คุณกำลังเผชิญกับปัญหาที่ระบบการคำนวณประสิทธิภาพสูง (High Performance Computing) สามารถแก้ไขได้อยู่แล้ว แม้ว่าคุณอาจไม่ได้เรียกมันด้วยชื่อนั้นก็ตาม คุณมีแบบจำลองการคาดการณ์ที่ใช้เวลานานเกินไปในการประมวลผล รายงานออกมาเมื่อบริบทได้เปลี่ยนแปลงไปแล้ว โมเดลความต้องการ ความเสี่ยง หรือการกำหนดราคาที่มีศักยภาพกลับหยุดชะงัก – ไม่ใช่เพราะขาดข้อมูล แต่เพราะเวลาการคำนวณทำให้มันแทบไม่มีประโยชน์ต่อธุรกิจ

สำหรับธุรกิจขนาดกลางและขนาดเล็ก (SME) หลายแห่ง ความท้าทายในปัจจุบันไม่ใช่การรวบรวมข้อมูลอีกต่อไป แต่คือการนำข้อมูลเหล่านั้นมาใช้ในการตัดสินใจอย่างทันท่วงที นี่คือจุดที่การคำนวณประสิทธิภาพสูง (High Performance Computing)ไม่เป็นเพียงหัวข้อในห้องทดลองอีกต่อไป แต่กลายเป็นประเด็นด้านการบริหารจัดการ: คุณสามารถดำเนินการจำลองสถานการณ์ได้กี่ครั้ง คุณสามารถอัปเดตการคาดการณ์ได้เร็วเพียงใด และคุณสามารถเปรียบเทียบทางเลือกได้กี่ทาง ก่อนที่แรงกดดันจากตลาดจะบังคับให้คุณต้องตัดสินใจ?

ในอิตาลี เรื่องนี้ยังมีความสำคัญเชิงยุทธศาสตร์ระดับชาติด้วย ซูเปอร์คอมพิวเตอร์Leonardoของ CINECA ซึ่งได้เปิดใช้งานที่เมืองโบโลญญาในปี 2022 ในฐานะส่วนหนึ่งของโครงการ EuroHPC ได้รับการนำเสนอในขณะติดตั้งว่าเป็นหนึ่งในระบบที่มีประสิทธิภาพสูงที่สุดในโลก ซึ่งแสดงให้เห็นว่า HPC ปัจจุบันเป็นแรงผลักดันสำคัญสำหรับอุตสาหกรรมและการวิจัยประยุกต์ ไม่ใช่เพียงสำหรับวงการวิชาการเท่านั้น (ข้อมูลพื้นฐานเกี่ยวกับตลาด HPC และ Leonardo)

ดัชนี

• คำนิยามที่มีประโยชน์สำหรับผู้จัดการธุรกิจ
• เมื่อจำเป็นจริงๆ

• คลัสเตอร์, GPU และคลาวด์ – โดยไม่ใช้ศัพท์เทคนิคที่ไม่จำเป็น
• ทำไมรุ่นไฮบริดจึงกลายเป็นหัวข้อที่ได้รับความสนใจมากในช่วงนี้?

• สามแนวคิดที่แตกต่างกัน ซึ่งมักทำงานร่วมกัน
• ตารางเพื่อช่วยคุณตัดสินใจได้ดีขึ้น

• สถานการณ์ในภาคค้าปลีกเมื่อการคาดการณ์ออกมาช้าเกินไป
• ปัญหาด้านพลังงาน: เมื่อความซับซ้อนคือปัญหา

• โครงสร้างพื้นฐานจะหายไปจากประสบการณ์ของผู้ใช้
• ชุดเทคโนโลยีของคุณมีความสำคัญ แต่ไม่ควรเป็นภาระให้คุณ

• วิธีประมาณการค่าใช้จ่ายโดยไม่ประมาณการสูงเกินไป
• ระบบความปลอดภัยและการบูรณาการต้องได้รับการออกแบบไว้ตั้งแต่ต้น

การคำนวณประสิทธิภาพสูงคืออะไร และทำไมมันจึงมีความสำคัญต่อธุรกิจขนาดกลางและขนาดเล็กของคุณ?

คำนิยามที่มีประโยชน์สำหรับผู้จัดการธุรกิจ

เช้าวันจันทร์ ผู้อำนวยการฝ่ายขายต้องการรายงานการคาดการณ์ใหม่ภายในบ่ายวันนี้ ทีมห่วงโซ่อุปทานต้องการตรวจสอบระดับสต็อกก่อนยืนยันคำสั่งซื้อ และทีมการเงินต้องการทั้งสถานการณ์แบบระมัดระวังและแบบเชิงรุกสำหรับการประชุมในวันถัดไป ข้อมูลมีอยู่แล้ว แต่ปัญหาคือเวลาที่จำเป็นในการวิเคราะห์ข้อมูลอย่างถูกต้อง

