จับตาเทรนด์ที่อยู่อาศัยวัยเก๋า บ้านแบบไหนตอบโจทย์ชาว Silver Gen

จับตาเทรนด์ที่อยู่อาศัยวัยเก๋า บ้านแบบไหนตอบโจทย์ชาว Silver Gen

จับตาเทรนด์ที่อยู่อาศัยวัยเก๋า บ้านแบบไหนตอบโจทย์ชาว Silver Gen

ปัจจุบันประเทศไทยได้เข้าสู่สังคมสูงวัยอย่างสมบูรณ์ (Complete Aged Society) แล้ว ข้อมูลจากสำนักบริหารการทะเบียน กรมการปกครอง กระทรวงมหาดไทยเผยว่า ณ วันที่ 31 ธันวาคม 2566 ประเทศไทยมีประชากรอายุ 60 ปีขึ้นไปคิดเป็น 20% จากจำนวนประชากรทั้งประเทศ และจะเพิ่มขึ้นอย่างมีนัยสำคัญ จากอัตราการเกิดใหม่ที่ลดลงอย่างชัดเจน โดยศูนย์วิจัยกสิกรไทยคาดว่า ประเทศไทยจะก้าวสู่สังคมสูงอายุขั้นสุดยอด (Super-Aged Society) ในปี 2572 เร็วขึ้นกว่าที่เคยประเมินไว้ว่าจะเกิดขึ้นในปี 2574

อย่างไรก็ดี การเข้าสู่สังคมสูงวัยของไทยเป็นทั้งโอกาสและความท้าทายที่ทั้งภาครัฐและภาคเอกชนต้องจับตามอง ข้อมูลจาก Krungthai COMPASS คาดว่ามูลค่าตลาดกลุ่มผู้สูงอายุหรือ Silver Gen ของไทยจะสูงขึ้นต่อเนื่องเฉลี่ยปีละ 4.4% มาอยู่ที่ 2.6 ล้านล้านบาทใน ปี 2573 หรือเทียบเท่า 12% ของมูลค่าเศรษฐกิจไทย จึงทำให้เกิดเทรนด์ธุรกิจเพื่อรองรับผู้บริโภคกลุ่มนี้โดยเฉพาะ เนื่องจากเป็นกลุ่มที่มีศักยภาพในการใช้จ่ายและมีความพร้อมทางการเงิน หลายธุรกิจรวมถึงตลาดที่อยู่อาศัยจึงปรับกลยุทธ์เพื่อเจาะกลุ่มเป้าหมายใหม่นี้

อัปเดตดีมานด์ผู้สูงวัย “เชียงใหม่” ครองใจเมืองพักผ่อนวัยเกษียณ

ข้อมูลจากแบบสอบถามความคิดเห็นของผู้บริโภคที่มีต่อตลาดที่อยู่อาศัย DDproperty Thailand Consumer Sentiment Study รอบล่าสุดของดีดีพร็อพเพอร์ตี้ (DDproperty) แพลตฟอร์มอสังหาริมทรัพย์อันดับ 1 ของไทย เผยว่ากว่า 3 ใน 5 (62%) ของผู้บริโภคชาวไทยคิดเรื่องการวางแผนเกษียณบ่อยขึ้น โดยเฉพาะกลุ่มวัยใกล้เกษียณและผู้ที่มีรายได้ปานกลาง ในขณะที่เชียงใหม่เป็นเมืองที่ผู้บริโภคต้องการไปใช้ชีวิตหลังเกษียณมากที่สุด (27%) ด้วยจุดเด่นจากสภาพแวดล้อมที่ใกล้ชิดธรรมชาติและมีความเจริญในหลายด้าน ตามมาด้วยกรุงเทพฯ (15%), เชียงราย (12%), เพชรบูรณ์ (10%) และภูเก็ต (9%) ในขณะที่ 16% ยังไม่มีทำเลในใจ

ทั้งนี้ เป้าหมายสำคัญของชีวิตหลังเกษียณส่วนใหญ่เน้นไปที่เรื่องการเงิน กว่า 2 ใน 3 (70%) หวังปลอดภาระหนี้ ตามมาด้วยมีอิสระทางการเงิน และมีเงินออมเพียงพอสำหรับค่ารักษาพยาบาล (ในสัดส่วนไล่เลี่ยกันที่ 63% และ 61% ตามลำดับ) สะท้อนให้เห็นว่าสภาพคล่องทางการเงินและการวางแผนค่าใช้จ่ายเพื่อดูแลสุขภาพเป็นปัจจัยสำคัญในการดำรงชีวิตช่วงเกษียณมากที่สุด

  • ผู้สูงวัย 48% มีเงินพร้อมซื้อบ้านใหม่ ข้อมูลจากแบบสอบถาม DDproperty Thailand Consumer Sentiment Study รอบล่าสุด เผยความต้องการที่อยู่อาศัยของผู้บริโภคชาวไทยอายุตั้งแต่ 60 ปีขึ้นไป พบว่าเกือบครึ่ง (48%) มีเงินออมเพียงพอที่จะซื้อที่อยู่อาศัยแล้ว ซึ่งมีค่าเฉลี่ยสูงกว่าผู้บริโภคในช่วงวัยอื่น ๆ ขณะที่อีก 42% เผยว่าเก็บเงินออมได้ครึ่งทางแล้ว ถือเป็นกลุ่มเป้าหมายที่มีกำลังซื้อสูงและน่าจับตามองในเวลานี้ ในขณะที่กว่า 1 ใน 3 (37%) มีการวางแผนซื้อที่อยู่อาศัยในอีก 1 ปีข้างหน้า โดยเหตุผลสำคัญในการซื้อที่อยู่อาศัยมาจากต้องการพื้นที่ส่วนตัวมากขึ้น 45% ตามมาด้วยซื้อเพื่อการลงทุน และขายบ้านหลังเดิมได้ราคาดี (ในสัดส่วนเท่ากันที่ 32%)
  • โฟกัส “ขนาดบ้าน – ใกล้ขนส่งสาธารณะ” มาก่อน ปัจจัยภายในที่ผู้สูงอายุให้ความสำคัญในการตัดสินใจซื้อ/เช่าที่อยู่อาศัยมากที่สุด ได้แก่ ขนาดที่อยู่อาศัย 58% เน้นไปที่พื้นที่ใช้สอยที่เพียงพอในการรองรับกิจกรรมต่าง ๆ รวมทั้งอำนวยความสะดวกในการอยู่อาศัยมาเป็นอันดับแรก ตามมาด้วยราคาเฉลี่ยต่อตารางเมตร 49%, สิ่งอำนวยความสะดวกภายในที่อยู่อาศัย 39%, การออกแบบและการก่อสร้าง 27% ส่วนมาตรการ/โครงการที่จะช่วยให้มีบ้านเป็นของตัวเองง่ายขึ้น และชื่อเสียงของผู้พัฒนาโครงการอสังหาฯ มีสัดส่วนเท่ากันที่ 23%

ขณะที่ปัจจัยภายนอกโครงการที่ผู้สูงอายุใช้พิจารณาเมื่อเลือกซื้อ/เช่าที่อยู่อาศัยนั้น มากกว่าครึ่ง (56%) ต้องการโครงการที่เดินทางสะดวกด้วยระบบขนส่งสาธารณะ เพื่อเพิ่มความสะดวกสบายในการเดินทาง และลดความเสี่ยงในการขับขี่ด้วยตนเองเนื่องจากสภาพร่างกายอาจไม่พร้อม รองลงมาคือความปลอดภัยของทำเล 52%, ทำเลที่ตั้งโครงการ 43%, โครงสร้างพื้นฐานและสิ่งอำนวยความสะดวกในย่านนั้น 31% ส่วนความเจริญของทำเล และใกล้โรงพยาบาล/สถานพยาบาล มีสัดส่วนเท่ากันที่ 26% เพื่อช่วยเพิ่มความสะดวกในการพบแพทย์หรือรับบริการทางสุขภาพต่าง ๆ

