เรดแฮต (Red Hat) เผยมุมมองความสำคัญของ AI ในวงการโทรคมนาคมปี 2569 ในฐานะตัวเร่งปฏิกิริยา (Catalyst) ที่ช่วยให้ผู้ให้บริการเครือข่ายสามารถขยายขอบเขตจากโครงสร้างพื้นฐานเดิม สู่การนำเสนอโซลูชันดิจิทัลที่หลากหลาย และชาญฉลาดมากขึ้น พร้อมชูจุดเด่นการใช้ Open Source และ Edge AI เพื่อสร้างความได้เปรียบทางการแข่งขันในระดับสากล…
Red Hat ชี้ AI คือตัวเร่งสำคัญ! พลิกโฉมวงการโทรคมนาคมไทย สู่การขยายธุรกิจดิจิทัลเต็มตัว
บียทริซ ออร์เตกา ผู้เชี่ยวชาญด้านไฮบริดคลาวด์
ภายในปี พ.ศ. 2569 การเปลี่ยนผ่านสู่ AI จะไม่ได้เป็นเพียงทางเลือก แต่เป็นกลไกหลักในการพลิ
ยกระดับสู่ agentic AI และกระบวนการทำงานแบบ zero–touch
อุตสาหกรรมโทรคมนาคมกำลังข้ามผ่านยุคแชทบอทแบบตั้งรับ สู่ยุค agentic AI จากเดิมที่ AI ทำหน้าที่ให้ข้อมูลเชิงลึก หรือการที่ generative AI ให้คำแนะนำต่าง ๆ ปัจจุบัน agentic AI ได้ยกระดับสู่ “การลงมือปฏิบัติ” ซึ่งในบริบทของธุรกิจโทรคมนาคมหมายถึงเอเจนต์อัตโนมัติ
ที่สามารถจัดการเวิร์กโฟลว์ที่ซับซ้อนได้ เช่น การระบุจุดที่เป็นคอขวดของโครงข่าย การตรวจสอบข้อตกลงระดับการให้บริการลูกค้า ไปจนถึงการสั่งจัดสรรทรัพยากรใหม่โดยอัตโนมัติผ่าน TM Forum open APIs กล่าวได้ว่าการเปลี่ยนผ่านนี้ คือ ฟันเฟืองสำคัญ ที่ทำให้เกิดกระบวนการทำงานแบบ zero-touch ที่จำเป็นต่อการสร้างประสิทธิภาพ ความเชื่อถือได้ และการปรับขนาดการทำงานของโครงข่าย 5G และ edge
อุปสรรคสำคัญของการปรับใช้ AI ในระยะแรกคือการเกิด “AI islands” หรือโมเดล AI ที่ถูกตัดขาดจากกัน ซึ่งแม้จะแก้ปัญหาเฉพาะจุดได้แต่ไม่สามารถสื่อสารร่วมกันได้ เร้ดแฮท จึงผลักดันกลยุทธ์แบบ modular ที่สื่อสารกันผ่านโปรโตคอลสากลต่าง ๆ เช่น model context protocol (MCP) และเฟรมเวิร์กการสื่อสารระหว่างเอเจนต์ (agent-to-agent หรือ A2A)
ไมโครเอเจนต์เป็นโซลูชันอัตโนมัติที่ออกแบบมาเพื่อภารกิจเฉพาะด้าน และเชื่อมต่อถึงกันได้ และเมื่อไมโครเอเจนต์ต่าง ๆ เชื่อมต่อถึงกันจะทำให้เกิดความชาญฉลาดแบบองค์รวม เช่น การนำข้อมูลเชิงลึกจากงานบริการลูกค้ามาปรับปรุงประสิทธิภาพโครงข่ายได้แบบเรียลไทม์ เพื่อให้มั่นใจว่าทุกองคาพยพของ AI จะทำงานไปในทิศทางเดียวกัน และมุ่งสู่เป้าหมายทางธุรกิจเดียวกัน