นี่คือจุดประสงค์หลักของระบบการคำนวณประสิทธิภาพสูง (High Performance Computing): การดำเนินการคำนวณที่ซับซ้อนจำนวนมากพร้อมกัน เพื่อได้รับผลลัพธ์ที่มีประโยชน์ในขณะที่ยังจำเป็น สำหรับธุรกิจขนาดกลางและขนาดเล็ก (SME) จุดสำคัญไม่ใช่การเป็นเจ้าของซูเปอร์คอมพิวเตอร์ แต่คือการป้องกันไม่ให้การวิเคราะห์ที่ช้าทำให้การตัดสินใจถูกชะลอ ซึ่งการตัดสินใจดังกล่าวมีผลกระทบโดยตรงต่ออัตรากำไร ระดับการให้บริการ และระดับสินค้าคงคลัง

ระบบแบบดั้งเดิมดำเนินการงานในลักษณะที่เป็นเส้นตรงมากขึ้น ส่วน HPC จะกระจายภาระงานไปยังทรัพยากรหลายส่วนที่ทำงานร่วมกันอย่างประสานสอดคล้อง เหมือนกับทีมที่จัดระเบียบดีเมื่อต้องเผชิญกับกำหนดเวลาที่กระชั้นชิด ผลลัพธ์ที่ได้ไม่ใช่เพียงความเร็วเท่านั้น แต่ยังรวมถึงความสามารถในการทดสอบสมมติฐานได้มากขึ้น อัปเดตการคาดการณ์ได้บ่อยขึ้น และตัดสินใจได้อย่างแม่นยำยิ่งขึ้น

ที่ ELECTE เรามองเรื่องนี้ในแง่ปฏิบัติอย่างชัดเจน การคาดการณ์ที่คำนวณใหม่ได้เร็วขึ้นจะช่วยลดปัญหาสินค้าขาดสต็อกและสต็อกเกิน เครื่องมือการปรับให้เหมาะสมที่ทำงานได้เร็วขึ้นช่วยให้คุณสามารถเปรียบเทียบสถานการณ์ต่าง ๆ ก่อนที่จะจัดสรรงบประมาณ สต็อก หรือกำลังการผลิต ในทางปฏิบัติ การคำนวณนี้จึงกลายเป็นเครื่องมือบริหารจัดการ ไม่ใช่เพียงเรื่องที่ฝ่ายไอทีต้องรับผิดชอบเท่านั้น

HPC จะแสดงศักยภาพอย่างเต็มที่เมื่อค่าใช้จ่ายจากการล่าช้าในการวิเคราะห์มีมูลค่าสูงกว่าค่าใช้จ่ายจากการดำเนินการวิเคราะห์แบบขนาน

เมื่อจำเป็นจริงๆ

ความเข้าใจผิดที่พบบ่อยในหมู่ผู้จัดการคือการมองว่า HPC เกี่ยวข้องเฉพาะกับปริมาณข้อมูลที่มหาศาลเท่านั้น ในการตัดสินใจทางธุรกิจ มักจะถึงขีดจำกัดเร็วกว่านั้น เมื่อความซับซ้อนของปัญหาที่ต้องแก้ไขเพิ่มขึ้น

สิ่งนี้เกิดขึ้นได้ เช่น เมื่อต้องใช้ชุดข้อมูลที่โดยรวมแล้วสามารถจัดการได้ สำหรับการคำนวณที่ใช้ทรัพยากรมากกว่าการรายงานแบบธรรมดาอย่างมาก ตัวอย่างทั่วไปมีดังนี้:

• การคาดการณ์ที่อัปเดตบ่อยครั้ง โดยพิจารณาถึงโปรโมชั่นพิเศษ วันหยุดราชการ ปัจจัยตามฤดูกาล และสภาพท้องถิ่น
• การเปรียบเทียบอย่างรวดเร็วระหว่างหลายรุ่น โดยไม่ต้องรอหลายชั่วโมงหรือหลายวันสำหรับแต่ละการทดสอบ
• การปรับปรุงการจัดการสต็อกและการจัดสรร โดยวิเคราะห์สถานการณ์ต่าง ๆ ก่อนที่จะตัดสินใจ
• การวิเคราะห์ข้อมูลและปัญญาประดิษฐ์ (AI) ในกระบวนการทำงานเดียวกัน โดยไม่ทำให้ผู้ที่ทำงานด้านธุรกิจต้องทำงานช้าลง

คำถามที่ถูกต้องในที่นี้ไม่ใช่ ‘ฉันมีข้อมูลมากแค่ไหน?’ แต่เป็น ‘ค่าใช้จ่ายในการตัดสินใจบนพื้นฐานของแบบจำลองที่เรียบง่าย หรือบนผลลัพธ์ที่มาช้าเกินไปนั้นเป็นเท่าใด?’

จากมุมมองทางเทคนิค HPC รวมทรัพยากรการคำนวณจำนวนมากเพื่อจัดการกับการคำนวณที่เครื่องเดียวอาจดำเนินการได้ช้ากว่าหรือมีข้อจำกัดมากขึ้น ส่วนจากมุมมองของธุรกิจขนาดกลางและขนาดเล็ก (SME) ประโยชน์ที่ได้รับนั้นชัดเจนยิ่งขึ้น ได้แก่ การคาดการณ์ที่พร้อมใช้งานได้เร็วขึ้น การจำลองสถานการณ์ที่บ่อยขึ้น แผนสต็อกที่ปรับให้เหมาะสมยิ่งขึ้น และเวลารอคอยที่สั้นลงระหว่างการส่งคำขอทางธุรกิจกับคำตอบที่เชื่อถือได้

