Posted on

Blendata เปิดตัว Blendata Cloud บน Microsoft Azure Marketplace ยกระดับโซลูชัน Big Data ไทยสู่ระดับโลก

Blendata เปิดตัว Blendata Cloud บน Microsoft Azure Marketplace ยกระดับโซลูชัน Big Data ไทยสู่ระดับโลก

Blendata เปิดตัว Blendata Cloud บน Microsoft Azure Marketplace ยกระดับโซลูชัน Big Data ไทยสู่ระดับโลก

เบลนเดต้า (Blendata) บริษัทนวัตกรรมเทคโนโลยีคนไทยด้านบิ๊กดาต้าและแพลตฟอร์ม AI – hybrid big data ประกาศเปิดตัว “Blendata Cloud on Azure” บน Microsoft Azure Marketplace ร่วมกับไมโครซอฟท์ ประเทศไทย และ อินแกรม ไมโคร (ประเทศไทย) ตอบโจทย์ความต้องการ hybrid big data platform เพิ่มโอกาสเข้าถึงกลุ่มลูกค้า และตลาดที่กว้างขึ้นเพิ่มความเชื่อมั่นให้ลูกค้าในการใช้งานซอฟต์แวร์คุณภาพสูงที่พัฒนาโดยผู้ให้บริการภายในประเทศบนมาร์เก็ตเพลสที่ได้รับการยอมรับทั่วโลก เสริมศักยภาพให้ธุรกิจใช้พลังของบิ๊กดาต้าคว้าโอกาสเติบโตได้อย่างเต็มประสิทธิภาพ ด้วยค่าใช้จ่ายที่คุ้มค่า

ปัจจุบันธุรกิจไทยส่วนใหญ่มองเห็นประโยชน์ของการนำข้อมูลมหาศาลมาใช้ แต่ยังประสบปัญหาในการเริ่มต้น เนื่องจากโครงสร้างพื้นฐานที่ซับซ้อน ข้อมูลที่ไม่พร้อม และค่าใช้จ่ายที่สูงขึ้นเรื่อย ๆ คลาวด์เป็นหนึ่งในคำตอบสำหรับธุรกิจยุคดิจิทัล การศึกษาของการ์ทเนอร์ ชี้ให้เห็นว่า การลงทุนด้านคลาวด์ เช่น IaaS และ PaaS จะเป็นตัวขับเคลื่อนสำคัญในการยกระดับเทคโนโลยีของธุรกิจไทย AI และการวิเคราะห์ข้อมูลขนาดใหญ่เป็นเทรนด์หลักที่ผลักดันให้ตลาดคลาวด์เติบโตอย่างรวดเร็ว การใช้คลาวด์จะช่วยให้ธุรกิจทำงานได้อย่างรวดเร็ว ยืดหยุ่น และมีประสิทธิภาพ อย่างไรก็ดี data lakehouse คือเทคโนโลยีที่น่าสนใจนำมาใช้เพื่อวิเคราะห์ข้อมูล แต่ก็ยังเผชิญกับข้อจำกัดในการย้ายข้อมูลทั้งหมดขึ้นสู่คลาวด์

ผสานพลังทางเทคโนโลยีสร้าง Hybrid Big Data Platform

ความร่วมมือครั้งนี้เป็นการผสานจุดแข็งของ Blendata Cloud ซึ่งเป็นแพลตฟอร์ม data lakehouse เข้ากับแพลตฟอร์มคลาวด์ประสิทธิภาพสูงและยืดหยุ่นของ Microsoft Azure เพื่อยกระดับเป็นโซลูชัน hybrid big data platform ที่ตอบสนองต่อความต้องการขององค์กร ด้วยเทคโนโลยีด้านการประมวลผลและจัดการข้อมูลที่ล้ำสมัย มีการเชื่อมต่อระหว่างแพลตฟอร์มที่มีประสิทธิภาพและคุ้มค่าการลงทุน