ความกระจัดกระจายของข้อมูลเป็นอุปสรรคสำคัญของความชาญฉลาดที่เชื่อมโยงถึงกัน MCP ทำหน้าที่เป็นเฟรมเวิร์กโอเพ่นซอร์สที่ช่วยให้เข้าถึงระบบอื่น ๆ และข้อมูลภายนอกได้อย่างเป็นระบบและมีมาตรฐาน เพื่อเชื่อมช่องว่างระหว่างความชาญฉลาดกับการลงมือทำโดยเปลี่ยน AI agent จากเดิมที่เป็นเพียงสมองที่ถูกแยกส่วน ให้กลายเป็นกลไกที่ทำงานได้จริงที่สามารถโต้ตอบกับระบบนิเวศของการปฏิบัติงานทั้งหมดได้
ความเหนือกว่าของ เร้ดแฮท รองรับทุกโมเดล ทุกอุปกรณ์เร่งความเร็ว ทุกสภาพแวดล้อม
เร้ดแฮท เอไอ นำเสนอโอเพ่นแพลตฟอร์มที่ทำให้การย้าย AI จากการทดลองไปสู่การใช้งานเป็นไปอย่างง่ายดาย ประกอบด้วย
- Enterprise Linux AI : มอบรากฐานที่เป็นอิสระในการปรับแต่งโมเดลโอเพ่นซอร์สต่าง ๆ (เช่น Granite) ด้วยข้อมูลเฉพาะที่เป็นกรรมสิทธิ์ขององค์กร เพื่อให้องค์กรเป็นเจ้าขององค์ความรู้ที่เป็นภูมิปัญญาของตนได้อย่างแท้จริง โดยไม่ผูกมัดกับผู้ให้บริการรายใดรายหนึ่ง
- OpenShift AI : กลไกการปฏิบัติการที่เป็นเอกภาพสำหรับบริหารจัดการไลฟ์ไซเคิลของ AI ด้วยมาตรฐานความปลอดภัย และความเสถียรระดับสูงสุด โดยบูรณาการ LlamaStack ให้เป็นเลเยอร์ประสานงานมาตรฐานในรูปแบบ Kubernetes-native เพื่อใช้ในการสร้างเวิร์กโฟลว์ที่เป็น agentic AI
- AI Inference Server : vLLM ช่วยเสริมแกร่งให้เซิร์ฟเวอร์นี้รองรับการประมวลผลประสิทธิภาพสูง มีระยะเวลาในการตอบสนองต่ำ (low-latency) บนหน่วยประมวลผลทุกรูปแบบ ไม่ว่าจะเป็น CPU หรือ GPU และยังคงความยืดหยุ่นไว้ด้วยความสามารถในการรองรับชิปประมวลผลที่หลากหลาย (NVIDIA, AMD, Intel) ดังนั้นกลไกการทำงานขององค์กรจะต้องไม่ติดอยู่กับผู้ผลิตฮาร์ดแวร์รายใดรายหนึ่ง ทั้งยังสามารถเลือกใช้ฮาร์ดแวร์ที่มีประสิทธิภาพ และคุ้มค่าที่สุดเหมาะกับงานแต่ละประเภท
llm-d เป็นนวัตกรรมที่ทำหน้าที่เป็นทั้งผู้วางกลยุทธ์และผู้ประสานจัดการระบบให้กับ vLLM ช่วยยกระดับความสามารถของโซลูชันให้ทรงพลังมากขึ้น เฟรมเวิร์ก Kubernetes-native นี้ริเริ่มโดยความร่วมมือของ CoreWeave, Google Cloud, IBM Research และ NVIDIA
พร้อมด้วยการสนับสนุนจาก AMD, Cisco, Hugging Face, Intel, Lambda และ Mistral AI เพื่อปลดล็อกประสิทธิภาพสูงสุดของการใช้การอนุมานแบบกระจายศูนย์ในสเกลขนาดใหญ่
