IBM และ Confluent เปิดตัวโมเดล Time-series บน Streamhouse

· By: SirilukP

การพยากรณ์แบบ Real-time การตรวจจับสิ่งผิดปกติ และการเพิ่มประสิทธิภาพ ขับเคลื่อนโดยโมเดล Time-series ของ IBM ที่มียอดดาวน์โหลดมากกว่า 50 ล้านครั้ง พร้อมใช้งานแล้วแบบ Native บน Confluent ทั้งบนคลาวด์และในสถานที่ (On premises) โดยทำงานบน CPU

ทุกธุรกิจสร้างบันทึกการเปลี่ยนแปลงอย่างต่อเนื่อง ไม่ว่าจะเป็นการอ่านค่าจากเครื่องจักร การชำระเงิน การขาย หรือสินค้าคงคลัง ข้อมูลเหล่านี้ประกอบกันเป็น Time series ซึ่งนำพาสัญญาณที่ช่วยให้ทีมคาดการณ์เหตุการณ์ล่วงหน้าได้ ความท้าทายสำคัญคือการเปลี่ยนสัญญาณเหล่านั้นให้เป็นการตัดสินใจในขณะที่ข้อมูลยังสดใหม่ เนื่องจากการพยากรณ์ที่ล่าช้าหลังจบกระบวนการผลิตอาจสายเกินไปที่จะส่งผลต่อผลลัพธ์ธุรกิจ

IBM และ Confluent กำลังนำโมเดลพื้นฐาน Time-series เข้าไปใกล้กับข้อมูลมากขึ้นในขณะที่ข้อมูลไหลผ่าน ด้วย Apache Flink ทีมงานสามารถใช้การพยากรณ์ การตรวจจับสิ่งผิดปกติ และความฉลาดทางอรรถศาสตร์ (Semantic intelligence) กับข้อมูล Streaming โดยใช้ SQL ทำให้ผลลัพธ์พร้อมใช้งานสำหรับแอปพลิเคชันและผู้รับผิดชอบได้ทันที

โมเดลพื้นฐาน (Foundation models) ได้เปลี่ยนวิธีการทำงานกับข้อความและรูปภาพมาแล้ว และตอนนี้โมเดล Time-series กำลังขยายแนวคิดนี้ไปยังข้อมูลตัวเลขโดยการเรียนรู้รูปแบบทั่วไปจากข้อมูลย้อนหลังที่หลากหลาย ทีมงานสามารถใช้เป็นจุดเริ่มต้นได้ทันทีโดยไม่ต้องฝึกโมเดลแยกสำหรับทุกชุดข้อมูล หรือจะทำ Fine-tune เพื่อรวมผลลัพธ์เข้ากับตรรกะทางธุรกิจเฉพาะด้านก็ได้

More than 50 million downloads and the family of four models. Click to try the models on Confluent.

รูปที่ 1. ยอดดาวน์โหลดมากกว่า 50 ล้านครั้ง และตระกูลของโมเดลทั้งสี่ที่อยู่เบื้องหลัง

ปัจจุบันโมเดลพื้นฐาน Time series ทำงานแบบ Native ภายใน Confluent ในฐานะฟังก์ชันในตัว (Built-in functions) ทั้งบนคลาวด์และ On-premises โดยใน Confluent Cloud ฟังก์ชันเหล่านี้ได้รับการจัดการอย่างเต็มรูปแบบ (documentation) ส่วนการใช้งานในสถานที่สามารถรันบนโครงสร้างพื้นฐานเดิมผ่าน Confluent Platform สำหรับ Apache Flink (documentation) โดยทำงานบน CPU มาตรฐานโดยไม่จำเป็นต้องใช้ GPU

โมเดลเหล่านี้รองรับกรณีการใช้งานที่สำคัญต่อภารกิจ (Mission-critical) ได้หลากหลาย ตั้งแต่การควบคุมสายการผลิต การตรวจจับกิจกรรมผิดปกติในร้านค้า ไปจนถึงการประเมินการชำระเงินผ่านบัตรและพยากรณ์ปริมาณการซื้อขายหลักทรัพย์ เพื่อนำข้อมูลเชิงลึกเข้าใกล้จุดที่มีการตัดสินใจมากขึ้นในอุตสาหกรรมการผลิต การค้าปลีก และการธนาคาร

