Red Hat AI 3.4 เชื่อม Gap ระหว่าง Builders vs Operators

• Red Hat AI เพิ่มศักยภาพครั้งสำคัญ เพื่อผนึกพลังนักพัฒนาและผู้ปฏิบัติงาน สู่โลกอนาคตของ Agentic
• metal-to-agent ขีดความสามารถใหม่ใน Red Hat AI มอบรากฐานสำหรับการขยายขอบเขตการทำงานของโมเดลและเอเจนต์อัตโนมัติ ครอบคลุมทั่วทั้งไฮบริดคลาวด์

เร้ดแฮทผู้นำระดับโลกด้านโซลูชันโอเพ่นซอร์ส ประกาศเพิ่มประสิทธิภาพครั้งสำคัญในกลุ่มผลิตภัณฑ์ Red Hat AI เพื่อช่วยปิดช่องว่างระหว่างการทดลองใช้ AI และ การควบคุมการปฏิบัติงานในระดับใช้งานจริงในภาคการผลิต Red Hat AI 3.4 เป็นแพลตฟอร์มรวมศูนย์ที่ครอบคลุมตั้งแต่โครงสร้างพื้นฐานล่างสุดไปจนถึงซอฟต์แวร์อัจฉริยะระดับบนสุดที่ตัดสินใจและทำงานแทนมนุษย์ได้ (metal-to-agent) แพลตฟอร์มนี้ช่วยลดความซับซ้อนในการพัฒนาและติดตั้งใช้งาน agentic workflows ช่วยให้องค์กรเดินหน้าขยายการใช้งาน AI จากโครงการนำร่องไปสู่การใช้งานจริงครอบคลุมทั่วโครงสร้างพื้นฐานขององค์กร

เร้ดแฮทมอบกรอบการทำงานที่เป็นมาตรฐานเดียวกันให้กับผู้พัฒนา (builders) และผู้ปฏิบัติการ (operators) เพื่อเป็นรากฐานให้องค์กรต่าง ๆ ขยายระบบอัตโนมัติ ควบคู่กับการคงความสามารถในการควบคุมและความปลอดภัย รวมถึงประสิทธิภาพของฮาร์ดแวร์ที่องค์กรสมัยใหม่ต้องการ

Red Hat AI 3.4 เป็นแพลตฟอร์มครบวงจรที่มอบโครงสร้างสถาปัตยกรรมและเครื่องมือสำหรับการทำงานที่จำเป็นในการขยายการใช้งานโมเดล และสำหรับเวิร์กโฟลว์ของเอเจนต์ต่าง ๆ บนไฮบริดคลาวด์ โดยมีหัวใจสำคัญคือการให้บริการ Model-as-a-Service (MaaS) ซึ่งเป็นอินเทอร์เฟซการกำกับดูแลหนึ่งเดียวที่ช่วยให้นักพัฒนาซอฟต์แวร์สามารถเข้าถึงโมเดลที่คัดสรรมาแล้ว ในขณะเดียวกันก็ช่วยให้ผู้ดูแลด้านไอทีสามารถติดตามการใช้ทรัพยากรและการบังคับใช้นโยบายต่าง ๆ ได้ แพลตฟอร์มนี้สร้างบนรากฐานของการอนุมานแบบกระจาย (distributed inference) สมรรถนะสูงที่ใช้พลังจาก vLLM และ llm-d เพื่อคงประสิทธิภาพและความเสถียรในการให้บริการโมเดลให้เหมาะสมกับทุกสภาพแวดล้อม

แม้ความต้องการด้านการอนุมานผลจะพุ่งสูงขึ้นมากจากการใช้ AI agents แต่ Red Hat AI มอบขีดความสามารถให้องค์กรสามารถปรับใช้และบริหารจัดการเอเจนต์ได้ตามต้องการ โดยไม่ขึ้นอยู่กับกรอบการทำงานของเอเจนต์ นอกจากนี้เครื่องมือ AgentOps ที่เปิดตัวเมื่อเร็ว ๆ นี้ ยังช่วยบริหารจัดการเอเจนต์ต่าง ๆ ตั้งแต่ขั้นตอนการพัฒนาไปจนถึงการใช้งานจริง ผ่านระบบที่รวมทั้งการติดตาม (tracing) การตรวจสอบสถานะ (observability) การระบุตัวตนด้วยเทคโนโลยีการเข้ารหัส (cryptographic identity) และการบริหารจัดการไลฟ์ไซเคิลไว้อย่างครบวงจร