ความร่วมมือระหว่าง เร้ดแฮท และ เอ็นวิเดีย ในปี พ.ศ. 2569 ได้ยกระดับจากความเข้ากันได้ของซอฟต์แวร์กับฮาร์ดแวร์เพียงหนึ่งเดียว ขึ้นสู่สถาปัตยกรรมที่ควบคุม และจัดการด้วยซอฟต์แวร์อย่างเบ็ดเสร็จ ความร่วมมือนี้นำเสนอระบบ rack-scale AI ที่เปลี่ยน AI factory ต่าง ๆ ที่มีฐานเป็นโอเพ่นซอร์สให้กลายเป็นระบบที่เป็นมาตรฐานอุตสาหกรรม รองรับการประมวลผลเชิงเหตุผลขั้นสูง และเวิร์กโหลด agentic ต่าง ๆ ได้ในระดับกิกะบิต
4 แนวทางการใช้ AI เพื่อสร้างคุณค่าให้ธุรกิจโทรคมนาคมได้ทันที
โครงข่ายที่ทำงานโดยอิสระ (Autonomous Networks) : ก้าวข้ามระบบอัตโนมัติทั่วไปสู่การทำงานด้วยตนเองอย่างอิสระ
วิสัยทัศน์เกี่ยวกับโครงข่ายที่ขับเคลื่อนด้วยตัวเองอย่างสมบูรณ์กลายเป็นจริงแล้วในระดับสถาปัตยกรรม โครงข่ายที่ทำงานโดยอิสระนี้ใช้ AI สร้างระบบการทำงานครบวงจร (closed-loop systems) ตั้งแต่การเฝ้าระวังและการเก็บข้อมูล การวิเคราะห์ และการตอบสนองที่เหมาะกับสถานการณ์
แม้เส้นทางสู่การเป็นโครงข่ายอัจฉริยะที่ทำงานเองได้อย่างอิสระเต็มรูปแบบต้องอาศัยความสำเร็จหลายประการร่วมกัน แต่แนวทางการนำไปใช้สองรูปแบบต่อไปนี้ คือจุดเริ่มต้นที่ทำได้จริง และจะสร้างผลตอบแทนจากการลงทุนให้เห็นผลได้ทันที
- การซ่อมแซมตนเอง (self-healing) : เมื่อตรวจพบความผิดปกติ agentic AI จะทำการวิเคราะห์หาสาเหตุรากเหง้า (root cause analysis – RCA) แบบข้ามส่วนงาน โดยการใช้ Event-Driven Ansible ที่เป็นส่วนหนึ่งของ Ansible Automation Platform เพื่อให้เครือข่ายสามารถสั่งการแก้ไขปัญหาได้โดยอัตโนมัติอย่างอิสระภายในเสี้ยววินาที เช่น การเปลี่ยนเส้นทางทราฟฟิกหรือการปรับมุมก้มเงยของเสาสัญญาณ และหากยังไม่มีขั้นตอนการแก้ไขที่กำหนดไว้ล่วงหน้า Ansible Lightspeed จะช่วยสร้างคู่มือ (playbook) ขึ้นมาใหม่เพื่อตอบโต้สถานการณ์ได้ทันที
- การปรับขนาดล่วงหน้าโดยอัตโนมัติจากการคาดการณ์ (predictive zero-touch scaling) : AI Agent บน OpenShift AI จะวิเคราะห์ข้อมูลการเชื่อมโยงของกิจกรรมทางสังคม (การขนส่งมวลชน การรวมตัวของฝูงชุน) ร่วมกับข้อมูลการเคลื่อนที่ผ่าน MCP เพื่อทำงานเชิงรุกในการปรับขนาด CNFs ทั่วทั้งพื้นที่เครือข่ายส่วนปลาย (edge) ซึ่งช่วยให้ระบบเพิ่มขีดความสามารถได้อย่างแม่นยำในจุดที่จำเป็น และคืนทรัพยากรกลับสู่ระบบทันทีเมื่อความต้องการใช้งานลดลง เพื่อให้ประสิทธิภาพการทำงานสอดคล้องกับเป้าหมายด้านความยั่งยืน