  • หวังรีโนเวท “ห้องนั่งเล่น” ตอบโจทย์การใช้ชีวิต สำหรับพื้นที่ในบ้านที่ผู้สูงอายุต้องการปรับเปลี่ยนมากที่สุดเพื่อรองรับการใช้ชีวิตวัยเกษียณนั้น อันดับแรกคือห้องนั่งเล่น 23% ถือเป็นพื้นที่หลักที่ผู้สูงอายุใช้ในการทำกิจกรรมต่าง ๆ มากที่สุด จึงต้องการปรับเปลี่ยนให้ตอบโจทย์ตามไลฟ์สไตล์และกิจวัตรประจำวัน รองลงมากคือห้องนอนและห้องน้ำ (16% และ 12% ตามลำดับ) ซึ่งเป็นพื้นที่ที่ผู้สูงอายุจำเป็นต้องปรับปรุงให้พร้อม มีความปลอดภัยและมั่นคงรองรับการเคลื่อนไหวที่ต้องใช้ความระมัดระวัง ลดความเสี่ยงในการเกิดอุบัติเหตุที่ไม่คาดคิด พร้อมทั้งอำนวยความสะดวกในการดำเนินชีวิตประจำวัน

เคล็ด (ไม่) ลับเตรียมบ้านให้พร้อมรองรับวัยเกษียณ

“อารยสถาปัตย์ หรือ Universal Design” เป็นแนวคิดเรื่องการออกแบบสิ่งแวดล้อม การสร้างสถานที่ และสิ่งของต่าง ๆ เพื่อให้ทุกคนที่อยู่ในสังคมสามารถใช้ประโยชน์จากสิ่งเหล่านั้นได้อย่างเต็มที่และเท่าเทียมกัน ไม่ต้องมีการออกแบบดัดแปลงพิเศษเพื่อบุคคลกลุ่มหนึ่งกลุ่มใดโดยเฉพาะ คำนึงถึงการใช้งานที่ครอบคลุมสำหรับทุกคน โดยไม่จำกัดอายุ เพศ หรือลักษณะทางร่างกาย

ส่งผลให้หลัก Universal Design เป็นเทรนด์การออกแบบที่มีบทบาทสำคัญมากขึ้นในการออกแบบที่อยู่อาศัยในปัจจุบัน เพื่อให้สามารถรองรับการอยู่อาศัยของผู้บริโภคทุกช่วงวัยได้อย่างราบรื่นและปลอดภัย โดยเฉพาะในกลุ่มผู้สูงอายุ

นอกจากการซื้อบ้านในโครงการที่มาพร้อม Universal Design แล้ว ดีดีพร็อพเพอร์ตี้ (DDproperty) เผยแนวทางการออกแบบและปรับพื้นที่บ้านให้รองรับการอยู่อาศัยของผู้สูงวัย ภายใต้หลักที่ให้ความสำคัญกับการเพิ่มความปลอดภัย ลดความเสี่ยงในการเกิดอุบัติเหตุและปิดจุดบอดที่เป็นพื้นที่อันตราย ซึ่งจะช่วยส่งเสริมให้ผู้สูงอายุสามารถทำกิจกรรมต่าง ๆ ได้อย่างมั่นใจด้วยตัวเอง โดยมี 5 พื้นที่สำคัญที่ควรปรับเพื่อรองรับบ้านผู้สูงอายุ ดังนี้

  • ห้องนั่งเล่น เป็นพื้นที่ที่ผู้สูงอายุใช้เวลาในการทำกิจกรรมระหว่างวันไม่น้อย พื้นที่ในห้องนี้จึงควรออกแบบให้มีความปลอดโปร่งและอากาศถ่ายเทได้สะดวกตลอดทั้งวัน จัดวางต้นไม้เพื่อเพิ่มความสดชื่นในห้อง หรือติดตั้งเครื่องฟอกอากาศเพื่อสร้างอากาศบริสุทธิ์และสะอาดตลอดทั้งวัน โดยควรเลือกเฟอร์นิเจอร์ที่มีฟังก์ชั่นไม่ซับซ้อน สะดวกในการใช้งาน และมีขนาดที่เหมาะสม ไม่ใหญ่เกินไปจนเกะกะและทำให้ห้องดูอึดอัด ควรเน้นการจัดวางเฟอร์นิเจอร์ให้ชิดผนังเพื่อให้มีพื้นที่โล่งมากที่สุด ไม่ควรมีของวางเกะกะตามพื้นเพื่อให้ผู้สูงอายุเดินได้สะดวกและป้องกันการสะดุดล้ม รวมทั้งรองรับการใช้งานรถเข็นได้สะดวก

นอกจากนี้ ควรจัดวางของใช้ประจำวัน งานอดิเรก รวมทั้งของใช้จำเป็นหรือยาไว้ที่โต๊ะ ชั้นวาง หรือตู้ที่มีความสูงเหมาะสมและอยู่ในระยะที่ผู้สูงอายุสามารถเอื้อมถึงเองได้ โดยที่ไม่ต้องก้มต่ำเกินไปเมื่อต้องการหยิบใช้งาน การจัดสรรพื้นที่ให้รองรับไลฟ์สไตล์ประจำวันจะช่วยให้ผู้สูงอายุทำกิจวัตรต่าง ๆ ได้อย่างราบรื่น และเมื่อมีการพึ่งพาตนเองมากขึ้นก็จะช่วยเสริมสร้างความมั่นใจในการทำกิจกรรมต่าง ๆ ด้วยตนเองตามไปด้วย