Blendata Cloud สร้างขึ้นบนเทคโนโลยีสมัยใหม่ที่ได้รับความนิยมและเป็นมาตรฐานด้านข้อมูลเช่น Apache Spark โดยเป็นแพลตฟอร์มที่รวมศูนย์เทคโนโลยีการจัดเก็บ ประมวลผล และการวิเคราะห์ข้อมูลขนาดใหญ่ไว้ในที่เดียวกันในรูปแบบ low-code ได้รับการออกแบบเพื่อรองรับเวิร์กโหลดด้านการจัดการและการประมวลผลข้อมูลขนาดใหญ่ทุกรูปแบบ ตั้งแต่ข้อมูลที่มีโครงสร้าง (structured data) ไปจนถึงข้อมูลที่ไม่มีโครงสร้าง (unstructured data) เพื่อนำไปใช้ประโยชน์หลากหลาย ไม่ว่าจะเป็นการวิเคราะห์เชิงธุรกิจ (business intelligence) หรือการใช้งานร่วมกับเทคโนโลยีเกิดใหม่ เช่น AI

ซอฟต์แวร์ไทยจับมือพันธมิตรสู่เวทีระดับโลก

Microsoft Azure ผู้ให้บริการคลาวด์ระดับโลก และ อินแกรม ไมโคร (ประเทศไทย) ในฐานะตัวแทนจำหน่ายอย่างเป็นทางการของ Microsoft Azure ได้สนับสนุนในการเพิ่มขีดความสามารถให้กับแพลตฟอร์มของเบลนเดต้า ซึ่งเป็น ISV Success Partner อย่างเต็มที่ ช่วยให้การประมวลผลบิ๊กดาต้าเป็นไปอย่างรวดเร็วและมีประสิทธิภาพ นอกจากนี้ ยังรองรับการทำงานร่วมกับแมชชีนเลิร์นนิ่ง เพื่อพัฒนาและใช้งานโมเดล AI ได้อย่างไร้รอยต่อ ด้วยความสามารถในการรองรับข้อมูลแบบ multi-cloud และ on-premises ทำให้องค์กรสามารถจัดการข้อมูลได้อย่างยืดหยุ่นและปลอดภัย ช่วยให้ผู้ใช้งานแพลตฟอร์มของเบลนเดต้าสามารถเข้าถึงทรัพยากรและบริการของ Azure ได้อย่างเต็มรูปแบบ

นายณัฐนภัส รชตะวิวรรธน์ ประธานเจ้าหน้าที่บริหารและผู้ร่วมก่อตั้ง บริษัท เบลนเดต้า จำกัด กล่าวว่า “การร่วมมือกับ ไมโครซอฟท์ และ อินแกรม ไมโคร (ประเทศไทย) ซึ่งเป็นพันธมิตรสำคัญในการสร้างระบบนิเวศคลาวด์ที่แข็งแกร่ง และตอบความต้องการของธุรกิจในยุคดิจิทัลที่ไม่เพียงเพิ่มประสิทธิภาพและความยืดหยุ่นในการประมวลผลข้อมูลขนาดใหญ่เท่านั้น แต่ยังรวมถึงการที่ไมโครซอฟท์เห็นความสำคัญ และให้การสนับสนุนบริษัทพัฒนาโซลูชันระดับท้องถิ่นอย่างเต็มที่ ความแข็งแกร่งของระบบนิเวศของไมโครซอฟท์ ทำให้เบลนเดต้าสามารถเข้าถึงกลุ่มลูกค้าและตลาดที่ใหญ่ขึ้น พร้อมด้วยการสนับสนุนด้านเทคโนโลยี และการตลาดยังช่วยเพิ่มความเชื่อมั่นให้กับลูกค้าในการใช้งานผลิตภัณฑ์ที่พัฒนาโดยเบลนเดต้า”

นายธนวัฒน์ สุธรรมพันธุ์ กรรมการผู้จัดการใหญ่ ไมโครซอฟท์ ประเทศไทย กล่าวว่า “ไมโครซอฟท์ มุ่งมั่นสนับสนุนนักพัฒนาชาวไทยให้สามารถสร้างโอกาสเติบโตจากเทคโนโลยี AI และเข้าถึงลูกค้าของเราทั่วโลก ทั้งนี้ “Blendata Cloud on Azure” เป็นอีกหนึ่งความภูมิใจของเรา ด้วยโซลูชันวิเคราะห์ข้อมูลที่มีประสิทธิภาพและมอบความคุ้มค่าสูงสุด ตอบโจทย์ความต้องการองค์กรธุรกิจทั้งในไทยและต่างประเทศ สอดคล้องกับความตั้งใจจริงของเราที่ต้องการจะเสริมแกร่งให้ประเทศไทยจาก Made in Thailand เป็น Born in Thailand ส่งเสริมตลาดของผู้สร้างและผู้พัฒนา เพื่อการเติบโตอย่างยั่งยืนก้าวสู่เศรษฐกิจดิจิทัล
ในอนาคต”