การลดการใช้พลังงาน และต้นทุนตามวัตถุประสงค์
แทนที่จะใช้การตั้งเวลาปิดระบบแบบตายตัว ผู้ปฏิบัติงานสามารถระบุเป้าหมายระดับสูงหรือความต้องการเชิงนโยบายได้ เช่น ลดการปล่อยก๊าซคาร์บอนให้เหลือน้อยที่สุด โดยยังคงรักษามาตรฐานความพร้อมใช้ไว้ที่ 99.9%
AI agent เฉพาะทางต่าง ๆ สามารถเฝ้าติดตามความหนาแน่นของการใช้งานแบบเรียลไทม์ หากพบว่าพื้นที่เครือข่ายส่วนใดมีการใช้งานต่ำ ระบบอัตโนมัติที่ขับเคลื่อนด้วย AI จะสั่งการด้วยตัวเองให้ระบบเข้าสู่โหมดประหยัดพลังงานของสายอากาศอัจฉริยะ (massive MIMO sleep modes) ซึ่งช่วยลดการใช้พลังงานในภาพรวมลงได้อย่างมีนัยสำคัญ
กรณีการใช้งานที่เรียบง่ายนี้ช่วยสร้างสมดุลระหว่างประสิทธิภาพและความยั่งยืน โดยสามารถลดทั้งค่าใช้จ่ายในการดำเนินงาน (OpEx) และการปล่อยก๊าซคาร์บอนได้โดยไม่กระทบต่อประสบการณ์การใช้ของลูกค้า
ประสบการณ์ลูกค้าแบบเฉพาะเจาะจงอย่างเหนือระดับ
AI จะเปลี่ยนโฉมทีมสนับสนุนลูกค้าขององค์กร จากการทำงานเชิงรับไปสู่การดำเนินงานเชิงรุกอย่างเต็มรูปแบบ
Predictive AI ทำการระบุสัญญาณที่เริ่มเสื่อมสภาพในตำแหน่งที่ผู้ใช้งานพักอาศัยอยู่ และสั่งการโปรโตคอลซ่อมแซมตัวเอง (เช่น การปรับจูนการส่งต่อสัญญาณระหว่างสถานีฐาน) ให้ทำงานโดยอัตโนมัติ ก่อนที่ผู้ใช้งานจะทันสังเกตเห็นปัญหา
Generative AI ช่วยสนับสนุนเจ้าหน้าที่ด่านหน้า ที่ให้บริการลูกค้า ทั้งพนักงาน และแชทบอท ด้วยการสรุปข้อมูลบันทึกระบบ และบริบทการใช้งานที่ครบถ้วน เป็นการเปลี่ยนบทบาทจากผู้ให้บริการเครือข่าย ให้กลายเป็นผู้ส่งมอบประสบการณ์เหนือระดับ
การกำกับดูแล SLA และบริหารผู้ให้บริการแบบเรียลไทม์
AI จะทำหน้าที่เป็นผู้ตรวจสอบดิจิทัล ในการตรวจสอบประสิทธิภาพของผู้ให้บริการหลายราย AI agent จะทำการวิเคราะห์หาสาเหตุรากเหง้า (RCA) เพื่อระบุปัญหาด้านประสิทธิภาพของผู้ให้บริการแต่ละราย ด้วยการรวบรวมข้อมูลทางเทคนิคจากทุกส่วนงาน (cross-domain telemetry) ผ่าน MCP
นอกจากนี้ ยังสามารถส่งการแจ้งเตือนหรือคำนวณเงินคืนตามสัญญาได้อัตโนมัติด้วยตนเอง ซึ่งช่วยสร้างระบบนิเวศการทำงานที่มีความชัดเจน และมีความรับผิดชอบสูง
การรับมือกับ 3 ความท้าทายหลักในนำ AI มาใช้