  • ห้องนอน ส่วนสำคัญของบ้านที่ผู้สูงอายุใช้เวลาส่วนใหญ่เพื่อพักผ่อน โดยห้องนอนสำหรับผู้สูงอายุควรอยู่ชั้นล่างเพื่อลดการขึ้น-ลงบันได และอยู่ในบริเวณที่มีความสงบ มีความเป็นส่วนตัว และมีอากาศถ่ายเทได้สะดวก โดยควรออกแบบให้ครอบคลุมการอยู่อาศัย เช่น
    • ควรปูพื้นด้วยวัสดุลดแรงกระแทกและไม่ควรมีพื้นที่ต่างระดับ เพื่อป้องกันการสะดุดและหกล้ม
    • เตียงนอนต้องมีขนาดที่เหมาะสมกับผู้สูงอายุ ปรับระดับความสูงได้ มีราวจับข้างเตียง ฟูกที่นอนไม่แข็งหรือนิ่มเกินไป พร้อมพื้นที่บริเวณข้างเตียง 90-100 เซนติเมตร เพื่อรองรับการใช้งานรถเข็น หรือบุตรหลานสามารถเข้าไปช่วยดูแลได
    • ติดตั้งราวจับบริเวณที่มีการลุกนั่ง และมีไฟส่องสว่างอัจฉริยะที่สามารถเปิด-ปิดอัตโนมัติที่ตรวจจับการเคลื่อนไหวเพื่อนำทางจากเตียงนอนไปกลับห้องน้ำ หรือเลือกใช้ไฟที่เปิด-ปิดได้ด้วยรีโมท
    • มีโต๊ะข้างเตียงที่หยิบของได้สะดวก โดยเฟอร์นิเจอร์อย่างตู้เสื้อผ้าหรือชั้นวางของควรมีระดับความสูงที่เหมาะสมกับผู้สูงอายุ ไม่อยู่สูงจนเกินไปเมื่อต้องใช้งาน
    • ไม่ควรมีธรณีประตูเพื่อป้องกันการสะดุด เลือกประตูแบบบานเลื่อนเปิด-ปิด ที่มีระบบรางแขวนด้านบนตัวล็อกที่ใช้งานง่าย ใช้แรงน้อย รองรับการเข้าออกของรถเข็นได้สะดวก
    • ห้องน้ำ เป็นอีกหนึ่งห้องที่ควรให้ความสำคัญ เนื่องจากเป็นพื้นที่ที่มีความเสี่ยงต่อการลื่นล้มสูง นอกจากขนาดของห้องน้ำที่ควรกว้างอย่างน้อย 200 เซนติเมตร เพื่อรองรับการใช้รถเข็นแล้ว ควรมีการแบ่งพื้นที่โซนห้องน้ำเพื่อความปลอดภัยในการใช้งาน
      • พื้นที่โซนแห้ง เลือกใช้อ่างล้างหน้าแบบแขวนผนังที่สามารถรองรับน้ำหนักการเท้าแขนของผู้สูงอายุ หรือเลือกอ่างแบบฝังครึ่งเคาน์เตอร์เพื่อให้มีพื้นที่ใต้อ่างสะดวกต่อการใช้งานรถเข็น โดยก๊อกน้ำควรเป็นแบบก้านโยกหรือก้านปัด ส่วนโถสุขภัณฑ์ควรเป็นแบบนั่งราบ มีระดับความสูงที่เหมาะสม และติดตั้งราวจับบริเวณข้างโถสุขภัณฑ์เพื่อช่วยให้ลุกนั่งได้ง่าย
      • พื้นที่โซนเปียก บริเวณที่นั่งอาบน้ำต้องมีความแข็งแรง ขนาดและความสูงเหมาะกับผู้สูงอายุ และติดตั้งราวจับเพื่อช่วยในการลุกนั่ง โดยฝักบัวควรติดตั้งอยู่บริเวณด้านข้างของที่นั่ง เลือกใช้ฝักบัวที่ปรับระดับความสูงได้และเลือกใช้วาล์วเปิด-ปิดน้ำที่คุมอุณหภูมิได้ ที่สำคัญควรใช้กระเบื้องปูพื้นที่มีค่าความฝืดตั้งแต่ R10 ขึ้นไป หรือใช้น้ำยาทากันลื่นมาช่วยเคลือบหน้ากระเบื้องเพื่อป้องกันการลื่นล้มเมื่อพื้นเปียก
      • พื้นที่ขึ้นลงบันได หากห้องนอนผู้สูงอายุอยู่ชั้นบน หรือมีเหตุจำเป็นต้องขึ้นไปชั้นบนของบ้านอาจทำให้ปวดเข่าเวลาขึ้น-ลงบันได หรือมีโอกาสที่อาจจะสะดุดพลัดตกจากบันไดได้ ดังนั้น จึงควรปรับบันไดภายในและภายนอกบ้านให้มีความกว้างที่เหมาะสม ลูกตั้งบันไดสูงไม่เกิน 15 เซนติเมตร ลูกนอนกว้างอย่างน้อย 30 เซนติเมตร

จมูกบันไดควรมีสีแตกต่างจากพื้นผิวของบันไดเพื่อให้สังเกตเห็นความแตกต่างของบันไดได้ชัดเจน ควรมีราวบันไดทั้ง 2 ข้างในระยะ 80 เซนติเมตรจากพื้น และมีแสงสว่างให้เพียงพอ นอกจากนี้ยังแนะนำให้ติดตั้ง “ลิฟต์บันได” เพื่อช่วยอำนวยความสะดวกให้กับผู้สูงอายุในการขึ้นลงชั้นบนโดยไม่ต้องเดินเอง

  • สวนและภูมิทัศน์รอบบ้าน อีกหนึ่งพื้นที่ที่ผู้สูงอายุนิยมใช้ในการพักผ่อนหย่อนใจ และทำสวนปลูกต้นไม้เป็นงานอดิเรกในยามว่าง จึงควรปรับพื้นที่ให้ร่มรื่น และเป็นระเบียบ
    • ทางเข้าบ้านและบริเวณสวนควรทำให้เป็นพื้นทางเดินเรียบ ไม่ขรุขระ และไม่ปูพื้นทางเดินด้วยหินที่อาจทำให้เสียการทรงตัวและมีโอกาสลื่นได้ หากพื้นที่สวนมีบริเวณกว้าง ควรมีที่นั่งสำหรับชมธรรมชาติเป็นระยะ โดยที่นั่งพักควรมีราวจับหรือเท้าแขน เพื่อช่วยในการพยุงตัวลุกได้สะดวก
    • ในกรณีที่มีทางลาดเข้าบ้าน ควรมีความชันไม่เกิน 1:12 มีพื้นที่ว่างหน้าทางลาดไม่น้อยกว่า 150 เซนติเมตร มีขอบกั้นและราวจับตลอดแนวทางลาด ใช้วัสดุพื้นผิวไม่ลื่น หรือติดเทปกันลื่นเพิ่มเพื่อช่วยให้รองเท้าสามารถยึดเกาะพื้นได้ดีขึ้น สำหรับความกว้างทางเดินควรกว้างอย่างน้อย 90 เซนติเมตรเพื่อรองรับการใช้รถเข็น
    • หากผู้สูงอายุชอบการทำสวน ควรเลือกการปลูกในกระบะที่ระยะความสูงประมาณ 60-80 เซนติเมตร หรือปลูกต้นไม้แบบสวนแนวตั้ง เพื่อลดการก้มเงยหรือลุกนั่งบ่อย ๆ ที่อาจจะทำให้ปวดหลัง หรือก่อให้เกิดอาการหน้ามืดและหกล้มได้

เพิ่มโอกาสในการเป็นเจ้าของที่อยู่อาศัยของผู้สูงวัยด้วย “Reverse mortgage”
อย่างไรก็ดี ผู้สูงอายุยังคงมีความท้าทายเมื่อยื่นขอสินเชื่อเพื่อซื้อที่อยู่อาศัยเช่นกัน โดยพบว่าอุปสรรคสำคัญในการขอสินเชื่อบ้านมาจากรายได้และอาชีพที่ไม่มั่นคง 75% เนื่องจากอาจจะไม่ได้ทำงานประจำที่มีรายได้แน่นอนแล้ว ตามมาด้วยมีเงินดาวน์ไม่พอ 63% และขาดเอกสารประกอบในการยื่นกู้ 38% ด้วยเหตุนี้ “Reverse Mortgage หรือสินเชื่อบ้านสำหรับผู้สูงอายุ” จึงเป็นอีกทางเลือกที่น่าสนใจในการช่วยให้ผู้สูงวัยมีโอกาสเป็นเจ้าของที่อยู่อาศัยได้ง่ายขึ้น รูปแบบการจำนองจะเหมือนการทยอยขายบ้านให้กับธนาคาร โดยผู้สูงวัยยังคงมีที่อยู่อาศัยในบั้นปลายชีวิตและได้รับรายได้แบบรายเดือน

โดยผู้สูงอายุสัญชาติไทยอายุ 60 ปีขึ้นไป แต่ไม่เกิน 80 ปี สามารถนำบ้าน/คอนโดฯ ที่ถือครองกรรมสิทธิ์อยู่มาจำนองไว้กับธนาคาร จากนั้นธนาคารจะตีมูลค่าบ้านพร้อมกับประเมินอายุเฉลี่ยของผู้กู้และทยอยจ่ายเงินค่าบ้านให้ผู้กู้เป็นรายเดือน ตัดปัญหาค่าใช้จ่ายในวัยเกษียณ โดยที่ผู้กู้ยังเป็นเจ้าของกรรมสิทธิ์บ้านหลังนั้นและสามารถอาศัยอยู่ในบ้านได้จนกระทั่งเสียชีวิตหรือตัดสินใจขายบ้านไปก่อน เมื่อครบกำหนดตามสัญญาแล้ว บ้าน/คอนโดฯ นั้นจะตกเป็นกรรมสิทธิ์ของธนาคาร ซึ่งธนาคารสามารถนำไปขายทอดตลาดได้