Blendata Cloud บน Microsoft Azure Marketplace ครอบคลุมการให้บริการ ดังนี้

  • Blendata Cloud บน Microsoft Azure Marketplace: แพลตฟอร์มวิเคราะห์ข้อมูลขนาดใหญ่แบบ self-service ที่ยืดหยุ่นและปรับขนาดได้ตามความต้องการทางธุรกิจ
  • คิดค่าใช้จ่ายตามการใช้งานจริง (Pay-Per-Use) พร้อมฟังก์ชันด้านบิ๊กดาต้า และ advanced analytics ครบวงจร
  • รองรับการประมวลผลข้อมูลขนาดใหญ่ด้วยความเร็วสูง ด้วยรูปแบบที่ใช้งานง่ายเหมาะสำหรับทีมเทคนิคและทีมที่ไม่มีทักษะการเขียนโค้ด
  • ใช้เทคโนโลยี Apache Spark และ Delta Lake รองรับการเชื่อมต่อแบบไฮบริด และเป็นแพลตฟอร์มเปิดที่ไม่ผูกติดกับเวนเดอร์ใดเวนเดอร์หนึ่ง
  • ให้บริการบน Microsoft Azure พร้อมการจัดการทรัพยากรอย่างไร้รอยต่อ 

การวางจำหน่าย

เบลนเดต้าเปิดให้บริการ “Blendata Cloud บน Microsoft Azure Marketplace” ในรูปแบบ Bring Your Own License (BYOL) ซึ่งสามารถทำการสั่งซื้อผ่าน Azure Marketplace ได้แล้วตั้งแต่ไตรมาส 4 ปีนี้ ซึ่ง Azure Marketplace ได้รับการยอมรับจากองค์กรธุรกิจทั่วโลกว่าเป็นผู้นำในตลาดคลาวด์ที่มีพอร์ตโฟลิโอโซลูชันต่างๆ จากเครือข่ายพันธมิตรกว่า 400,000 รายทั่วโลก รวมถึงบริษัทพัฒนาระบบสัญชาติไทยด้วย นอกจากนี้จะเปิดให้บริการในรูปแบบ Managed Software (PaaS) ภายในต้นปี พ.ศ. 2568 โดยคาดว่าการเปิดตัวนี้จะช่วยขยายโอกาสการเติบโตในภาคธุรกิจทั้งในและต่างประเทศ

สามารถสอบถามข้อมูลเพิ่มเติมหรือติดต่อเพื่อใช้บริการผลิตภัณฑ์ได้ที่ TH-MSCSP@ingrammicro.com, หรือโทร 02-012-2222

Posted on

Addressing the complexity of AI and edge operationalization

ความซับซ้อนของ AI และการใช้งานที่ Edge สามารถจัดการได้

Addressing the complexity of AI and edge operationalization

Article by Bertrand d’Herouville, Senior Specialist Solutions Architect, Edge at Red Hat

With today’s artificial intelligence (AI) hype, there can be a lot to digest. Each day brings a new product, new model or a new promise of fault detection, content generation or other AI-powered solution. When it comes to operationalizing an AI/machine learning (ML) model, however, bringing it from training to deployment at the edge is not a trivial task. It involves various roles, processes and tools, as well as a well-structured operations organization and a robust IT platform to host it on.

AI models are now flourishing everywhere but this raises the question: how many of them are operationalized solutions with a robust AI model training, versioning and deployment backend?

How long does operationalization take?

This question is not new. According to a recent Gartner survey, it could take organizations anywhere between 7 – 12 months to operationalize AI/ML from concept to deployment. Technical debt, maintenance costs and system-level risks are just a few things that must be managed throughout the operationalizing process.