และนี่คือจุดที่มุมมองเปลี่ยนไปเมื่อเทียบกับเนื้อหาทางวิชาการเกี่ยวกับหัวข้อนี้ สำหรับธุรกิจขนาดเล็กหรือขนาดกลาง HPC ไม่ได้หมายความว่าต้องก้าวเข้าสู่โลกของศูนย์วิจัย แต่หมายถึงการใช้พลังการคำนวณที่สามารถขยายขนาดได้เพื่อแก้ไขปัญหาทางธุรกิจที่ซับซ้อน โดยไม่ต้องสร้างทีมวิศวกรหรือโครงสร้างพื้นฐานที่ยากต่อการจัดการตั้งแต่เริ่มต้น นี่คือแนวทางที่แพลตฟอร์มอย่าง ELECTE ทำให้เป็นไปได้ แม้แต่นอกเหนือจากองค์กรขนาดใหญ่

อธิบายสถาปัตยกรรม HPC อย่างง่ายๆ

คลัสเตอร์, GPU และคลาวด์ – โดยไม่ใช้ศัพท์เทคนิคที่ไม่จำเป็น

HPC ทำงานได้เนื่องจากมีหลายส่วนประกอบที่ทำงานร่วมกัน สามคำสำคัญที่ควรรู้คือ‘cluster’,‘GPU’และ‘cloud’

คลัสเตอร์คือระบบที่รวมเครื่องหลายเครื่อง ซึ่งเรียกว่าโหนด (nodes) เพื่อดำเนินการงานเดียวกันแบบขนาน ในทางปฏิบัติ งานที่หนักเกินไปสำหรับเซิร์ฟเวอร์เครื่องเดียวจะถูกแบ่งออกเป็นส่วนย่อยๆ และมอบหมายให้โหนดหลายตัวที่ทำงานร่วมกันอย่างประสานกัน สำหรับผู้จัดการ ปัจจัยสำคัญที่ควรพิจารณาไม่ใช่ด้านเทคนิค แต่เป็นด้านการดำเนินงาน: คือการลดเวลารอระหว่างการขอวิเคราะห์ข้อมูลและการตัดสินใจเกี่ยวกับสต็อก ราคา หรือการคาดการณ์

ใน ELECTE หลักการนี้มีประโยชน์ เช่น เมื่อบริษัทจำเป็นต้องคำนวณใหม่การคาดการณ์สำหรับหลายชุดค่าผสมของผลิตภัณฑ์ ช่องทางจำหน่าย และช่วงเวลา หากงานถูกจำกัดไว้ที่เครื่องเดียว เวลาการประมวลผลจะเพิ่มขึ้น และทีมมักดำเนินการจำลองสถานการณ์น้อยลง แต่หากงานถูกกระจายออกไป ก็จะสามารถเปรียบเทียบสถานการณ์ต่าง ๆ ได้ภายในวงจรการตัดสินใจเดียวกัน

GPUถูกใช้เพื่อเร่งความเร็วในการประมวลผลแบบต่างออกไปGPUมีประสิทธิภาพสูงเมื่อต้องทำการคำนวณประเภทเดียวกันซ้ำไปซ้ำมาจำนวนมาก เช่น ในกรณีของการเรียนรู้ของเครื่อง (machine learning) งานการปรับแต่งประสิทธิภาพบางประเภท และบางด้านของการวิเคราะห์ขั้นสูง ประโยชน์ทางธุรกิจนั้นชัดเจน ได้แก่ การฝึกหรือทดสอบโมเดลได้เร็วขึ้น การอัปเดตการคาดการณ์ได้เร็วขึ้น และลดระยะเวลาตั้งแต่การตั้งสมมติฐานจนถึงการตรวจสอบสมมติฐานนั้น

Cloud HPCช่วยเพิ่มความยืดหยุ่นให้กับความจุการประมวลผล แทนที่จะต้องซื้อทรัพยากรที่ออกแบบมาเพื่อรับมือกับช่วงความต้องการสูงสุดประจำปี บริษัทสามารถเปิดใช้งานทรัพยากรเหล่านั้นได้เฉพาะเมื่อจำเป็นจริง ๆ เท่านั้น สำหรับธุรกิจขนาดกลางและขนาดเล็ก (SME) สิ่งนี้มักเป็นความแตกต่างระหว่างการต้องละทิ้งการวิเคราะห์ที่ซับซ้อน กับการสามารถดำเนินการวิเคราะห์นั้นในเวลาที่เหมาะสม โดยไม่ต้องสร้างโครงสร้างพื้นฐานภายในองค์กรที่ยากต่อการดูแลรักษา หากท่านต้องการเข้าใจว่ารูปแบบการให้บริการเหล่านี้ทำงานร่วมกันอย่างไร คู่มือเชิงลึกเกี่ยวกับIaaS, PaaS และ SaaS บนคลาวด์นี้อาจมีประโยชน์สำหรับท่าน

ทำไมรุ่นไฮบริดจึงกลายเป็นหัวข้อที่ได้รับความสนใจมากในช่วงนี้?