แม้ว่าสัญญาณบ่งชี้ของอุปสรรคพื้นฐานในการใช้ AI ที่พบได้ทั่วไปจะมีลักษณะคล้ายคลึงกัน เช่น การติดตั้งระบบที่ล่าช้าหรือต้นทุนที่สูงเกินควร แต่ความท้าทายเฉพาะด้านในการนำ AI มาใช้ในธุรกิจโทรคมนาคมนั้นมีความแตกต่างกันอย่างมีนัยสำคัญ โดยขึ้นอยู่กับความพร้อมของโครงสร้างทางสถาปัตยกรรม
และการจัดลำดับความสำคัญเชิงกลยุทธ์ของแต่ละบริษัท การใช้ AI ภายในกรอบการทำงานด้านโทรคมนาคมนั้นไม่ได้วัดกันที่ความชาญฉลาดของโมเดลเพียงอย่างเดียว แต่ขึ้นอยู่กับความพร้อมใช้ ความยืดหยุ่น และความโปร่งใสของสถาปัตยกรรมระบบด้วย
เร้ดแฮท มีมุมมองว่า การเปลี่ยนผ่านจากโครงการที่อยู่ในขั้นการทดลองไปสู่การนำ agentic AI มาใช้งานจริงนั้น มีอุปสรรคสำคัญสามประการได้แก่ การกระจัดกระจายของข้อมูล ความซับซ้อนของการบริหารจัดการระบบ และ การติดกับดักเทคโนโลยีระบบปิดที่ตรวจสอบไม่ได้ และต้องติดอยู่กับผู้ให้บริการรายใดรายหนึ่ง
ความท้าทายจากข้อมูลที่กระจัดกระจาย และบริบทที่ไม่ครบถ้วน : ปัจจัยที่ขัดขวางการสร้างผลตอบแทนจากการลงทุนด้าน AI ที่สำคัญที่สุดคือการขาดความเข้าใจบริบทในเชิงลึก โมเดล AI มักเผชิญกับอาการหลอน (hallucinations) ซึ่งนำไปสู่การให้ข้อมูลที่ผิดพลาด เนื่องจากเข้าไม่ถึงข้อมูลด้านโทรคมนาคม
ที่มีความละเอียดสูงที่มักติดอยู่ตามส่วนงานต่าง ๆ อย่างกระจัดกระจายได้แบบเรียลไทม์ ไม่ว่าจะเป็นบันทึกการทำงานของเครือข่าย ข้อมูลลูกค้า ไปจนถึงดัชนีชี้วัด (KPIs) จากผู้ให้บริการหลายค่ายที่ไม่เชื่อมโยงกันดังที่ได้กล่าวไปแล้ว MCP คือเฟรมเวิร์กแบบโอเพ่นซอร์สที่ช่วยให้ AI agent ต่าง ๆ สามารถเชื่อมต่อกับข้อมูลภายนอกและเครื่องมือรุ่นเก่าได้อย่างราบรื่น เป็นการช่วยให้สถาปัตยกรรมทั้งหมดสามารถทำงานร่วมกันได้อย่างสมบูรณ์
ความซับซ้อนของการดำเนินงานทำให้โครงการนำร่องขยายไม่ได้ : ผู้ให้บริการจำนวนมากล้มเหลวในการขยายขอบเขตการใช้งาน AI ในวงกว้าง เพราะพยายามยกเครื่องการใช้ AI แบบองค์รวม ซึ่งมีความซับซ้อนเกินกว่าจะบริหารจัดการได้
การนำพาโมเดลที่พัฒนาอยู่ในแล็ปท็อปของนักวิทยาศาสตร์ข้อมูลไปใช้จริงที่เสาสัญญาณปลายทางที่ edge จะทำให้เกิดปัญหาจากความเข้ากันไม่ได้ของระบบปฏิบัติการ และเสี่ยงต่อความล้มเหลวอย่างมาก หากไม่มีสภาพแวดล้อมการทำงานที่เหมือนกันเป็นหนึ่งเดียว