Reverse Mortgage นับว่าเป็นอีกทางเลือกน่าสนใจที่ช่วยลดความกังวลของผู้สูงอายุที่ต้องการมีบ้านเพื่ออยู่อาศัยในวัยเกษียณ โดยไม่ต้องกังวลเรื่องค่าครองชีพในอนาคต ทั้งนี้ แพลตฟอร์มอสังหาริมทรัพย์อันดับ 1 ของไทย อย่างดีดีพร็อพเพอร์ตี้ (www.ddproperty.com) ได้รวบรวมข่าวสารและบทความน่ารู้ในแวดวงอสังหาฯ ที่เป็นประโยชน์กับผู้บริโภคทุกช่วงวัยที่กำลังมองหาที่อยู่อาศัยที่ตอบโจทย์ มาพร้อมข้อมูลประกาศซื้อ/ขาย/ให้เช่า รวมทั้งรีวิวโครงการอสังหาฯ ที่น่าสนใจในหลากหลายทำเลทั่วประเทศ ช่วยให้ทุกคนเตรียมความพร้อมก่อนตัดสินใจเลือกที่อยู่อาศัยได้อย่างมั่นใจยิ่งขึ้น

Generating AI May Be Easier Than You Think

การสร้าง AI อาจง่ายกว่าที่คิด

Generating AI May Be Easier Than You Think

AI combined with serverless cloud computing is the way forward.

Article by Dr Li Feifei, President of Database Products Business, Alibaba Cloud
Article by Dr Li Feifei, President of Database Products Business, Alibaba Cloud

Since ChatGPT first caught the public’s attention late last year, almost every organisation has been getting into or creating some form of generative AI. More recently, we have seen conversations maturing to discussions on how exactly we can make AI work, especially given the high cost and complexity it requires to live up to the expectations that the hype has generated.

Let’s take a step back first to examine how we arrive at AI. AI is promising because it can be wise. It spots things we may miss or even disregard because it has more capacity and consistency. But fundamentally, data is the foundation for AI.

That means we need to ensure data is properly processed and protected. It is the lifeblood of not just the entire IT infrastructure, but also the basis of all innovation that comes from real humans or artificial intelligence. As part of the underlying infrastructure that powers generative AI, databases have evolved to cater to the demands of corporations in the generative AI era. How effective your AI is boils down to how you are managing data using the right database.

Common Database Models

There’s a type of database called Online Transaction Processing (OLTP), which supports online transaction processing. This basically enables businesses to transact concurrently – for example in online banking, shopping, and so on – and as data accumulates in the database, you can derive value out of the data pool.

We also have On-Line Analytical Processing (OLAP) – which enables organisations to do fast, interactive, and powerful analytics from the data because it helps consolidate data from multiple sources beyond just the transactional ones.

For example, a retailer can combine data in its inventory and what it has in stock with another dataset of what customers are buying to provide intelligence on the need to increase production of a particular item over another due to higher demand.

Another database model family called NoSQL is popular because it helps sort unstructured data unlike the two above.

An emerging database model for AI

But in the emerging age of AI, we expect the vector database model to be the most transformative.

A vector database is used to handle ‘‘intelligent workloads’’ with large language models for embedding and storing those millions of high-dimensional vectors – think of unstructured data such as documents, images, audio recordings, videos and so on which is on track to account for over 80 percent of all data worldwide by 2050 – to enable the semantics expected of AI, that is understanding the underlying context and nuances rather than just the meaning.

AI is ultimately about making sense of the data, and you can’t make sense without using a vector database. It is a key requirement to increase the industry-specific knowledge of large language models, which is one of the largest constraints facing generative AI models.

Alibaba Cloud has enhanced its full range of database solutions – including cloud-native database PolarDB, cloud-native data warehouse AnalyticDB, and cloud-native multi-model database Lindorm – with its proprietary vector engine. Enterprises can now input sector-specific knowledge into their vector databases, enabling them to build and launch generative AI applications.

Let’s use an actual business case to illustrate the power of a vector database.

One of Alibaba Cloud’s customers – a major online gaming company from Southeast Asia – is using Alibaba Cloud’s database solutions to create intelligent Non-Player Characters (NPCs) that can engage a lot more authentically with human players because they are not “reading” a scripted set of lines, but reacting based on real-time understanding of what players are communicating.

Dollars and sense

The promise of AI is not just limited to gaming or even making sense of unstructured data.

AI can manage the database itself. For example, when storage is running low, AI can alert system administrators to watch out for storage requirements and ask if there is a need to extend storage space. AI can automatically scale the storage space if permission is given. The same functionality can be applied to CPU capacity, memory capacity, and other functions.

This capability is handy given the move towards serverless cloud computing. As the name suggests, serverless means that there is no longer a need to worry about servers behind the service you’re using.

In the past when one purchased a cloud service product, a provision had to be made for a set of servers.  For example, four cores and eight gigabytes of memory came with a cost. When one provisions a server that has more capacity than the actual workloads require, it ends up wasting server resources.

Serverless computing is designed to address this challenge and ensure that the server capacity used by the cloud service precisely matches the needs of the workloads. It adapts to the dynamic change in the workloads. However, if workloads are changing dynamically over time, then the serverless way might end up costing you more.

The best of both worlds

By combining AI with serverless cloud computing, we are getting the best of both worlds. That’s why Alibaba Cloud has also made its key AI-driven database products serverless. Customers pay only for the number of resources required and AI is there to guide and augment decision-making capabilities in dealing with sudden peaks in demand or a very dynamic workload.

How you make AI work for you by working with the right databases will determine whether your organisation rides this AI trend towards success or is left behind.

การสร้าง AI อาจง่ายกว่าที่คิด

การสร้าง AI อาจง่ายกว่าที่คิด

การสร้าง AI อาจง่ายกว่าที่คิด

ใช้ AI ร่วมกับการประมวลผลคลาวด์แบบไร้เซิร์ฟเวอร์ คือวิธีสู่ความสำเร็จ

ดร. หลี่ เฟยเฟย ประธานฝ่ายธุรกิจผลิตภัณฑ์ด้านดาต้าเบส อาลีบาบา คลาวด์
ดร. หลี่ เฟยเฟย ประธานฝ่ายธุรกิจผลิตภัณฑ์ด้านดาต้าเบส อาลีบาบา คลาวด์

ChatGPT ได้รับความสนใจจากสาธารณชนครั้งแรกเมื่อปลายปีที่ผ่านมา องค์กรเกือบทุกแห่งได้ใช้หรือสร้าง generative AI ในรูปแบบใดรูปแบบหนึ่ง และเมื่อเร็ว ๆ นี้ เราได้เห็นบทสนทนาที่นำไปสู่การแลกเปลี่ยนความเห็นกันว่าจะใช้ AI ให้มีประสิทธิภาพได้อย่างไรกันแน่ โดยเฉพาะเมื่อจะดำเนินการให้เป็นไปตามความคาดหวังต่าง ๆ ที่เกิดจากกระแสความคาดหวังที่เกินจริงที่ต้องแลกมาด้วยค่าใช้จ่ายและความซับซ้อนจำนวนมาก

เรามองย้อนกลับไปเพื่อพิจารณาอีกครั้งว่า AI เริ่มมีความสำคัญได้อย่างไร AI มีแนวโน้มเติบโตอาจเป็นเพราะความฉลาดของมันก็ได้ AI ตรวจพบสิ่งที่เราอาจผิดพลาดหรือละเลยได้เพราะมันมีความสามารถที่จะรองรับสิ่งต่าง ๆ และมีความสม่ำเสมอมากกว่า แต่โดยพื้นฐานแล้ว ข้อมูล คือรากฐานของการทำงานของ AI