Red Hat AI 3.4 นำเสนอความสามารถในการบริหารจัดการคำสั่ง (พรอมต์: prompt) เพื่อบูรณาการข้อมูลขององค์กรเข้ากับโมเดลและเอเจนต์ต่าง ๆ โดยถือว่าพรอมต์เป็นสินทรัพย์ข้อมูลหลัก และเป็นศูนย์กลางของการประเมินความแม่นยำ คุณภาพ และความปลอดภัยของโมเดลและเอเจนต์ ความสามารถเหล่านี้ขับเคลื่อนด้วย MLflow ซึ่งรองรับการติดตามการทดลองแบบบูรณาการ และการบริหารจัดการชิ้นงานที่ได้จากการพัฒนา (artifact management) ให้ทั้งกับการใช้ generative และ predictive AI แพลตฟอร์มนี้ยังช่วยให้ผู้ใช้สามารถตรวจสอบความปลอดภัยของโมเดลและเอเจนต์ ด้วยการทดสอบความปลอดภัยอัตโนมัติและการทดสอบเจาะระบบ (red-teaming) โดยใช้เทคโนโลยีจาก Chatterbox Labs และโปรเจกต์ Garak เพื่อมอบเส้นทางที่ปลอดภัยในการเปลี่ยนจากโครงการนำร่องไปสู่การใช้งานจริงในระดับองค์กร

การเปลี่ยนผ่านจากแชตบอตที่อยู่ในขั้นทดลองไปสู่ระบบอัตโนมัติระดับใช้งานจริง จำเป็นต้องปรับเปลี่ยนรูปแบบการทำงานร่วมกันของทีมไอทีอย่างสิ้นเชิง องค์กรหลายแห่งในปัจจุบันตระหนักถึงความจำเป็นในการเปลี่ยนจากการเป็นเพียง "ผู้ใช้โทเคน" (token consumers) ไปสู่การเป็น "ผู้ให้บริการโทเคน" (token providers) เพื่อให้สามารถบริหารจัดการต้นทุนได้ดีขึ้น และรองรับการใช้งาน AI ทั้งที่เป็น private AI และ sovereign AI อย่างไรก็ตาม ช่องว่างในการทำงานระหว่างผู้พัฒนา และผู้ดูแลโครงสร้างพื้นฐาน ยังคงเป็นอุปสรรคสำคัญต่อการนำไปใช้งาน หากขาดแนวทางที่เป็นหนึ่งเดียวในการเชื่อมประสานบทบาทของทั้งสองฝ่ายนี้ อุปสรรคในการเข้าถึงโครงสร้างพื้นฐานจะทำให้การพัฒนานวัตกรรมล่าช้า ในขณะที่การหันไปใช้ทางลัด "shadow AI" จะนำมาซึ่งความเสี่ยงที่ควบคุมไม่ได้ และต้นทุนที่คาดการณ์ไม่ได้

Red Hat AI 3.4 ช่วยขจัดช่องว่างดังกล่าวด้วยการวางรากฐานให้องค์กรเพื่อการอนุมานที่ปรับขยายการทำงานได้ และการปรับใช้เอเยนต์อัตโนมัติ พร้อมมอบคุณสมบัติด้านความโปร่งใสและการควบคุมที่จำเป็นเพื่อให้สอดคล้องกับมาตรฐานการกำกับดูแลและมาตรฐานด้านความเสี่ยงที่เข้มงวด เนื่องจากเอเจนต์ทำงานด้วยความเป็นอิสระในระดับหนึ่ง การขาดความสามารถในการมองเห็นความเป็นไปของกระบวนการตัดสินใจจะทำให้เกิดความเสี่ยงด้านความปลอดภัยที่ร้ายแรง Red Hat AI แก้ปัญหานี้ด้วยการมอบโครงสร้างพื้นฐานที่สามารถติดตามการกระทำ ขั้นตอนการให้เหตุผล และการเรียกใช้เครื่องมือต่าง ๆ ทำให้สามารถตรวจสอบได้ว่าเอเจนต์บรรลุผลลัพธ์แต่ละอย่างได้อย่างไร แพลตฟอร์มนี้บูรณาการการระบุตัวตนด้วยการเข้ารหัส ซึ่งจะเชื่อมโยงการกระทำต่าง ๆ เข้ากับข้อมูลประจำตัวที่ผ่านการตรวจสอบแล้ว ช่วยให้ระบุได้ชัดเจนว่าหน่วยงานใดเป็นผู้ปฏิบัติงานนั้น ๆ ขีดความสามารถทั้งหมดที่กล่าวมานี้ช่วยพาองค์กรก้าวหน้าไกลกว่าการเป็นเพียงโปรเจกต์นำร่องที่กระจัดกระจาย แต่ก้าวไปสู่การใช้ AI เหมือนเป็นหนึ่งในระบบสาธารณูปโภคขององค์กรที่ขยายการทำงานได้ คาดการณ์ได้ และที่สำคัญที่สุดคือมีความสามารถในการตรวจสอบย้อนกลับเพื่อให้มีผู้รับผิดชอบต่อการตัดสินใจของ AI