ดูว่า Time series และบริบทแบบ Real-time มารวมกันเพื่อสร้างมูลค่าได้อย่างไร:

Streamhouse: ข้อมูลและข่าวกรองแบบ Real-time สำหรับยุค Agentic

ในโลกธุรกิจ ข้อมูลเหตุการณ์ต่างๆ มักกระจัดกระจายและอัปเดตไม่พร้อมกัน เมื่อแอปพลิเคชันหรือตัวแทน AI (AI agents) ทำงานบนข้อมูลที่ล้าสมัย ย่อมเสี่ยงต่อการตัดสินใจที่ผิดพลาด Streamhouse จึงเข้ามาจัดการเรื่องนี้ด้วยการรวบรวม ประมวลผล และให้บริการบริบททางธุรกิจที่เป็นปัจจุบันอย่างต่อเนื่อง

แพลตฟอร์ม Data Streaming ของ Confluent รวมความสามารถทั้งการเชื่อมต่อ การสตรีม การประมวลผล การควบคุม และการคิวรี เพื่อให้บริบทนั้นพร้อมใช้งานสำหรับ AI agents โดยมี Apache Flink ทำหน้าที่แปลงและเพิ่มข้อมูลในขณะที่ไหลผ่าน และ Lightning Tables ให้การเข้าถึงสถานะปัจจุบันด้วยความหน่วงต่ำ (Low-latency)

The Streamhouse on Confluent

รูปที่ 2. Streamhouse บน Confluent: จากแหล่งข้อมูลที่มีอยู่เดิมไปจนถึงบริบททางธุรกิจปัจจุบันที่ตัวแทน, แอปพลิเคชัน, การวิเคราะห์ และ lakehouses ใช้งานได้ทุกที่

โมเดล Time-series ช่วยเพิ่มพลังการพยากรณ์ให้กับสถาปัตยกรรมนี้ โดย Flink สามารถเรียกใช้การพยากรณ์ควบคู่ไปกับเหตุการณ์ที่เกิดขึ้นจริง นอกจากนี้ยังเปิดทางให้โมเดลภาษาขนาดใหญ่ (Large language models) และระบบ Machine Learning อื่นๆ เข้ามาทำงานร่วมกันได้อย่างมีประสิทธิภาพ

The layers of the Streamhouse: agentic experience, end-to-end solutions, stream-native intelligence and the Streamhouse

รูปที่ 3. เลเยอร์ความฉลาดของ Streamhouse: โมเดล Time series, โมเดลภาษาขนาดใหญ่ รวมถึงโมเดล ML และสถิติ พร้อมการจัดลำดับการทำงานร่วมกัน

แนวทางนี้ช่วยทีมงานใน 4 ด้านหลัก คือ: ขยายขนาดการพัฒนาโมเดล ด้วย Pretrained model ที่ใช้ร่วมกันได้, อัปเดตการพยากรณ์แบบเรียลไทม์ ตามการเปลี่ยนแปลงของข้อมูล, ส่งสัญญาณเข้าใกล้การตัดสินใจ ได้รวดเร็วขึ้น และ ประหยัดต้นทุน ด้วยการรันโมเดลขนาดกะทัดรัดบน CPU มาตรฐาน ลดความจำเป็นในการใช้ GPU

05-architecture-dynamic

รูปที่ 4. Stream native time-series intelligence บน Confluent

กรณีการใช้งานที่สำคัญต่อภารกิจในองค์กรจริง

สถานการณ์ต่อไปนี้แสดงให้เห็นถึงการรวมโมเดล Time-series เข้ากับธุรกิจจริง:

กรณีการใช้งาน 1 | การเพิ่มประสิทธิภาพการผลิต: ทุกถังได้มาตรฐาน

ในการผลิตไอศกรีม หากค่าอากาศในส่วนผสม (Overrun) ผิดพลาดอาจต้องนำสินค้าไปทำใหม่ (Rework) โมเดล TTM จะอ่านค่าจากระบบ SCADA ทุก 10 นาทีเพื่อพยากรณ์คุณภาพล่วงหน้า 4 ชั่วโมง หากคาดการณ์ว่าคุณภาพจะต่ำกว่าเกณฑ์ ระบบจะแนะนำอุณหภูมิและแรงลมที่เหมาะสมให้ผู้ปฏิบัติงานอนุมัติได้ทันที ช่วยลดของเสียและประหยัดพลังงาน

07-production-optimization

รูปที่ 5. การพยากรณ์คุณภาพผลิตภัณฑ์ช่วยให้ผู้ปฏิบัติงานประเมินค่าที่ตั้งไว้ของช่องแช่แข็งก่อนทำการปรับเปลี่ยน

กรณีการใช้งาน 2 | การตรวจจับสิ่งผิดปกติ: จากการแจ้งเตือนสู่การดำเนินการที่ถูกต้อง

ฟังก์ชัน AI_DETECT_ANOMALIES ช่วยตรวจสอบยอดขายสินค้าหลายพันรายการโดยไม่ต้องตั้งเกณฑ์คงที่ ระบบจะเรียนรู้ช่วงการขายที่ปกติของแต่ละร้านค้า เมื่อยอดขายผิดปกติจะรวมข้อมูลเข้ากับสต็อกเพื่อแนะนำวิธีแก้ไข เช่น การตรวจสอบชั้นวางสินค้า แนวทางนี้ยังใช้ได้กับเซนเซอร์เครื่องจักรและปริมาณการชำระเงินด้วย

08-anomaly-detection

รูปที่ 6. ยอดขายของร้านค้าถูกเปรียบเทียบกับช่วงที่คาดหวัง ในมุมมองที่แสดง ช่วงพีคที่เกิดขึ้นซ้ำๆ ยังคงอยู่ในช่วงและไม่มีการแจ้งเตือนสิ่งผิดปกติ

กรณีการใช้งาน 3 | การวางแผนซัพพลายเชน: ทุก SKU ทุกร้านค้า ทุกชั่วโมง

ด้วย AI_FORECAST ผู้วางแผนสามารถพยากรณ์ความต้องการสินค้าทุกรายการได้แบบรายชั่วโมง ระบบจะคำนวณจุดสั่งซื้อใหม่โดยอิงจากสต็อกและระยะเวลารอคอยสินค้า (Lead time) แบบเรียลไทม์ เมื่อสต็อกต่ำกว่าเกณฑ์ AI agent สามารถร่างใบสั่งซื้อให้ตรวจสอบได้ทันที

09-supply-chain-planning-v2

รูปที่ 7. การพยากรณ์ความต้องการในระดับร้านค้าช่วยแจ้งจุดสั่งซื้อใหม่และใบสั่งซื้อที่เสนอสำหรับนมโอ๊ต

กรณีการใช้งาน 4 | การฉ้อโกงและความปลอดภัย: ทุกบัตรมีเกณฑ์ปกติของตัวเอง

การป้องกันฉ้อโกงจะมีประสิทธิภาพมากขึ้นเมื่อใช้ข้อมูล Time-series ส่วนบุคคล โดยเปรียบเทียบธุรกรรมกับประวัติการใช้จ่ายปกติของบัตรใบนั้นๆ หากอยู่นอกช่วงที่คาดหวัง ธนาคารสามารถขอการยืนยันตัวตนเพิ่มเติมได้ก่อนอนุมัติการชำระเงิน

10-fraud-and-security

รูปที่ 8. การชำระเงินที่อยู่นอกช่วงการใช้จ่ายที่คาดหวังของบัตรจะกระตุ้นการยืนยันตัวตนเพิ่มเติมในเวิร์กโฟลว์การฉ้อโกงตัวอย่าง