เร้ดแฮท เอไอ วางรากฐาน AI factory ที่ครอบคลุมไลฟ์ไซเคิลของทั้งโมเดล และแอปพลิเคชัน AI ทั้งหมด การจัดการเวิร์กโหลด AI ให้เหมือนกับไมโครเซอร์วิสในรูปแบบคอนเทนเนอร์ จะช่วยให้ผู้ให้บริการสามารถใช้มาตรฐานแบบ DevOps ที่ใช้กับฟังก์ชันเครือข่ายหลัก มาประยุกต์ใช้ร่วมกับเครื่องมือ MLOps
เพื่อบริหารจัดการไลฟ์ไซเคิลของ AI ได้อย่างมีประสิทธิภาพ เร้ดแฮทสนับสนุนให้เริ่มต้นจาก micro-AI agents ซึ่งเป็นโซลูชันขนาดเล็กที่สร้างขึ้นเฉพาะทางเพื่อตอบโจทย์งานเฉพาะด้าน แล้วจึงค่อยขยายผลนำมาเชื่อมต่อกันเพื่อสร้างโครงข่ายอัจฉริยะที่ครอบคลุมกว้างขวางมากขึ้นในภายหลัง
ความเสี่ยงจากการผูกขาดโดยผู้ผลิต และอธิปไตยดิจิทัล : การพึ่งพาบริการ AI แบบระบบปิดที่ตรวจสอบการทำงานไม่ได้ของผู้ผลิตรายใดรายหนึ่งเพียงอย่างเดียว ถือเป็นความเสี่ยงมหาศาลต่อความยืดหยุ่นในระยะยาวและอธิปไตยทางข้อมูล การฝากความอัจฉริยะของเครือข่ายสำคัญขององค์กรไว้บนระบบคลาวด์ของผู้ผลิตรายเดียวทั้งหมดจะทำให้องค์กรมีความเสี่ยงที่จะสูญเสียการควบคุมทั้งด้านต้นทุน และสิทธิในการควบคุมจัดการข้อมูลของตนเอง
แนวทางของ เร้ดแฮท ที่เน้นการรองรับทุกโมเดล ทุกตัวเร่งความเร็ว และทุกคลาวด์ คือทางแก้ปัญหาการถูกผูกขาดโดยผู้ให้บริการรายใดรายหนึ่ง เร้ดแฮท มอบการเชื่อมต่อกับโมเดลโอเพ่นซอร์สที่มีให้เลือกมากมาย ซึ่งช่วยให้ผู้ให้บริการสามารถปรับจูนโมเดลที่ต้องการด้วยข้อมูลของตนเองบนโครงสร้างพื้นฐานของตนเอง
จึงสามารถควบคุม และถือครองกรรมสิทธิ์ในขุมพลังปัญญาของโมเดล (model weights) และข้อมูลพื้นฐานที่ใช้ได้ โดยมี vLLM ช่วยทำให้มั่นใจว่าการอนุมานจะยังคงประสิทธิภาพสูงไม่ว่าจะใช้ฮาร์ดแวร์ใดก็ตาม
นอกจากนี้ OpenShift ยังช่วยให้ผู้ให้บริการสามารถบริหารจัดการไลฟ์ไซเคิลของ AI และแอปพลิเคชันได้อย่างครบวงจรบนทุกสภาพแวดล้อม
ส่วนขยาย * บทความเรื่องนี้น่าจะเป็นประโยชน์สำหรับการวิเคราะห์ในมุมมองที่น่าสนใจ ** เขียน: ชลัมพ์ ศุภวาที (บรรณาธิการ และผู้สื่อข่าว) *** ขอขอบคุณภาพประกอบบางส่วนจาก N/A
สามารถกดติดตามข่าวสาร และบทความทางด้านเทคโนโลยีของเราได้ที่ www.facebook.com/itday.in.th
 ชี้ AI คือกุญแจสำคัญในการสร้างโอกาสใหม่ ช่วยให้ผู้ให้บริการกลายเป็น "ดิจิทัลแพลตฟอร์ม" อย่างสมบูรณ์){kind=link}