ดังนั้นองค์กรต้องมั่นใจว่าข้อมูลได้รับการประมวลผลและปกป้องอย่างเหมาะสม ข้อมูลเป็นเส้นเลือดใหญ่หล่อเลี้ยงไม่เพียงแต่โครงสร้างพื้นฐานไอทีทั้งหมดเท่านั้น แต่ยังเป็นฐานให้กับนวัตกรรมทั้งหมดที่มนุษย์หรือ AI สร้างสรรค์ ฐานข้อมูลในฐานะที่เป็นส่วนหนึ่งของโครงสร้างพื้นฐานหลักที่ขับเคลื่อน generative AI ได้มีการพัฒนาเพื่อตอบความต้องการต่าง ๆ ในยุค generative AI ให้กับองค์กรต่าง ๆ ทั้งนี้ AI ขององค์กรจะมีประสิทธิภาพเพียงใดนั้นขึ้นอยู่กับวิธีการที่องค์กรบริหารจัดการข้อมูลโดยใช้ฐานข้อมูลได้ถูกต้องเพียงใด

โมเดลฐานข้อมูลที่ใช้ทั่วไป

มีฐานข้อมูลประเภทหนึ่งเรียกว่า Online Transaction Processing (OLTP) ซึ่งรองรับการประมวลผลธุรกรรมออนไลน์ ช่วยให้ธุรกิจทำธุรกรรมพร้อม ๆ กันได้ เช่น ทำธุรกรรมธนาคารทางออนไลน์, ช้อปปิ้ง และทำธุรกรรมออนไลน์อื่น ๆ ไปด้วย และ องค์กรจะได้รับคุณประโยชน์จากพื้นที่เก็บข้อมูลส่วนกลาง (data pool) จากการที่ข้อมูลเหล่านี้สะสมอยู่ในฐานข้อมูล

นอกจากนี้ยังมี On-Line Analytical Procession (OLAP) ซึ่งช่วยให้องค์กรวิเคราะห์ข้อมูลที่อยู่ในฐานข้อมูลได้อย่างทรงประสิทธิภาพ รวดเร็ว โต้ตอบได้ ผ่านความสามารถที่นอกจากจะรวบรวมข้อมูลธุรกรรมแล้ว ยังสามารถรวบรวมข้อมูลจากแหล่งต่าง ๆ ได้หลายแห่ง

ตัวอย่าง ผู้ค้าปลีกสามารถรวมข้อมูลด้านสินค้าคงคลังและสิ่งที่มีอยู่ในสต็อก เข้ากับชุดข้อมูลอีกชุดหนึ่งซึ่งเป็นข้อมูลว่าลูกค้ากำลังซื้อหาสินค้าใดอยู่ เพื่อให้ได้ข้อมูลที่ชาญฉลาดว่าต้องเพิ่มการผลิตสินค้าชิ้นใดชิ้นหนึ่งมากกว่าชิ้นอื่นเพราะสินค้านั้นขายดีมากขึ้น

โมเดลฐานข้อมูลอื่นอีกตระกูลหนึ่งที่เรียกว่า NoSQL ได้รับความนิยมเช่นกัน เพราะช่วยจัดเรียงข้อมูลที่ไม่มีโครงสร้าง ซึ่งเป็นความสามารถที่ต่างจากสองโมเดลที่กล่าวมาข้างต้น

โมเดลฐานข้อมูลที่เกิดขึ้นใหม่เพื่อใช้กับ AI

เมื่อ AI เกิดขึ้น ทุกคนคาดว่าโมเดลฐานข้อมูลเวกเตอร์ (vector database) จะมีการเปลี่ยนโฉมมากที่สุด

ฐานข้อมูลเวกเตอร์ ถูกนำมาใช้เพื่อรับมือกับ “เวิร์กโหลดอัจฉริยะ” ด้วยโมเดลภาษาขนาดใหญ่ (LLM) สำหรับการฝังและเก็บ high-dimensional vectors นับล้านเหล่านั้น เพื่อให้สามารถเข้าใจความหมายที่คาดหวังจาก AI ที่ไม่เพียงเข้าใจความหมาย แต่ยังเข้าใจบริบทและความต่างที่ซ่อนอยู่ด้วย เช่น ข้อมูลที่ไม่มีโครงสร้างต่าง ๆ เช่น เอกสาร รูปภาพ การบันทึกเสียง วิดีโอ และอื่น ๆ ซึ่งคาดว่าจะมีสัดส่วนมากกว่า 80 เปอร์เซ็นต์ของข้อมูลทั้งหมดทั่วโลกภายในปี 2593 

ในท้ายที่สุด AI ก็เป็นเรื่องเกี่ยวกับการทำความเข้าใจข้อมูล และจะไม่สามารถทำได้โดยไม่ใช้ฐานข้อมูลเวกเตอร์ ดังนั้นจึงเป็นเรื่องสำคัญมากที่ต้องเพิ่มความรู้ด้านโมเดลภาษาขนาดใหญ่ที่เฉพาะกับแต่ละอุตสาหกรรม ซึ่งนับเป็นหนึ่งในข้อจำกัดที่สำคัญที่สุดที่โมเดล generative AI ต้องเผชิญ

อาลีบาบา คลาวด์ เพิ่มประสิทธิภาพให้โซลูชันด้านฐานข้อมูลของบริษัทฯ อย่างเต็มรูปแบบด้วยเวกเตอร์เอนจิ้นที่เป็นกรรมสิทธิ์ของบริษัทฯ โซลูชันด้านฐานข้อมูลของบริษัทฯ เช่น PolarDB (ฐานข้อมูลแบบคลาวด์-เนทีฟ), AnalyticDB (ดาต้าแวร์เฮ้าส์แบบคลาวด์-เนทีฟ) และ Lindorm (ฐานข้อมูลมัลติ-โมเดลแบบคลาวด์-เนทีฟ) ทำให้ในปัจจุบัน องค์กรต่าง ๆ สามารถป้อนข้อมูลความรู้ที่เจาะจงในแต่ละอุตสาหกรรมเข้าไปยังฐานข้อมูลเวกเตอร์ของตนได้ ช่วยให้สร้างและเปิดตัวแอปพลิเคชัน generative AI ได้

ตัวอย่างสถานการณ์จริงทางธุรกิจที่แสดงให้เห็นถึงประสิทธิภาพของฐานข้อมูลเวกเตอร์

ลูกค้ารายหนึ่งของอาลีบาบา คลาวด์ ซึ่งเป็นบริษัทด้านเกมออนไลน์รายใหญ่จากเอเชียตะวันออกเฉียงใต้ ใช้โซลูชันฐานข้อมูลของอาลีบาบา คลาวด์ สร้างตัวละครอัจฉริยะที่ผู้เล่นไม่ได้เป็นผู้ควบคุม (Non-Player Characters: NPCs) ให้สามารถมีส่วนร่วมกับผู้เล่นที่เป็นมนุษย์ได้อย่างแท้จริงมากขึ้น จากการที่ NPCs เหล่านี้ไม่ได้ “อ่าน” สคริปต์เป็นตอน ๆ แต่ตอบสนองสิ่งที่ผู้เล่นที่เป็นมนุษย์สื่อสารตามความเข้าใจแบบเรียลไทม์

คุ้มค่าการลงทุน

สมรรถนะของ AI ไม่ได้จำกัดอยู่ที่อุตสาหกรรมเกมหรือแม้แต่การทำความเข้าใจข้อมูลที่ไม่มีโครงสร้างเท่านั้น

AI สามารถจัดการฐานข้อมูลได้ด้วยตัวเอง เช่น เมื่อพื้นที่จัดเก็บข้อมูลเหลือน้อย AI สามารถแจ้งเตือนไปยังผู้ดูแลระบบให้ระวังเรื่องข้อกำหนดในการจัดเก็บข้อมูล และถามว่าจำเป็นต้องขยายพื้นที่จัดเก็บข้อมูลหรือไม่ AI สามารถปรับขนาดพื้นที่จัดเก็บได้อัตโนมัติหากได้รับอนุญาตไว้ ฟังก์ชันเดียวกันนี้สามารถใช้กับขีดความสามารถของ CPU หน่วยความจำ และฟังก์ชันอื่น ๆ ได้