คุณโจ เฟอร์นันเดส รองประธานและผู้จัดการทั่วไปหน่วยธุรกิจ AI ของเร้ดแฮท กล่าวว่า “ยุคแห่งเอเจนติก เป็นยุคที่แพลตฟอร์มของเราวิวัฒนาจากการรันแอปพลิเคชันแบบดั้งเดิม ไปสู่การขับเคลื่อนระบบอัจฉริยะที่ทำงานได้ด้วยตนเอง เรากำลังกำหนดมาตรฐานเปิดให้กับวิธีการที่องค์กรจะนำ AI ไปใช้งานจริง เร้ดแฮทวางรากฐานที่แข็งแกร่งตั้งแต่ระดับฮาร์ดแวร์ไปจนถึงเอเจนต์ (metal-to-agent) ให้กับระบบ AI Inference, MaaS และ AgentOps มอบความมั่นใจในเชิงปฏิบัติการที่องค์กรต้องการ เพื่อสร้างสรรค์นวัตกรรมในวงกว้างควบคู่กับการรักษาอำนาจในการควบคุมที่เข้มงวด

คุณเออร์วาชิ เชาธารี รองประธานฝ่ายบริหารจัดการผลิตภัณฑ์ – บริการด้าน AI ของ CoreWeave กล่าวว่า “ความร่วมมือระหว่าง CoreWeave และ Red Hat มีพื้นฐานมาจากความมุ่งมั่นร่วมกันในด้านระบบเปิดและการส่งมอบรากฐานการอนุมานผลประสิทธิภาพสูง เพื่อช่วยให้องค์กรสามารถขยายการใช้เวิร์กโหลด AI ที่ซับซ้อนที่สุดได้ เราได้ร่วมกันส่งมอบพิมพ์เขียวการปรับใช้ Red Hat AI Inference บน CoreWeave Kubernetes Service เพื่อรันชุดคำสั่งในการอนุมานผลเดียวกันได้ทั้งในระบบที่อยู่ในองค์กร (on-premise) และบนคลาวด์ ด้วยระบบควบคุมแบบ Kubernetes-native และประสิทธิภาพระดับใช้งานจริง (production-grade) ซึ่งช่วยให้ทีม AI ขององค์กรที่อยู่ในอุตสาหกรรมที่มีการกำกับดูแลเข้มงวดสามารถมุ่งเน้นไปที่งานสำคัญ เช่น การสร้างและขยายการใช้ AI โดยไม่ต้องเสียเวลาปรับเครื่องมือใหม่ทุกครั้งที่เปลี่ยนสภาพแวดล้อมการใช้งาน”

คุณจอห์น ฟาเนลลี รองประธานฝ่ายซอฟต์แวร์องค์กรของ NVIDIA กล่าวว่า “ในยุคที่เอเจนต์ที่ทำงานอัตโนมัติต่อเนื่องยาวนานเข้ามามีบทบาทในองค์กร องค์กรจำเป็นต้องมีระบบควบคุมโครงสร้างพื้นฐานและความปลอดภัยระดับใหม่ เพื่อให้มั่นใจได้ว่าการดำเนินงานในวงกว้างนั้นมีความน่าเชื่อถือ Red Hat AI Factory with NVIDIA มอบรากฐานหนึ่งเดียวที่ขับเคลื่อนด้วยโอเพ่นซอร์สที่ช่วยให้นักพัฒนาและฝ่ายปฏิบัติการมีระบบการกำกับดูแลและมีความมั่นใจที่จำเป็นต้องใช้ในอนาคตในยุคแห่งเอเจนติก”