Key challenges in AI/ML operationalization

Operationalizing an AI/ML model from a proof-of-concept phase to an industrial solution is full of challenges. This operationalization is very similar to the creation of a high-quality industrial product. Specifically, a chain of trust needs to be created to create a reliable and high quality solution.

EN_Challenges

Data quality

Creating a robust AI model includes having clean and relevant data for training and testing. At its core, the underlying requirement is having a strong data governance, which includes data privacy, security and compliance with all relevant regulations. This can add an enormous amount of complexity and increased infrastructure needs.

Model deployment and integration

Integrating AI/ML models within existing systems and workflows can be technically challenging, as most modern software relies on a continuous integration and continuous deployment (CI/CD) approach. Due to this, it is important to implement pipelines for AI models that include extensive automation and monitoring facilities.

Infrastructure scalability, monitoring and performance

Making sure that AI/ML models are trained in scaling to handle large volumes of data and high-velocity data streams is critical. For that, an architecture which both data scientists and IT operations can monitor and maintain will mean that the platform can be fixed or upgraded when needed. This includes tooling for building and maintaining the necessary infrastructure—including computational resources, data storage and ML platforms—and selecting and integrating the right tools for data processing, model development, deployment and monitoring.

Collaboration and skill gaps

Bridging the gap between data scientists, engineers and business stakeholders is key to fostering alignment and effective collaboration.

The widespread use of specialized tools for different functions can impede this process. Each group often relies on unique tools and terminology, which can create barriers to integration, especially in machine learning operations (MLOps). In an ideal world, models will move smoothly through the process from training through to deployment out to edge devices. It may even be tempting to utilize a single system or platform to achieve this ideal process. To foster more effective collaboration, however, it may be a better approach to create platforms and tools that integrate well with each other, so each team can use their preferred systems over a single solution that may not fit their specific needs. 

Bridging skill gaps is also crucial in this process. Organizations will often have a division of expertise where data scientists, engineers and business stakeholders possess distinct skills and knowledge. This division can cause problems when models are transferred between teams, as the necessary skills and understanding may not be uniformly distributed. Addressing these gaps requires ongoing education and cross-training, so all team members have a basic understanding of each other’s roles and tools. By investing in cross-team skill building and training, model development and deployment processes will be smoother and more effective.

Ethics and bias

Making sure that AI/ML models are fair and do not perpetuate existing biases present in the data involves implementing ethical guidelines and frameworks to govern the use of AI/ML. Then the ethics and bias guidelines must be implemented as metrics in order to create a reliable infrastructure for evaluation and monitoring. The quality of a model has to be evaluated against these metrics and the results be compared to pre-defined references.

Roles involved in the AI/ML lifecycle

Operationalizing AI/ML involves various roles, each contributing critical skills and knowledge. These roles differ from regular IT DevOps ones as they are demanding consumers of IT infrastructures, using specific tools for the AI modeling and facing the same challenges in delivering the AI models like delivering a new software version.

One of the more well-known ones is the data scientist. This term however, is too generic, and the tasks for AI/ML deployment splits to different individuals with specific skills. For the data collection, cleaning, and preparation for model training, it would require a data scientist. 

An MLOps engineer would specialize in the deployment and maintenance of AI models. This role involves specific skills and tools that are not necessarily the same as those used in AI model training. This is generally where a company struggles to operationalize their AI model, when very skilled data scientists are asked to deploy AI models. Deployment specifically is a skill that falls under that of a MLOps engineer, as well as monitoring, scaling models into production and maintaining performance.

Creating an AI/ML model involves an AI engineer, which will train and deploy models running the latest algorithms created by AI scientists. Once the model is created it is pushed into a storage system to be available for containerized application.

App developers integrate AI/ML models into applications, ensuring seamless interaction with other components.

IT operations manage the infrastructure, ensuring necessary computational resources are available and efficiently utilized.

Business leadership sets goals, aligns AI/ML initiatives with business objectives and ensures necessary resources and support exist to continue operationalizing AI/ML solutions.

As you can imagine, coordinating these roles effectively is crucial for managing the complexities and technical debt associated with AI/ML operations. This coordination cannot be done just by defining procedures and abstract workflows. This needs to rely on a common set of tools with specific user interfaces for each role to give a shared but readable view on the AI operations.