ความสามารถนี้มีประโยชน์ต่อการใช้การประมวลผลคลาวด์แบบไร้เซิร์ฟเวอร์ ไร้เซิร์ฟเวอร์หมายถึงไม่ต้องกังวลเรื่องเซิร์ฟเวอร์ที่อยู่เบื้องหลังบริการที่องค์กรใช้อีกต่อไป

ในอดีต เมื่อมีการซื้อบริการคลาวด์ จำเป็นต้องระบุจำนวนเซิร์ฟเวอร์ที่ต้องการใช้งาน เช่น เซิร์ฟเวอร์ที่มี 4 คอร์ และหน่วยความจำ 8 กิกะไบต์ จะมีค่าใช้จ่ายที่สูง การจัดสรรเซิร์ฟเวอร์ที่มีประสิทธิภาพเกินความต้องการใช้งานจริง ย่อมส่งผลให้เกิดการสูญเปล่าของทรัพยากรเซิร์ฟเวอร์

การประมวลผลแบบไร้เซิร์ฟเวอร์ได้รับการออกแบบมาเพื่อแก้ความท้าทายนี้และเพื่อให้มั่นใจว่าความจุของเซิร์ฟเวอร์ที่บริการคลาวด์นั้นใช้ตรงกับความต้องการของเวิร์กโหลดอย่างแม่นยำ และปรับให้เข้ากับการเปลี่ยนแปลงอย่างไดนามิกของเวิร์กโหลดได้ อย่างไรก็ตาม เมื่อเวลาผ่านไป หากเวิร์กโหลดเปลี่ยนแปลงแบบไดนามิก วิธีการแบบไร้เซิร์ฟเวอร์อาจทำให้ต้องเสียค่าใช้จ่ายมากขึ้น

สิ่งที่ดีที่สุดสำหรับทั้งสองโลก

เราจะได้รับประสิทธิภาพที่ดีที่สุดของทั้งสองโลก ด้วยการรวม AI กับการประมวลผลคลาวด์แบบไร้เซิร์ฟเวอร์ และนั่นคือเหตุผลที่อาลีบาบา คลาวด์ ใช้สร้างผลิตภัณฑ์ฐานข้อมูลแบบไร้เซิร์ฟเวอร์ที่ขับเคลื่อนด้วย AI ซึ่งลูกค้าจ่ายเท่าจำนวนทรัพยากรที่ต้องการเท่านั้น และ AI ก็พร้อมให้คำแนะนำและเพิ่มความสามารถในการตัดสินใจในการจัดการความต้องการที่เกิดขึ้นกระทันหันหรือเวิร์กโหลดที่ไดนามิกมาก ๆ

วิธีการที่ใช้ AI ทำงานให้ โดยการทำงานกับฐานข้อมูลที่เหมาะสมอย่างไรนั้น เป็นตัวกำหนดว่าองค์กรจะขับเคลื่อนเทรนด์ด้าน AI สู่ความสำเร็จหรือถูกทิ้งไว้ข้างหลัง

How the telco ecosystem can make a more meaningful, measurable impact on sustainability

ผลกระทบของระบบนิเวศด้านโทรคมนาคม ที่วัดผลได้และมีความหมายต่อความยั่งยืน

How the telco ecosystem can make a more meaningful, measurable impact on sustainability

Article by Rimma Iontel, Chief Architect, Red Hat
Article by Rimma Iontel, Chief Architect, Red Hat

It would be great if we could flip a switch on the networks that currently consume about 3% of the world’s power and emit roughly 2% of the world’s greenhouse gasses to make them more sustainable. And I’m sure any telecommunications service provider would want to reduce their network operating costs by being more energy efficient. But achieving sustainability goals is a complex and layered problem, and one that requires an entire ecosystem to work together to reduce the telecommunication industry’s carbon dioxide footprint. 

Many service providers are looking to advanced data analytics powered by artificial intelligence (AI) to drive better outcomes. However, AI can only be as good as the data we feed it, and collecting enough accurate data in areas like traffic patterns and energy consumption across both traditional, cloud and multi-vendor networks is a challenge still to be solved. There is also the challenge of converting AI recommendations into real time manipulation of the network and associated workflows, by means of massive automation. On top of that, AI itself can be a significant contributor to power consumption so we need to be very deliberate in its use for network power optimization. 

Even today, many sustainability projects are implemented in isolation, focusing on individual network domains or challenges and this approach has shown its limitations. In order to maximize the impact of energy efficient strategies, a more holistic approach is required across network domains by leveraging open platforms that use advanced data analytics, AI and automation. I want to use this post to outline some of the building blocks of a unified approach, highlighting some combined efforts Red Hat is actively working on with our partners.

Open 5G core infrastructure for maximized value and reduced power consumption

Red Hat, NEC and Intel have partnered together to deliver an open 5G core infrastructure that helps reduce the operational expenditure associated with power cost and consumption. Now, NEC can reduce commercial power consumption of NEC converged 5G user plane function (UPF) on Red Hat OpenShift by more than 30% with Intel® Infrastructure Power Manager for 5G Core. With Intel® Infrastructure Power Manager for 5G Core, every processor core has the right power at the right time to keep emissions and costs to a minimum. Learn more about how Red Hat, NEC and Intel are working together to contribute to sustainability and power reduction for 5G networks.

Sustainable call processing and packet continuity with greater power

Last year, we showcased a collaboration between Red Hat and Arm to deliver more energy efficient 5G and vRAN solutions fueled by Red Hat open source technologies and Arm® compute platforms.

More recently, in collaboration with NEC, Arm and Qualcomm Technologies, Inc., we have successfully demonstrated end-to-end operation of NEC’s open virtualized radio access network (vRAN) and 5G core products using Qualcomm® X100 5G RAN Accelerator Cards and Arm Neoverse™-based CPUs on Red Hat OpenShift in a commercially equivalent environment. By integrating our technologies, we’ve been able to successfully demonstrate sustainable call processing and packet continuity with enhanced power and space savings with the potential to significantly reduce the total cost of ownership for service provider RAN deployments.

Using Kepler and AI to monitor power usage

Model training and inference consume substantial amounts of energy at the level of containers, pods, namespaces. The open source project Kepler, or Kubernetes-based Efficient Power Level Exporter, captures power consumption metrics across a wide range of platforms to help system administrators and developers understand, optimize and plan power usage. The technology, which was co-founded by Red Hat and IBM Research and is used by Red Hat OpenShift for power monitoring, can capture energy consumption by both CPU and graphical processing unit (GPU), thus providing insight into compute utilization patterns of training and inference tasks and evidence for further tuning and optimization.

Kepler helps equip other open source projects and technologies with the data they need to better manage energy. An example is SusQL, an open source project used to track AI model training jobs in distributed environments, which uses Kepler metrics to aggregate power consumption of distributed training jobs, extending the power consumption insight into the cluster level. 

It also enables optimization model inference services, like those on Red Hat OpenShift AI, an MLOps platform for building, training, deploying, and monitoring AI-enabled applications on OpenShift., Together, power consumption can be monitored to derive energy usage patterns. These patterns can be correlated with system configuration and service provisioning to recommend optimal performance per watt configuration. With tools like Kepler integrated into Red Hat’s AI portfolio, we can help AI become more sustainable.

Energy efficient AI analysis at the edge

Red Hat is dedicated to our work within the IOWN Global Forum to help deliver smarter solutions for the future with sustainability in mind. Most recently, Red Hat, NTT, Fujitsu and NVIDIA were able to demonstrate an energy-efficient IOWN-based platform solution with NTT’s accelerated data pipeline for AI analysis services. Through optimizing AI inferencing at the edge for large scale video camera data analysis, we were able to realize a significant reduction in power usage by combining IOWN all-photonics network (APN) and data-centric infrastructure (DCI) with Red Hat OpenShift to deliver large-scale AI data analysis.