ในปฏิบัติด้านธุรกิจ การเลือกสถาปัตยกรรมเพียงอย่างเดียวมักไม่ใช่ทางเลือกที่ดีที่สุด สิ่งสำคัญที่สุดคือการผสมผสานทรัพยากรอย่างมีประสิทธิภาพ

สภาพแวดล้อมแบบออนพรีมิส (on-premises)ให้การควบคุมโดยตรง ความสามารถในการคาดการณ์ได้ และในบางกรณี ยังช่วยจัดการความล่าช้า (latency) ได้ดีขึ้นอีกด้วยส่วนระบบคลาวด์ (cloud)ช่วยเพิ่มความสามารถในการปรับใช้ตามความต้องการ (on-demand)GPUช่วยเร่งความเร็วของงานประมวลผลที่เหมาะกับการประมวลผลแบบขนานขนาดใหญ่ (massive parallelism)ส่วนคลัสเตอร์ (clusters)ช่วยกระจายงานประมวลผลไปยังโหนดหลายโหนด สถาปัตยกรรมแบบไฮบริด (hybrid architecture) จึงเกิดขึ้นจากการผสมผสานนี้โดยเฉพาะ ซึ่งได้รับการปรับแต่งให้เหมาะสมกับประเภทการวิเคราะห์ ความถี่ของช่วงเวลาที่มีการใช้งานสูงสุด (peaks) และข้อจำกัดด้านการกำกับดูแล (governance constraints)

สำหรับธุรกิจขนาดกลางและขนาดเล็ก (SME) วิธีที่เหมาะสมนั้นไม่ซับซ้อนเลย หากมีกระบวนการทำงานที่เสถียรและเกิดขึ้นเป็นประจำ ซึ่งมีความไวต่อเวลาตอบสนอง โซลูชันแบบติดตั้งในสถานที่อาจเป็นการเลือกที่เหมาะสม แต่หากปริมาณงานเพิ่มขึ้นอย่างกะทันหันในช่วงเวลาบางช่วง – เช่น ในช่วงสิ้นปีการเงิน ระหว่างการปรับคาดการณ์ใหม่ หรือสำหรับการจำลองสถานการณ์แบบครั้งเดียว – การใช้ระบบคลาวด์จะช่วยให้คุณสามารถขยายความจุได้โดยไม่ต้องผูกมัดงบประมาณตลอดทั้งปี

ยังมีจุดหนึ่งที่ทำให้เกิดความสับสนบ่อยครั้ง การขยายขนาด (scaling) ไม่ได้หมายถึงการเพิ่มจำนวนคอร์หรือเซิร์ฟเวอร์เพียงอย่างเดียว ในงานประมวลผลจริง เครือข่าย หน่วยความจำ และพื้นที่จัดเก็บข้อมูลก็มีความสำคัญเช่นกัน เพราะโหนดต่าง ๆ จำเป็นต้องแลกเปลี่ยนข้อมูลอย่างรวดเร็วและมีประสิทธิภาพ คำอธิบายทางเทคนิคเกี่ยวกับศูนย์ข้อมูล HPC แสดงให้เห็นหลักการนี้ได้อย่างชัดเจน โดยเฉพาะอย่างยิ่งในความสัมพันธ์ระหว่างโหนด ระบบเชื่อมต่อ และหน่วยความจำ (อ่านเพิ่มเติมเกี่ยวกับโหนด ระบบเชื่อมต่อ และหน่วยความจำในศูนย์ข้อมูล HPC)

หากมองในแง่ธุรกิจ สถาปัตยกรรมที่เหมาะสมคือสถาปัตยกรรมที่ช่วยลดจุดคอขวดซึ่งทำให้ธุรกิจทำงานช้าลง คุณไม่จำเป็นต้องมีซูเปอร์คอมพิวเตอร์ระดับห้องปฏิบัติการ สิ่งที่คุณต้องการคือระบบที่สามารถขยายขนาดได้ ซึ่งช่วยให้สามารถวิเคราะห์ข้อมูลได้บ่อยขึ้น ทำนายแนวโน้มได้ทันเวลา และตัดสินใจในการดำเนินงานบนพื้นฐานของข้อมูลที่มีคุณภาพดีขึ้น นี่คือจุดที่แพลตฟอร์มอย่าง ELECTE ทำให้ HPC กลายเป็นความจริงที่ใช้งานได้จริง แม้สำหรับบริษัทที่ไม่มีทีมวิศวกรผู้เชี่ยวชาญภายในองค์กร

HPC vs Cloud vs AI Compute: มาทำความเข้าใจให้ถูกต้องกัน

สามแนวคิดที่แตกต่างกัน ซึ่งมักทำงานร่วมกัน

คำทั้งสามคำนี้มักถูกเข้าใจผิดกัน แต่มันชี้ถึงระดับต่าง ๆ ของความเป็นจริงเดียวกัน

• HPCหมายถึงกำลังการคำนวณที่จัดเตรียมไว้เพื่อแก้ปัญหาที่ต้องการการประมวลผลอย่างเข้มข้นและแบบขนาน
• คำว่า‘Cloud’หมายถึงรูปแบบการให้บริการทรัพยากร ในทางปฏิบัติ คำนี้หมายถึงสถานที่และวิธีการที่คุณได้รับทรัพยากรเหล่านั้น
• AI Computeอธิบายประเภทของงาน เช่น การฝึกอบรม การคาดการณ์ การปรับแต่ง หรือการปรับปรุงแบบจำลอง