How Red Hat can help

Red Hat OpenShift AI provides a flexible, scalable AI/ML platform that helps you create and deliver AI-enabled applications at scale across hybrid cloud environments.

Built using open source technologies, OpenShift AI provides trusted, operationally consistent capabilities for teams to experiment, serve models and deliver innovative apps.

We’ve combined the proven capabilities of OpenShift AI with Red Hat OpenShift to create a single AI application platform that can help bring your teams together and help them collaborate more effectively. Data scientists, engineers and app developers can work together on a single platform that promotes consistency, improves security, and simplifies scalability.

Red Hat Device Edge is a flexible platform that consistently supports different workloads across small, resource-constrained devices at the farthest edge and provides operational consistency across workloads and devices, no matter where they are deployed.

Red Hat Device Edge combines:

  • Red Hat Enterprise Linux

Generate edge-optimized OS images to handle a variety of use cases and workloads with Red Hat’s secure and stable operating system.

  • MicroShift

Red Hat’s build of MicroShift is a lightweight Kubernetes container orchestration solution built from the edge capabilities of Red Hat OpenShift.

  • Red Hat Ansible Automation Platform

Red Hat Ansible Automation Platform helps you quickly scale device and application lifecycle management.

Posted on

ความซับซ้อนของ AI และการใช้งานที่ Edge สามารถจัดการได้

ความซับซ้อนของ AI และการใช้งานที่ Edge สามารถจัดการได้

ความซับซ้อนของ AI และการใช้งานที่ Edge สามารถจัดการได้

บทความโดย Bertrand d’Herouville, Senior Specialist Solutions Architect, Edge, เร้ดแฮท

กระแสของปัญญาประดิษฐ์ (AI) ในปัจจุบัน มีเรื่องที่ต้องทำความเข้าใจหลายแง่มุม ในแต่ละวันจะมีผลิตภัณฑ์และบริการใหม่ โมเดลใหม่ การสร้างเนื้อหาหรือโซลูชันที่ขับเคลื่อนด้วย AI อื่น ๆ เกิดขึ้นมากมาย เมื่อพูดถึงการทำงานเกี่ยวกับโมเดล AI/machine learning (ML) ตั้งแต่การเทรนโมเดลไปจนถึงการนำไปใช้งานที่ edge นั้น ไม่ใช่เรื่องง่ายเลย เพราะเป็นเรื่องที่ต้องข้องเกี่ยวกับบทบาทหน้าที่ของทีมงานด้านต่าง ๆ กระบวนการ และเครื่องมือมากมาย รวมถึงองค์กรจะต้องมีโครงสร้างการทำงานที่ดี และโมเดลเหล่านั้นจะต้องโฮสต์อยู่บนแพลตฟอร์มไอทีที่แข็งแกร่ง

โมเดล AI ได้รับความนิยมทุกแห่งหน คำถามคือจะมีโมเดลใดบ้างที่เป็นโซลูชันที่ใช้งานได้จริงที่ได้รับการเทรนมาอย่างดี, มีการทำ versioning และมีวิธีการ deploy ที่เหมาะสมมีประสิทธิภาพ

ต้องใช้เวลานานเท่าใดจึงจะใช้งานได้

คำถามนี้ไม่ใช่เรื่องใหม่ จากการสำรวจล่าสุดของการ์ทเนอร์ องค์กรอาจใช้เวลาในการศึกษาค้นคว้า AI/ML จากแนวคิดไปสู่การใช้งานจริง ประมาณ 7-12 เดือน ซึ่งจะต้องจัดการกับความท้าทายต่าง ๆ เช่น หนี้ทางเทคนิค ค่าบำรุงรักษา และความเสี่ยงของระบบ ฯลฯ ตลอดกระบวนการทำงาน

ความท้าทายใหญ่ ๆ ในการทำงานด้าน AI/ML

การนำโมเดล AI/ML ไปใช้จริง นับจากขั้นตอนการพิสูจน์แนวคิด ไปจนถึงกลายเป็นโซลูชันทางอุตสาหกรรมนั้นเต็มไปด้วยความท้าทาย การทำงานนี้คล้ายกับการสร้างผลิตภัณฑ์อุตสาหกรรมคุณภาพสูง และจำเป็นต้องสร้างซัพพลายเชนที่เชื่อถือได้ เพื่อสร้างโซลูชันที่ไว้ใจได้และมีคุณภาพสูง