This collaboration demonstrates that it is possible to significantly reduce power consumption while maintaining low latency in the use case of video AI analysis at the edge. We found that even when a large number of cameras were connected, the latency required to aggregate and analyze the data with AI can be reduced by 60% as compared to latency with centralized clouds. By implementing container technology with Red Hat OpenShift, NTT is able to flexibly operate AI analysis processing with ease. This also proves that this solution can be widely applicable from video AI analysis in smart cities to similar scenarios with many distributed sensors.

Red Hat, Intel and Ericsson reduce network power consumption

Red Hat is collaborating with Intel and Ericsson to develop, integrate and deploy more sustainable cloud-native technologies that reduce energy costs and carbon emission of networks. There is a balance to strike in optimizing and reducing energy consumption while maintaining network performance. Red Hat, Intel and Ericsson are focusing initially on radio access networks (RANs) and have been able to demonstrate up to 20% savings in processing power consumption using 4th Gen Intel® Xeon® Scalable processors with vRAN boost. The solution has three pillars: hardware, including energy-efficient servers and accelerators; software, such as real-time dynamic scaling of CPU cores for the RAN distributed unit (DU) and centralized unit (CU) workloads; and automation: real-time, energy-aware automation that’s based on network utilization and traffic patterns. Watch this video to learn how Red Hat, Intel, and Ericsson are helping service providers build more sustainable cloud solutions.

Smart scaling for telco datacenters

Red Hat and Intracom Telecom are working to deliver a solution that optimizes OpenShift-based infrastructures (both on-prem and cloud-based), by proactively adjusting server workloads and strategically powering off underutilized servers to address idle power consumption, without compromising workload performance and stability. The number of worker nodes is dynamically scaled, based on real-time predictions of resource demand to ensure optimal infrastructure scalability and efficiency. This solution is well suited for converged telco data centers hosting 5G network functions (e.g. user plane function pods, control-plane pods) and associated services (AI pods, edge pods), as traffic load for these services fluctuates cyclically, following daily and weekly patterns. The smart scaling capability has demonstrated a potential to significantly reduce the average number of worker nodes, even in telco datacenters exhibiting mild load fluctuations within a day, thus delivering important energy and cost savings.

Collaboration can drive sustainable innovation

Red Hat brings to the table its experience in developing open source tools, capabilities and methodologies that make sustainability an integral part of the control and management of cloud-native architectures. We also bring our history of more consistent and open collaboration to galvanize a community of original equipment manufacturers (OEMs), independent software vendors (ISVs), customers and policymakers to promote industry-wide sustainability best practices. Data collection and analytics will be key for our customers to make the best decisions based on measuring the right things. Red Hat continues to look at enhancing observability capabilities in conjunction with AI platforms and massive automation to analyze data at scale and make in-time recommendations on actions to take. Together with our customers and partners, we can enable a holistic, data-driven, energy-saving approach across IT, network, edge, core, and cloud environments. 

ผลกระทบของระบบนิเวศด้านโทรคมนาคม ที่วัดผลได้และมีความหมายต่อความยั่งยืน

ผลกระทบของระบบนิเวศด้านโทรคมนาคม ที่วัดผลได้และมีความหมายต่อความยั่งยืน

ผลกระทบของระบบนิเวศด้านโทรคมนาคม ที่วัดผลได้และมีความหมายต่อความยั่งยืน

ริมมา ไออนเทล, หัวหน้าสถาปนิก, เร้ดแฮท
บทความโดยริมมา ไออนเทล, หัวหน้าสถาปนิก, เร้ดแฮท

โครงข่ายโทรคมนาคมปัจจุบันใช้พลังงานประมาณ 3% ของการใช้พลังงานทั้งโลก และปล่อยก๊าซเรือนกระจกประมาณ 2% ของการปล่อยก๊าซนี้ทั่วโลก แน่นอนว่าผู้ให้บริการโทรคมนาคมทุกแห่งต้องการลดต้นทุนการดำเนินงานด้านโครงข่ายของตนด้วยการประหยัดพลังงานให้มากขึ้น แต่การจะบรรลุเป้าหมายด้านความยั่งยืนได้นั้นเป็นเรื่องซับซ้อน มีความท้าทายทุกขั้นตอน และต้องการการทำงานร่วมกันของผู้ที่อยู่ในระบบนิเวศนี้ทั้งหมด

ผู้ให้บริการจำนวนมากกำลังมองหาแนวทางนำปัญญาประดิษฐ์ (AI) มาช่วยวิเคราะห์ข้อมูล อย่างไรก็ตาม AI อาจทำได้ดีเท่าข้อมูลที่เราป้อนเข้าไปเท่านั้น การรวบรวมข้อมูลที่แม่นยำมากพอในเรื่องต่าง ๆ เช่น รูปแบบการรับส่งข้อมูลและการใช้พลังงานทั้งบนระบบโครงข่ายแบบดั้งเดิม หรือที่อยู่บนคลาวด์และผู้จัดจำหน่ายหลายราย ยังคงเป็นความท้าทายที่ต้องการการแก้ไข รวมถึงการนำคำแนะนำต่าง ๆ จาก AI ไปปรับโครงข่ายและเวิร์กโฟลว์ที่เกี่ยวข้องให้เหมาะสมแบบเรียลไทม์ ด้วยเครื่องมืออัตโนมัติที่มีอยู่อย่างมากมาย และองค์กรจำเป็นต้องใช้แนวทางแบบองค์รวมร่วมกับโดเมนโครงข่ายทั้งหมดให้มากขึ้น ด้วยการใช้คุณประโยชน์ของโอเพ่นแพลตฟอร์มต่าง ๆ ที่ใช้การวิเคราะห์ข้อมูลขั้นสูง ใช้ AI และระบบอัตโนมัติ

โครงสร้างพื้นฐานหลัก 5G แบบเปิด (Open 5G) เพื่อเพิ่มมูลค่าและลดการใช้พลังงาน

Red Hat, NEC และ Intel ร่วมมือกันเพื่อให้บริการโครงสร้างพื้นฐานหลัก open 5G ที่ช่วยลดค่าใช้จ่ายในการดำเนินงานที่เกี่ยวข้องกับต้นทุนด้านพลังงานและการใช้พลังงาน ปัจจุบัน NEC สามารถลดการใช้พลังงานเชิงพาณิชย์ของฟังก์ชันส่วนข้อมูลผู้ใช้ (User Plane Function: UPF) แบบ converged 5G ของ NEC บน Red Hat OpenShift ได้มากกว่า 30% ด้วย Intel® Infrastructure Power Manager for 5G Core

ประมวลผลการโทรที่ยั่งยืนและความต่อเนื่องของแพ็คเก็ตที่ทรงพลังมากขึ้น

Red Hat, NEC, Arm และ Qualcomm Technologies, Inc. ประสบความสำเร็จในการร่วมมือกันสาธิตการทำงานแบบครบวงจรของโครงข่ายการเข้าถึงคลื่นวิทยุเสมือน (vRAN) แบบเปิด ของ NEC และผลิตภัณฑ์หลัก 5G ที่ใช้ Qualcomm® X100 5G RAN Accelerator Cards and Arm Neoverse™-based CPUs บน Red Hat OpenShift ในสภาพแวดล้อมที่เทียบเท่าการใช้งานเชิงพาณิชย์ ซึ่งแสดงให้เห็นถึงการประมวลผลการโทรที่ยั่งยืนและความต่อเนื่องของแพ็กเก็ต ผ่านการประหยัดพลังงานและพื้นที่ได้มากขึ้น ทั้งยังสามารถลดต้นทุนรวม (TCO) ในการใช้ RAN ของผู้ให้บริการได้อย่างมาก