มีคำพูดง่ายๆ ที่ช่วยแยกความแตกต่างระหว่างทั้งสามได้ HPC คือเครื่องยนต์ คลาวด์คือช่องทางที่คุณใช้เข้าถึงมัน ส่วนการประมวลผล AI คือเส้นทางที่คุณกำลังเดินทางอยู่

ตารางเพื่อช่วยคุณตัดสินใจได้ดีขึ้น

หากคุณกำลังพิจารณาใช้บริการดิจิทัลที่ครอบคลุมมากขึ้น การทำความเข้าใจความแตกต่างระหว่างโมเดลโครงสร้างพื้นฐานและโมเดลแอปพลิเคชัน – เช่นIaaS, PaaS และ SaaS –ในสถาปัตยกรรมคลาวด์ อาจเป็นประโยชน์ได้

การใช้ระบบคลาวด์ไม่ได้หมายความว่าจะต้องเป็น HPC โดยอัตโนมัติ และ AI ก็ไม่ได้หมายความว่าจะต้องมีสถาปัตยกรรมที่ออกแบบมาอย่างดีโดยอัตโนมัติ

ดังนั้น การสร้างคลัสเตอร์ HPC บนระบบคลาวด์จึงเป็นไปได้ การทำงานของ AI บนโครงสร้างพื้นฐาน HPC เป็นเรื่องที่พบเห็นได้ทั่วไป ส่วนสภาพแวดล้อมคลาวด์แบบทั่วไปนั้น อาจไม่เหมาะสมเสมอไปสำหรับงานที่ต้องการการประมวลผลแบบขนานในระดับสูง ระบบจัดตารางงาน อุปกรณ์เร่งความเร็ว และปริมาณข้อมูลที่ผ่านอย่างต่อเนื่อง

ประโยชน์ทางปฏิบัติของ HPC สำหรับการวิเคราะห์ข้อมูลและธุรกิจขนาดกลางและขนาดเล็ก

สถานการณ์ในภาคค้าปลีกเมื่อการคาดการณ์ออกมาช้าเกินไป

หนึ่งในวิธีที่ชัดเจนที่สุดในการเข้าใจคุณค่าของ HPC คือการพิจารณาว่าสิ่งที่จะเกิดขึ้นเมื่อเวลาการประมวลผลไม่สามารถยอมรับได้อีกต่อไปสำหรับธุรกิจ

ในโครงการค้าปลีกที่ ELECTE เป็นผู้จัดการลูกค้าที่มีร้านค้าปลีก 42แห่งจำเป็นต้องคำนวณใหม่การคาดการณ์ความต้องการรายสัปดาห์สำหรับSKU จำนวน 8,600 รายการ โดยต้องพิจารณาถึงปัจจัยตามฤดูกาล โปรโมชัน ผลกระทบจากปฏิทิน และการกินส่วนแบ่งตลาดของผลิตภัณฑ์กันเอง กระบวนการเดิมที่ใช้สคริปต์ Python แบบลำดับที่ทำงานบนเซิร์ฟเวอร์เดียวใช้เวลาประมาณ 50 ชั่วโมงเพื่อเสร็จสิ้นวงจรการทำงานหนึ่งรอบ หลังจากย้ายไปยังสถาปัตยกรรมแบบกระจายพร้อมการประมวลผลแบบขนานตามกลุ่มผลิตภัณฑ์ เวลาที่ใช้จึงลดลงเหลือเพียง4 ชั่วโมง

ประโยชน์ที่สำคัญที่สุดไม่ใช่เพียงความเร็วเท่านั้น แต่ยังอยู่ที่ด้านการจัดการด้วย ทีมสามารถรันโมเดลได้บ่อยขึ้นมาก แทนที่จะต้องทำงานกับข้อมูลคาดการณ์ที่ล้าสมัยไปแล้วเมื่อถึงมือผู้จัดการหมวดสินค้า

สิ่งนี้นำไปสู่การตัดสินใจที่ปฏิบัติได้จริงมาก:

• ข้อมูลสต็อกที่แม่นยำยิ่งขึ้น เนื่องจากการคาดการณ์จะได้รับการอัปเดตตามการเปลี่ยนแปลงของสถานการณ์
• โปรโมชั่นที่เข้าใจได้ง่ายขึ้น เพราะผลของมันจะสะท้อนออกมาในแบบจำลองได้เร็วขึ้น
• การปรับโครงสร้างองค์กรที่ไม่เคร่งครัดมากนัก เนื่องจากวงจรการวิเคราะห์ดำเนินไปตามจังหวะของธุรกิจ

ปัญหาด้านพลังงาน: เมื่อความซับซ้อนคือปัญหา

ในภาคพลังงาน ELECTE ได้จัดการกับกรณีที่จุดคอขวดไม่ใช่ ‘ข้อมูลขนาดใหญ่’ ในความหมายแบบดั้งเดิม ชุดข้อมูลดังกล่าวประกอบด้วยข้อมูลการบริโภคทุกชั่วโมงจำนวน 14 ล้านชุด ที่บันทึกไว้ตลอดระยะเวลา36 เดือน และได้รับการอ้างอิงข้ามกับตัวแปรด้านสภาพอากาศ อัตราค่าไฟฟ้า และกำลังการผลิต โมเดลการคาดการณ์นี้ต้องการการปรับให้เหมาะสมพร้อมกันของมากกว่า200 ชุดค่าผสมของไฮเปอร์พารามิเตอร์ใน5 อัลกอริทึม