TH_Challenges

คุณภาพของข้อมูล

การสร้างโมเดล AI ที่ทรงประสิทธิภาพจะต้องมีข้อมูลที่ถูกต้องเหมาะสมและเกี่ยวข้องกัน เพื่อใช้ในการเทรนและทดสอบ หัวใจหลักที่เป็นสิ่งสำคัญพื้นฐาน คือการกำกับดูแลข้อมูลที่รัดกุม เช่น ความเป็นส่วนตัวของข้อมูล ความปลอดภัย และปฏิบัติตามกฎระเบียบที่เกี่ยวข้องทั้งหมด ซึ่งอาจเพิ่มความซับซ้อนได้อย่างมหาศาล รวมถึงความต้องการด้าน infrastructure จะเพิ่มขึ้นอย่างมาก

การนำไปใช้และการบูรณาการโมเดล

การบูรณาการโมเดล AI/ML เข้ากับระบบและเวิร์กโฟลว์ที่ใช้อยู่ เป็นความท้าทายทางเทคนิค เนื่องจากซอฟต์แวร์รุ่นใหม่ ๆ พึ่งพาแนวทางการพัฒนาซอฟต์แวร์อย่างต่อเนื่อง เช่นการทำ continuous integration และ continuous deployment (CI/CD) ดังนั้นการใช้ไปป์ไลน์สำหรับโมเดล AI ที่มีระบบอัตโนมัติและการตรวจสอบที่ครอบคลุมจึงเป็นเรื่องสำคัญ

Infrastructure ที่สเกลได้ ติดตามตรวจสอบได้ และมีสมรรถนะ

ความมั่นใจว่าโมเดล AI/ML ทั้งหลายได้รับการเทรนให้สามารถปรับขนาดเพื่อรับมือกับข้อมูลปริมาณมากและสตรีมข้อมูลด้วยความเร็วสูงได้นั้นเป็นเรื่องสำคัญมาก ดังนั้นสถาปัตยกรรมหนึ่ง ๆ ที่นักวิทยาศาสตร์ข้อมูล (data scientist) และคนทำงานด้านไอทีสามารถมอนิเตอร์และดูแลได้นั้น จะหมายถึงแพลตฟอร์มที่สามารถแก้ไขหรืออัปเกรดได้เมื่อจำเป็น ซึ่งรวมถึงเครื่องมือที่ใช้ในการสร้างและดูแล infrastructure ที่จำเป็น (เช่น ทรัพยากรที่ใช้ในการคำนวณ พื้นที่จัดเก็บข้อมูล และแพลตฟอร์ม ML ต่าง ๆ) การเลือกและบูรณาการเครื่องมือต่าง ๆ ที่เหมาะสมทั้งกับการประมวลผลข้อมูล การพัฒนาโมเดล การใช้และการมอนิเตอร์

ช่องว่างทางทักษะและการทำงานร่วมกัน

การปิดช่องว่างทางทักษะและการทำงานร่วมกันระหว่าง data scientists วิศวกร (engineers) และผู้มีส่วนได้เสียทางธุรกิจ เป็นเรื่องสำคัญที่จะช่วยส่งเสริมให้เกิดทำงานร่วมกันอย่างมีประสิทธิภาพและเป็นไปในทิศทางเดียวกัน