ประเด็นสำคัญ

• การอนุมานผลที่ทรงพลังและขยายได้ และการเข้าถึงโมเดลที่มีการกำกับดูแล: การอนุมานผลโมเดลที่มีประสิทธิภาพสูงยังคงเป็นหัวใจสำคัญของ AI ในระดับใช้งานจริง ซึ่งการรวมเอา vLLM inference server และ llm-d distributed inference engine เข้ากับบริการ MaaS ทำให้ Red Hat AI 3.4 มอบรากฐานการอนุมานผลโมเดลที่เสถียรและมีประสิทธิภาพ ในขณะเดียวกันก็ช่วยให้ผู้ใช้งานและเอเจนต์ต่าง ๆ เข้าถึงโมเดลที่มีการกำกับดูแลได้อย่างไม่ยุ่งยาก

• AgentOps ที่คล่องตัวเพื่อไลฟ์ไซเคิลของแอปพลิเคชันอัตโนมัติ: Red Hat AI 3.4 นำเสนอขีดความสามารถด้าน AgentOps ที่ครอบคลุม เพื่อช่วยให้นำเอเจนต์ไปใช้งานจริงในวงกว้างได้อย่างมีประสิทธิภาพ ซึ่งรวมถึงระบบการติดตามการทำงาน (tracing) การเฝ้าสังเกต (observability) และการประเมินผล (evaluations) ที่ผสานรวมมาให้ในตัว ควบคู่ไปกับการจัดการตัวตนและการบริหารไลฟ์ไซเคิลของเอเจนต์ เพื่อขับเคลื่อนการเปลี่ยนผ่านเอเจนต์จากขั้นตอนการพัฒนาไปสู่การใช้งานจริง

• การเชื่อมโยงข้อมูลเข้ากับโมเดลและเอเจนต์: ข้อมูลขององค์กรคือเชื้อเพลิงที่ขับเคลื่อนโมเดลและเอเจนต์ Red Hat AI 3.4 ได้เพิ่มระบบการจัดการพรอมต์ เพื่อยกระดับให้พรอมต์เป็นสินทรัพย์ข้อมูลที่มีความสำคัญลำดับต้น ๆ พร้อมด้วยศูนย์กลางการประเมินผลสำหรับบริหารจัดการการทดสอบทั้งในด้านคุณภาพ ความแม่นยำ ความปลอดภัย และความเสี่ยง ขีดความสามารถเหล่านี้ขับเคลื่อนโดย MLFlow ซึ่งรองรับทั้งการติดตามการทดลอง และการบริหารจัดการชิ้นงานที่ได้จากการพัฒนา (artifact management) ที่ครอบคลุมทั้งการใช้งานในรูปแบบ generative AI และ predictive AI/ML

• ความปลอดภัยและความมั่นคงแบบครบวงจรสำหรับโมเดลและเอเจนต์: เพื่อช่วยปกป้องโครงสร้างพื้นฐาน AI ทั้งระบบ Red Hat AI นำเสนอการรักษาความปลอดภัยแบบเป็นลำดับชั้น (layered security posture) ที่ครอบคลุมตั้งแต่ระดับระบบปฏิบัติการไปจนถึงตรรกะการทำงานของเอเจนต์ การจัดให้มีการทดสอบความปลอดภัยแบบอัตโนมัติและการจำลองการโจมตี (red-teaming) ช่วยให้องค์กรสามารถใช้แนวทางที่ขับเคลื่อนด้วยข้อมูลในการคัดเลือกและตั้งค่าโมเดลรวมถึงระบบป้องกัน (guardrail) ซึ่งช่วยให้ปกป้องเวิร์กโหลด AI จากภัยคุกคามที่เปลี่ยนแปลงตลอดเวลาได้ดีขึ้น

การวางตลาด

คาดว่าจะวางตลาด Red Hat AI 3.4 ในช่วงปลายเดือนพฤษภาคม

แหล่งข้อมูลเพิ่มเติม

• Read the blog on Red Hat AI 3.4
• Learn more about Red Hat AI Inference on IBM Cloud
• Check out the blog on Red Hat AI Inference on xKS
• Learn more about the new MCP catalog

ช่องทางติดต่อกับเร้ดแฮท

• Learn more about Red Hat
• Get more news in the Red Hat newsroom
• Read the Red Hat blog
• Follow Red Hat on Twitter
• Join Red Hat on Facebook
• Watch Red Hat videos on YouTube
• Follow Red Hat on LinkedIn

ข้อมูลเพิ่มเติม

• Read the blog on Red Hat AI 3.4
• Learn more about Red Hat AI Inference on IBM Cloud
• Check out the blog on Red Hat AI Inference on xKS
• Learn more about the new MCP catalog
• Learn more about Red Hat Summit