บนเครื่องเดียวที่มีRAM 32 GB กระบวนการจะหยุดทำงานหลังจาก18 ชั่วโมงโดยไม่เสร็จสิ้นการค้นหาแบบกริด แต่เมื่อกระจายภาระงานไปยังคลัสเตอร์ที่มีvCPU 128 ตัวและRAMรวม512 GBทั้งกระบวนการจึงเสร็จสิ้นภายในเวลาไม่ถึง3 ชั่วโมง

สิ่งนี้แสดงให้เห็นอย่างชัดเจนว่า: ค่าของ HPC ไม่ได้มาเพียงจากปริมาณข้อมูลเท่านั้น แต่มาจากการซับซ้อนเชิงการจัดเรียงของปัญหา

สำหรับผู้ที่บริหารจัดการธุรกิจขนาดกลางและขนาดเล็ก (SME) ตัวอย่างเหล่านี้มีประโยชน์มากกว่าคำนิยามทางเทคนิค เพราะแสดงให้เห็นว่า HPC ช่วยปรับปรุงธุรกิจได้โดยการลดระยะเวลาตั้งแต่การรับคำขอจนถึงการตัดสินใจ

นอกจากนี้ยังมีปัญหาเกี่ยวกับระดับความพร้อมของตลาดด้วย ในอิตาลี ปี2024มีเพียง5.7%ของธุรกิจที่มีพนักงานอย่างน้อย 10 คนที่รายงานว่าใช้ AI เทียบกับค่าเฉลี่ยของสหภาพยุโรปที่13.5%(ข้อมูลเกี่ยวกับการนำ AI มาใช้ในธุรกิจของอิตาลี) ช่องว่างนี้ถือเป็นปัญหา แต่ก็เป็นโอกาสสำหรับผู้ที่สามารถนำการวิเคราะห์ข้อมูลและ AI มาใช้ในกระบวนการผลิตได้อย่างรวดเร็วขึ้น

เพื่อเข้าใจว่าทำไมปริมาณข้อมูลเพียงอย่างเดียวจึงไม่เพียงพอที่จะอธิบายสถานการณ์เหล่านี้ การแยกแยะอย่างชัดเจนระหว่างกรณีที่จำเป็นต้องใช้การวิเคราะห์แบบกระจายจริง ๆ กับงาน BI มาตรฐานนั้นเป็นสิ่งที่มีประโยชน์ จุดเริ่มต้นที่ดีคือบทความเชิงลึกนี้เกี่ยวกับการวิเคราะห์ข้อมูลขนาดใหญ่และความซับซ้อนในการวิเคราะห์

ELECTE ทำให้ HPC เข้าถึงได้ง่ายและคุ้มค่าอย่างไร

โครงสร้างพื้นฐานจะหายไปจากประสบการณ์ของผู้ใช้

อุปสรรคที่แท้จริงในการนำ HPC มาใช้ในธุรกิจขนาดกลางและขนาดเล็ก (SMEs) ไม่ใช่การไม่เข้าใจว่าจำเป็นต้องใช้มัน แต่คือการจัดการระบบนี้โดยไม่ทำให้ทุกโครงการวิเคราะห์กลายเป็นโครงการพัฒนาโครงสร้างพื้นฐาน

นี่คือจุดที่วิธีการของ ELECTE เข้ามามีบทบาท แพลตฟอร์มนี้แยกประสบการณ์ของผู้ใช้ออกจากความซับซ้อนทางเทคนิค ผู้ใช้ระบบจะเห็นข้อมูล โมเดล รายงาน และข้อมูลเชิงลึก โดยไม่จำเป็นต้องตัดสินใจว่าจะกำหนดเวลาทำงานที่ไหน จะแจกจ่าย dataframe อย่างไร หรือโหนดใดมีหน่วยความจำว่างเพียงพอ

สิ่งนี้ทำให้ความคุ้มค่าทางต้นทุนของ HPC เปลี่ยนแปลงไป ไม่ใช่เพราะการประมวลผลกลายเป็นฟรีอย่างมหัศจรรย์ แต่เพราะต้นทุนการดำเนินงานจากความซับซ้อนถูกลดลง ในทางปฏิบัติ ผู้จัดการสามารถเข้าถึงกำลังการประมวลผลที่จำเป็นได้เมื่อต้องการ โดยไม่ต้องตั้งแผนกวิศวกรรมเฉพาะขึ้นมา

ชุดเทคโนโลยีของคุณมีความสำคัญ แต่ไม่ควรเป็นภาระให้คุณ

เบื้องหลัง ELECTE ใช้ชุดเทคโนโลยีที่ออกแบบมาเพื่อขยายขนาดได้โดยไม่ต้องเขียนตรรกะใหม่เมื่อปริมาณข้อมูลหรือความซับซ้อนเพิ่มขึ้น:

• Daskจะถูกนำมาใช้เมื่อ dataframes ไม่สามารถเก็บไว้ในหน่วยความจำได้อย่างสะดวกสบายด้วย Pandas
• Rayกระจายการฝึกโมเดลไปยังหลายโหนด
• Apache Spark ผ่าน PySparkจะถูกใช้เมื่อปริมาณข้อมูลต้องการการประมวลผลแบบกระจายตัวแบบเนทีฟ

