logging and Monitoring

มีการ Support Responsible AI ลดการ Bias เพิ่มความรับผิดชอบด้วย Guardrails เพื่อป้องกันการโจมตีจาก Prompt ปกป้อ Privacy ข้อมูลส่วนตัวจากลูกค้า รวมถึงข้อความที่ไม่เหมาะสม เช่น บริษัท Toyota เก็บข้อมูลแล้วมาทำ Data Governance ช่วยลดปัญหาด้านการจัดการต่าง ๆ และพัฒนา แอพฯ ได้เร็ว 

4. ขยายขนาดการทำงานได้อย่างมั่นใจ

ด้วยบริการที่มีความน่าเชื่อถือจากผู้ใช้งานนับล้าน เป็นเรื่องของโครงสร้างพื้นฐาน แม้ว่าส่วนอื่นจะดี หากเรา Scale ไม่ได้ ไม่มีประโยชน์ ระบบจะพัง เมื่อลูกค้าโต AWS รองรับเครือข่าย Use case และข้อมูลลูกค้าได้ตลอดไป 

ทาง AWS ก็ยังเติบโต ล่าสุด 400 % 

ตัวอย่างเช่น บริษัท Venmo มีโครงสร้างพื้นฐาน เช่น Amazon DynamoDB ที่สามารถขยายขนาดได้อย่างอัตโนมัติโดยไม่ต้องจัดการเอง เป็นสิ่งที่ดึงดูดมาก

Vision ของ AWS คือ AI/ML, Data และ Analytics

ข้อสรุป:

หลายองค์กรยังไม่พร้อมรับมือกับ Generative AI ด้วยข้อจำกัดด้าน Data Foundation และระบบจัดการ AI Governance ที่ไม่ครบวงจร AWS นำเสนอ Amazon SageMaker ช่วยแก้ปัญหาแบบครบวงจร ตั้งแต่การจัดการข้อมูล การสร้างโมเดล ไปจนถึงการทำงานร่วมกันและการกำกับดูแลอย่างปลอดภัย

Source:

Amazon Web Services