การใช้เครื่องมือเฉพาะทางหลายอย่างกับฟังก์ชันการทำงานที่ต่างกัน อาจเป็นอุปสรรคต่อแนวทางนี้ได้ ทีมงานแต่ละทีมมักใช้เครื่องมือเฉพาะและศัพท์เฉพาะทาง ซึ่งอาจทำให้เกิดอุปสรรคในการบูรณาการ โดยเฉพาะในการทำงานของแมชชีนเลิร์นนิ่ง (machine learning operations: MLOps) โดยหลักการแล้วโมเดลต่าง ๆ จะถูกจัดการอย่างราบรื่นตลอดกระบวนการทำงาน ตั้งแต่การเทรน การ deploy ไปยังอุปกรณ์ที่ติดตั้งอยู่ที่ edge สิ่งเหล่านี้อาจเป็นสิ่งกระตุ้นให้ใช้ระบบหรือแพลตฟอร์มเดียวเพื่อให้บรรลุหลักการนี้ แต่การสร้างแพลตฟอร์มและเครื่องมือที่ทุกทีมสามารถทำงานร่วมกันได้ดี อาจเป็นวิธีที่ดีกว่าในการส่งเสริมการทำงานร่วมกันให้มีประสิทธิภาพมากขึ้น เพื่อให้ทีมงานแต่ละทีมสามารถใช้ระบบที่ตนต้องการได้ แทนที่จะต้องใช้โซลูชันเดียวที่อาจไม่ตรงตามความต้องการเฉพาะทางของแต่ละทีม 

การแก้ปัญหาช่องว่างทางทักษะยังคงเป็นเรื่องสำคัญในกระบวนการนี้ องค์กรต่าง ๆ มักมีกลุ่มหรือทีมที่เชี่ยวชาญทักษะและความรู้เฉพาะทางที่ต่างกัน รวมกันอยู่ในแผนกเดียวกัน เช่น data scientists, engineers และผู้มีส่วนได้เสียทางธุรกิจ ซึ่งเมื่อมีการถ่ายโอนโมเดลต่าง ๆ  ระหว่างทีมก็อาจทำให้เกิดปัญหาได้ เนื่องจากไม่สามารถเข้าถึงทักษะและความเข้าใจที่จำเป็นต้องใช้ ได้อย่างทั่วถึง

การแก้ไขช่องว่างเหล่านี้ต้องมีการให้ความรู้และการอบรมข้ามสายงานอย่างต่อเนื่อง เพื่อให้สมาชิกทุกคนในทุกทีมมีความเข้าใจพื้นฐานเกี่ยวกับบทบาทและเครื่องมือที่แต่ละทีมใช้งาน การลงทุนในการสร้างและอบรมทักษะต่าง ๆ ข้ามทีม จะช่วยให้กระบวนการพัฒนาและใช้โมเดลเป็นไปอย่างราบรื่นและมีประสิทธิภาพมากขึ้น

จริยธรรมและความไม่เป็นกลาง

องค์กรต้องมั่นใจว่าโมเดล AI/ML มีความเท่าเทียม และขจัดความไม่เป็นกลางของข้อมูลไม่ให้ไปเกี่ยวข้องกับการนำแนวทางและเฟรมเวิร์กด้านจริยธรรมไปใช้ควบคุมการใช้งาน AI/ML จากนั้นต้องนำแนวปฏิบัติด้านจริยธรรมและความไม่เป็นกลางมาใช้เป็นตัวชี้วัด เพื่อสร้าง infrastructure ที่เชื่อถือได้สำหรับใช้ในการประเมินและการติดตาม คุณภาพของโมเดลหนึ่ง ๆ ต้องได้รับการประเมินกับตัวชี้วัดเหล่านี้ และต้องเปรียบเทียบผลการประเมินกับข้อมูลอ้างอิงที่กำหนดไว้ล่วงหน้าแล้ว

บทบาทหน้าที่ต่าง ๆ ที่เกี่ยวข้องกับไลฟ์ไซเคิลของ AI/ML

การใช้ AI/ML เกี่ยวข้องกับคนและทีมงานที่มีบทบาทหน้าที่มากมาย แต่ละบทบาทต้องการทักษะและความรู้อย่างมาก บทบาทเหล่านี้ต่างจากบทบาทของ IT DevOps ทั่ว ๆ ไป เพราะต้องใช้ IT infrastructure จำนวนมาก ต้องใช้เครื่องมือเฉพาะสำหรับการสร้างโมเดล AI และต้องประสบกับความท้าทายในการส่งมอบโมเดล AI เช่นเดียวกับความท้าทายในการส่งมอบซอฟต์แวร์เวอร์ชันใหม่ บทบาทที่เป็นที่รู้จักกันดีคือ data scientist ซึ่งคำว่า data scientist นี้ดูจะกินความหมายกว้างเกินไป งานต่าง ๆ ที่เกี่ยวกับการนำ AI/ML ไปใช้ แบ่งแยกย่อยออกไปและต้องการบุคคลที่มีทักษะเฉพาะทางที่แตกต่างกัน เช่น หากเป็นด้านการรวบรวมข้อมูล การทำข้อมูลให้ถูกต้องเหมาะสม และการเตรียมเทรนโมเดลนั้น ต้องการคนที่มีบทบาทเป็น data scientist