สำหรับการคาดการณ์ โมเดลเฉพาะของ ELECTE ทำงานบนชั้นการจัดการ (orchestration layer) ซึ่งจะตัดสินใจอัตโนมัติว่าจะประมวลผลข้อมูลแบบท้องถิ่นหรือกระจายภาระงานไปยังทั้งคลัสเตอร์ โดยขึ้นอยู่กับขนาดของข้อมูลที่ป้อนเข้าและความซับซ้อนของกระบวนการ

เคล็ดลับปฏิบัติ:วิธีที่ดีที่สุดคืออย่าผูกมัดตัวเองกับเฟรมเวิร์กเดียว แต่ควรสร้างสถาปัตยกรรมที่สามารถเปลี่ยนแทนได้ เพื่อให้แพลตฟอร์มสามารถพัฒนาต่อได้โดยไม่ต้องเขียนตรรกะธุรกิจใหม่

วิธีการนี้มีผลกระทบที่ชัดเจนมากต่อธุรกิจขนาดกลางและขนาดเล็ก (SME) ทีมงานไม่ได้ซื้อ “พลัง” ในเชิงนามธรรม แต่กำลังซื้อความต่อเนื่องในการวิเคราะห์ หากกรณีการใช้งานขยายตัว โครงสร้างพื้นฐานก็จะขยายตามไปด้วย หากปริมาณงานลดลง ก็จะไม่เหลือเครื่องที่มีขนาดใหญ่เกินไปจนทำให้งบประมาณและความสนใจถูกผูกมัดไว้

คู่มือปฏิบัติสำหรับการคำนวณค่าใช้จ่ายด้านความปลอดภัยและการบูรณาการ

วิธีประมาณการค่าใช้จ่ายโดยไม่ประมาณการสูงเกินไป

คำถามที่ถูกต้องไม่ใช่ “HPC มีค่าใช้จ่ายเท่าไร?” แต่คำถามที่ถูกต้องคือ “งานที่ฉันต้องทำจริง ๆ ต้องการการตั้งค่าอย่างไร?”

ประสบการณ์ของ ELECTE ได้ชี้ให้เห็นถึงหลักการที่มีประโยชน์อย่างยิ่ง: ไม่ควรกำหนดขนาดระบบให้สอดคล้องกับโหลดสูงสุดแบบถาวร เนื่องจากธุรกิจขนาดกลางและขนาดเล็กส่วนใหญ่มีปริมาณงานที่ไม่ต่อเนื่อง การคาดการณ์ การปิดบัญชีสิ้นไตรมาส การคำนวณใหม่ตามความต้องการเฉพาะ และการจำลองสถานการณ์ ไม่จำเป็นต้องใช้กำลังการประมวลผลในระดับเดียวกันทุกวัน

สำหรับลูกค้าทั่วไปที่มีชุดข้อมูลระหว่าง5 ถึง 50 ล้านบันทึก ค่าใช้จ่ายด้านโครงสร้างพื้นฐานอาจอยู่ระหว่าง400 ถึง 1,200 ยูโรต่อเดือน โดยคลัสเตอร์พื้นฐานสามารถตอบสนองความต้องการส่วนใหญ่ได้ พร้อมทั้งมีความสามารถเพิ่มเติมตามความต้องการในช่วงเวลาที่มีการใช้งานสูงสุด ข้อผิดพลาดที่พบบ่อยที่สุดคือสิ่งที่ตรงกันข้าม: การซื้อความจุ ‘เพื่อป้องกันไว้ก่อน’ จนทำให้ส่วนใหญ่อินฟราสตรัคเจอร์ถูกทิ้งไว้ไม่ใช้งานเป็นส่วนใหญ่ของปี

รายการตรวจสอบที่มีประโยชน์เพื่อช่วยคุณตัดสินใจ:

• เริ่มด้วยกรณีการใช้งานเพียงหนึ่งกรณี เช่น การคาดการณ์ การกำหนดราคา หรือการวิเคราะห์ความเสี่ยง อย่าทำทั้งหมดพร้อมกัน
• วัดต้นทุนจากความล่าช้า หากการวิเคราะห์ล่าช้า จะส่งผลอย่างไรต่อระดับสินค้าคงคลัง อัตรากำไร หรือการให้บริการ?
• เลือกแบบที่ยืดหยุ่นได้ ฐานที่มั่นคงร่วมกับแรงระเบิดมักเป็นตัวเลือกที่ดีกว่าการเลือกขนาดใหญ่เกินไป
• ควรพิจารณาถึงต้นทุนด้านมนุษย์ด้วย โครงสร้างพื้นฐานที่มีราคาถูกแต่ยากต่อการบริหารจัดการ อาจทำให้ต้องเสียค่าใช้จ่ายมากขึ้นในระยะยาว