ใช้ Kepler และ AI ตรวจติดตามการใช้พลังงาน

การเทรนด์ให้กับโมเดลและการอนุมานนั้น ต้องใช้พลังงานจำนวนมากที่ระดับคอนเทนเนอร์ พ็อด และเนมสเปซ Kepler ซึ่งเป็นโอเพ่นซอร์สโปรเจกต์ หรือ Efficient Power Level Exporter ที่ทำงานบน Kubernetes รวบรวมตัวชี้วัดด้านการใช้พลังงานจากทุกแพลตฟอร์ม เพื่อช่วยให้ผู้ดูแลระบบและนักพัฒนาซอฟต์แวร์เข้าใจ ปรับและวางแผนการใช้พลังงานได้อย่างเหมาะสม

นอกจากนี้ Red Hat OpenShift AI ซึ่งเป็นแพลตฟอร์ม MLOps ที่ใช้สร้าง เทรนด์ ปรับใช้ และติดตามการทำงานของแอปพลิเคชัน AI-enabled บน OpenShift ที่สามารถติดตามตรวจสอบการใช้พลังงานร่วมกันเพื่อให้ทราบถึงรูปแบบการใช้พลังงานต่าง ๆ ที่อาจสัมพันธ์กับการกำหนดค่าระบบและการเตรียมบริการเพื่อให้การแนะนำประสิทธิภาพที่เหมาะสมที่สุดต่อการกำหนดค่าวัตต์ ดังนั้นการผสานเครื่องมือต่าง ๆ เช่น Kepler เข้ากับพอร์ตโฟลิโอด้าน AI ของ Red Hat จึงช่วยให้การใช้ AI มีความยั่งยืนมากขึ้น

วิเคราะห์ AI ที่ edge อย่างประหยัดพลังงาน

Red Hat ทุ่มเททำงานให้กับ IOWN Global Forum โดยคำนึงถึงความยั่งยืน เพื่อช่วยมอบโซลูชันที่ชาญฉลาดมากขึ้นในอนาคต โดยล่าสุด Red Hat, NTT, Fujitsu และ NVIDIA ประสบความสำเร็จในการร่วมกันสาธิตแพลตฟอร์มโซลูชัน IOWN-based ที่ประหยัดพลังงานด้วยดาต้าไปป์ไลน์ที่เร่งความเร็วให้กับบริการวิเคราะห์ข้อมูลของ NTT ทั้งนี้การอนุมาน AI เพื่อการวิเคราะห์ข้อมูลกล้องวิดีโอขนาดใหญ่ที่เอดจ์ (edge) ที่มีประสิทธิภาพมากขึ้น ช่วยให้เราเข้าใจเรื่องของการลดการใช้พลังงานด้วยการรวม IOWN all-photonics network (APN) และโครงสร้างพื้นฐานที่ใช้ข้อมูลเป็นศูนย์กลาง (data-centric infrastructure: DCI) ไว้ด้วยกันกับ Red Hat OpenShift เพื่อให้บริการการวิเคราะห์ข้อมูล AI ขนาดใหญ่

การทำงานร่วมกันครั้งนี้ เราพบว่าแม้จะมีการเชื่อมต่อกล้องจำนวนมาก ลาเทนซีที่จำเป็นในการรวบรวมและวิเคราะห์ข้อมูลด้วย AI ลดลงได้ 60% เมื่อเทียบกับลาเทนซีของคลาวด์แบบรวมศูนย์ การใช้เทคโนโลยีคอนเทนเนอร์กับ Red Hat OpenShift ช่วยให้ NTT สามารถประมวลผลการวิเคราะห์ AI ได้อย่างยืดหยุ่นและไม่ยุ่งยาก ทั้งยังพิสูจน์ว่าสามารถนำโซลูชันนี้ไปใช้ในการวิเคราะห์วิดีโอ AI ได้อย่างกว้างขวาง ตั้งแต่เรื่องของเมืองอัจฉริยะ ไปจนถึงสถานการณ์ที่คล้ายคลึงกันต่าง ๆ ที่ได้จากเซ็นเซอร์จำนวนมากที่อยู่ตามสถานที่ต่าง ๆ

Red Hat, Intel และ Ericsson ลดการใช้พลังงานของโครงข่าย

Red Hat, Intel และ Ericsson ให้ความสำคัญเบื้องต้นกับโครงข่ายการเข้าถึงคลื่นวิทยุ (RANs) และสามารถสาธิตให้เห็นว่ามีการประหยัดพลังงานที่ใช้ในการประมวลผลได้ถึง 20% ด้วยการใช้โปรเซสเซอร์ 4th Gen Intel® Xeon® Scalable บวกกับแรงเสริมของ vRAN โซลูชันดังกล่าวนี้มีแกนหลักสามส่วน คือ 1)-ฮาร์ดแวร์ ซึ่งรวมถึงเซิร์ฟเวอร์และตัวเร่งความเร็วที่ประหยัดพลังงาน 2)-ซอฟต์แวร์ เช่นการสเกล CPU cores สำหรับเวิร์กโหลด RAN distributed unit (DU) และ centralized unit (CU) ได้แบบไดนามิกและเรียลไทม์ และ 3)-ระบบอัตโนมัติ เช่น ระบบอัตโนมัติที่ช่วยให้รู้สถานะการใช้พลังงานซึ่งอิงตามการใช้งานโครงข่ายและรูปแบบการรับส่งข้อมูลต่าง ๆ แบบเรียลไทม์

สเกลดาต้าเซ็นเตอร์ด้านโทรคมนาคมอย่างชาญฉลาด

Red Hat และ Intracom Telecom กำลังทำงานร่วมกันเพื่อให้บริการโซลูชันที่ปรับโครงสร้างพื้นฐานที่อยู่บน OpenShift ให้เหมาะสม (ทั้งระบบที่ติดตั้งในองค์กรและบนคลาวด์) ด้วยการปรับเวิร์กโหลดของเซิร์ฟเวอร์ในเชิงรุก และปิดเซิร์ฟเวอร์ที่ไม่ได้ใช้งานอย่างมีกลยุทธ์ เพื่อแก้ปัญหาการใช้พลังงานที่ไม่จำเป็นต้องใช้โดยไม่กระทบต่อประสิทธิภาพและความเสถียรของเวิร์กโหลด โซลูชันนี้เหมาะกับคอนเวิร์จดาต้าเซ็นเตอร์ด้านโทรคมนาคมที่โฮสต์ฟังก์ชันโครงข่าย 5G เป็นอย่างมาก (เช่น พ็อดฟังก์ชันของผู้ใช้, พ็อดควบคุมต่าง ๆ) และบริการที่เกี่ยวข้อง (AI pods, edge pods)

ร่วมมือกันเป็นแรงผลักดันให้เกิดนวัตกรรมที่ยั่งยืน

Red Hat นำประสบการณ์ด้านต่าง ๆ สู่การใช้ประโยชน์ในวงกว้าง เช่นประสบการณ์ด้านการพัฒนาเครื่องมือโอเพ่นซอร์สที่หลากหลาย, ความสามารถและวิธีการต่าง ๆ ที่ทำให้ความยั่งยืนเป็นส่วนประกอบสำคัญในการควบคุมและบริหารจัดการสถาปัตยกรรมคลาวด์-เนทีฟ Red Hat ยังคงมองหาการเพิ่มขีดความสามารถผ่านแพลตฟอร์ม AI และระบบอัตโนมัติขนาดใหญ่ เพื่อวิเคราะห์ข้อมูลตามขนาดและปริมาณที่ต้องการ ทั้งยังร่วมมือกับลูกค้าและพันธมิตร เพื่อนำเสนอแนวทางประหยัดพลังงานแบบองค์รวมที่ใช้ข้อมูลเป็นตัวขับเคลื่อนให้กับระบบไอที, โครงข่าย, เอดจ์, คอร์, และคลาวด์