กรณีการใช้งาน 5 | การซื้อขาย: ปรับจังหวะคำสั่งซื้อตามสภาวะตลาด

ในการซื้อขายหลักทรัพย์ โมเดล PatchTST-FM จะพยากรณ์ปริมาณการซื้อขายใน 30 นาทีข้างหน้าจากข้อมูลกราฟรายนาที อัลกอริทึมจะใช้ข้อมูลนี้ปรับจังหวะการส่งคำสั่งซื้อย่อยเพื่อลดผลกระทบต่อตลาด และสามารถหยุดแผนการเทรดได้ทันทีหากมีข่าวสำคัญที่เปลี่ยนสภาพคล่อง

12-trading

รูปที่ 9. การพยากรณ์ปริมาณการซื้อขายช่วยกำหนดตารางเวลาการทำรายการที่เสนอสำหรับคำสั่งซื้อ 100,000 หุ้น

กรณีการใช้งาน 6 | การค้นหาเชิงอรรถศาสตร์ (Semantic search): ค้นหารูปแบบสัญญาณที่คล้ายกัน

TSPulse สามารถสร้างตัวแทนข้อมูล (Representations) เพื่อค้นหาความคล้ายคลึงกัน (Similarity search) ของสัญญาณเซนเซอร์ วิศวกรสามารถค้นหารูปแบบการพุ่งสูงของข้อมูลที่เคยเกิดขึ้นในอดีตเพื่อตรวจสอบบันทึกการบำรุงรักษา ช่วยจำกัดขอบเขตการหาสาเหตุของปัญหาเครื่องจักรได้รวดเร็วขึ้น

11-semantic-search

รูปที่ 10. Time-series embeddings สามารถสนับสนุนการค้นหารูปแบบที่คล้ายกันในอุปกรณ์และสัญญาณอื่นๆ

แอปพลิเคชันเฉพาะอุตสาหกรรม

ใน Industrial AI ข้อมูลจาก SCADA จะถูกพยากรณ์เพื่อปรับค่าการผลิตเชิงรุก ส่วนใน การค้าปลีก ระบบจะจัดการซัพพลายเชนและตรวจจับสินค้าขาดมือ สำหรับ การธนาคาร จะเน้นที่การตรวจจับธุรกรรมที่แปลกประหลาด และ สายการบิน จะใช้พยากรณ์การหยุดชะงักของเครือข่ายเพื่อวางแผนเกตและลูกเรือใหม่

ไม่ว่าจะในอุตสาหกรรมใด Streamhouse ทำงานภายใต้หลักการเดียวกันคือ Flink รันโมเดล Granite เพื่อพยากรณ์และเพิ่มประสิทธิภาพ โดยมี AI agents ดำเนินการตามบริบทสด และมนุษย์เป็นผู้อนุมัติในขั้นตอนสุดท้าย

13-twin-plant

รูปที่ 11. Twin plant จากเซนเซอร์สู่ค่าที่ตั้งไว้ ครีมล็อตใหม่ทำให้ค่า Overrun หลุดเป้าหมาย การพยากรณ์อ่านค่าสายการผลิต ตัวแทนเสนออุณหภูมิการดึงและแรงลมใหม่ ผู้ปฏิบัติงานอนุมัติ และถังไอศกรีมกลับมาได้มาตรฐาน ข้อมูลจำลอง

14-twin-store

รูปที่ 12. Twin store ร้านค้าและซัพพลายเชน กำลังจะมีโปรโมชันสำหรับนมโอ๊ต การพยากรณ์จะคำนวณผลจากโปรโมชันและกำหนดจุดสั่งซื้อใหม่ ตัวแทนจะสร้างใบสั่งซื้อ ผู้วางแผนอนุมัติ และชั้นวางจะมีสินค้าเต็มในวันโปรโมชัน ข้อมูลจำลอง

Try the models on Confluent

เรียนรู้เพิ่มเติม

Source: Hugging Face Blog
ดูแลงานแปลและเรียบเรียงโดย SirilukP

ความคิดเห็น (0)

เข้าสู่ระบบเพื่อร่วมแสดงความเห็น

สมัครสมาชิก

มาเป็นคนแรกที่แสดงความเห็นกันเลยโบร