ระบบความปลอดภัยและการบูรณาการต้องได้รับการออกแบบไว้ตั้งแต่ต้น

ความปลอดภัยไม่สามารถเป็นเรื่องที่ถูกคิดถึงในภายหลังได้ ในปี2024 หน่วยงานความมั่นคงทางไซเบอร์แห่งชาติ (National Cybersecurity Agency) ได้บันทึกว่าจำนวนเหตุการณ์ทางไซเบอร์เพิ่มขึ้น40 เปอร์เซ็นต์และจำนวนเหตุการณ์ที่ได้รับการยืนยันเพิ่มขึ้น45 เปอร์เซ็นต์เมื่อเทียบกับปี 2023 (ข้อมูลจาก ACN ที่อ้างอิงในแหล่งข้อมูลที่ให้ไว้) สิ่งนี้เพียงพอที่จะทำให้เห็นชัดเจนว่า แพลตฟอร์มการคำนวณประสิทธิภาพสูงต้องมีความปลอดภัยตั้งแต่ขั้นตอนการออกแบบขั้นต้น

สำหรับสภาพแวดล้อมที่จำเป็นต้องควบคุมหรือมีความละเอียดอ่อน ควรตรวจสอบอย่างน้อยด้านต่อไปนี้:

การบูรณาการมีความสำคัญไม่แพ้ความปลอดภัย หากระบบ HPC ยังคงถูกแยกออกจากระบบอื่น ๆ ก็จะส่งผลให้ระบบดังกล่าวถูกใช้งานไม่เต็มที่ แต่หากระบบ HPC ถูกบูรณาการเข้ากับกระแสข้อมูลขององค์กร ก็จะกลายเป็นสินทรัพย์ที่มีประโยชน์อย่างต่อเนื่อง เพื่อเข้าใจวิธีการเชื่อมโยงการวิเคราะห์ขั้นสูงกับระบบที่มีอยู่การศึกษาตัวเลือกการบูรณาการข้อมูลและแอปพลิเคชันที่มีอยู่ใน ELECTE อาจเป็นประโยชน์

ขั้นตอนต่อไปของคุณสู่การวิเคราะห์ข้อมูลประสิทธิภาพสูง

การคำนวณประสิทธิภาพสูง (High-Performance Computing) ไม่เป็นเพียงแนวคิดที่ห่างไกลจากความเป็นจริงของธุรกิจขนาดกลางและขนาดเล็กอีกต่อไป แต่เป็นทางออกที่ใช้งานได้จริงสำหรับปัญหาที่พบเห็นได้บ่อยครั้ง: คุณมีข้อมูล มีแบบจำลอง และมีคำถามสำคัญ แต่ไม่มีเวลาเพียงพอที่จะเปลี่ยนสิ่งเหล่านั้นให้กลายเป็นการตัดสินใจที่มีประโยชน์

จุดสำคัญที่ควรจำไว้คือเรื่องที่เรียบง่าย HPC จะมีคุณค่ามากขึ้นเมื่อความซับซ้อนในการวิเคราะห์เพิ่มขึ้น ไม่มีเหตุผลที่จะต้องไล่ตามแนวคิดเรื่องซูเปอร์คอมพิวเตอร์ สิ่งที่จำเป็นคือการเข้าใจว่าในจุดใด การคำนวณแบบขนานสามารถลดระยะเวลาตั้งแต่การได้ข้อมูลเชิงลึกจนถึงการลงมือปฏิบัติได้

หากคุณกำลังคิดถึงขั้นตอนต่อไป ให้เริ่มด้วยวิธีนี้:

1. ระบุกระบวนการที่ทำงานช้าซึ่งกำลังเป็นอุปสรรคต่อความก้าวหน้าของธุรกิจในขณะนี้
2. ตรวจสอบว่าปัญหาเกิดจากความซับซ้อน ไม่ใช่เพียงปริมาณเท่านั้น
3. เลือกสถาปัตยกรรมที่ยืดหยุ่น โดยไม่ต้องใช้จ่ายเกินตัว
4. ต้องให้ความสำคัญกับความปลอดภัยและการบูรณาการตั้งแต่ต้น
5. วัดค่าดังกล่าวจากมุมมองของประสิทธิภาพในการตัดสินใจ ไม่ใช่เพียงแต่จากมุมมองของเวลาที่ประหยัดได้

เมื่อการคาดการณ์ การปรับปรุงประสิทธิภาพ และปัญญาประดิษฐ์ (AI) ทำงานได้เร็วขึ้น วิธีดำเนินงานของธุรกิจก็เปลี่ยนแปลงตามไปด้วย การตัดสินใจไม่จำเป็นต้องรอรายงานอีกต่อไป รายงานเริ่มปรับตัวให้ทันกับจังหวะการดำเนินงานของธุรกิจ

หากคุณต้องการเปลี่ยนข้อมูลที่ซับซ้อนให้เป็นข้อมูลเชิงลึกที่ชัดเจน โดยไม่ต้องจัดการโครงสร้างพื้นฐานที่อยู่เบื้องหลัง ลองมาค้นพบELECTE แพลตฟอร์มวิเคราะห์ข้อมูลที่ใช้เทคโนโลยี AI สำหรับธุรกิจขนาดกลางและขนาดเล็ก (SMEs) คุณจะได้เห็นวิธีการทำให้การรายงาน การคาดการณ์ และการวิเคราะห์ขั้นสูงเป็นไปโดยอัตโนมัติ ด้วยประสบการณ์การใช้งานที่ออกแบบมาสำหรับทีมธุรกิจ ไม่ใช่เพียงผู้เชี่ยวชาญด้านเทคนิคเท่านั้น