MLOps engineer จะเชี่ยวชาญในการนำโมเดล AI ต่าง ๆ ไปใช้และการดูแลรักษาซึ่งต้องมีทักษะเฉพาะและใช้เครื่องมือเฉพาะทาง ที่ไม่จำเป็นต้องเหมือนกับทักษะและเครื่องมือที่ใช้ในการเทรนโมเดล AI จุดนี้เป็นปัญหาให้กับบริษัทหนึ่ง ๆ ที่เมื่อต้องการใช้โมเดล AI ของตนแต่ไปร้องขอให้ data scientist เป็นผู้ทำหน้าที่ปรับใช้โมเดล AI ซึ่งการปรับใช้โมเดล AI เป็นทักษะเฉพาะทางของ MLOps engineer และยังรวมถึงการมอนิเตอร์ การสเกลโมเดลไปสู่การใช้งานจริง และการดูแลรักษาประสิทธิภาพการทำงานของโมเดล

การสร้างโมเดล AI/ML เกี่ยวข้องกับ AI engineer ซึ่งจะเทรนและใช้โมเดลบนอัลกอริธึมล่าสุดที่สร้างโดย AI scientists เมื่อสร้างเสร็จแล้ว โมเดลจะถูกผลักเข้าไปในระบบสตอเรจ พร้อมให้ containerized application ใช้งาน

นักพัฒนาแอปพลิเคชันผสานรวมโมเดล AI/ML เข้ากับแอปพลิเคชันต่าง ๆ และต้องมั่นใจได้ว่าจะมีการใช้งานร่วมกันกับระบบอื่นได้อย่างไม่ติดขัด

ฝ่ายปฏิบัติการด้านไอทีจะบริหารจัดการ infrastructure เพื่อให้มั่นใจว่าทรัพยากรที่จำเป็นต้องใช้มีพร้อมใช้และนำไปใช้งานอย่างมีประสิทธิภาพ

ผู้นำองค์กรธุรกิจมีบทบาทในการกำหนดเป้าหมาย ผสาน AI/ML ให้สอดคล้องกับวัตถุประสงค์ทางธุรกิจ และทำให้มั่นใจว่า จะมีทรัพยากรและการสนับสนุนช่วยเหลือที่จำเป็นในการใช้โซลูชัน AI/ML ต่าง ๆ ได้อย่างต่อเนื่อง 

การประสานงานบทบาทหน้าที่เหล่านี้อย่างมีประสิทธิภาพเป็นสิ่งสำคัญมากสำหรับการบริหารจัดการความซับซ้อนต่าง ๆ และหนี้ทางเทคนิค ที่เกี่ยวข้องกับการดำเนินงาน AI/ML และไม่อาจทำได้ด้วยการกำหนดขั้นตอนและเวิร์กโฟลว์ที่เป็นนามธรรมเท่านั้น แต่จำเป็นต้องพึ่งพาชุดเครื่องมือมาตรฐานที่มีอินเทอร์เฟซเฉพาะสำหรับผู้ใช้งานแต่ละบทบาทหน้าที่ เพื่อให้มีมุมมองในการทำงานด้าน AI มุมมองเดียวกัน ที่ผู้ทำงานในแต่ละทีมสามารถเข้าใจได้

เร้ดแฮทช่วยได้อย่างไร

Red Hat OpenShift AI มอบแพลตฟอร์ม AI/ML ที่สเกลได้และยืดหยุ่น เพื่อช่วยองค์กรสร้างและสามารถนำแอปพลิเคชันที่ใช้ AI ไปใช้ในวงกว้างในสภาพแวดล้อมไฮบริดคลาวด์ทั้งหมด OpenShift AI สร้างจากเทคโนโลยีโอเพ่นซอร์ส มอบความสามารถต่าง ๆ ที่เชื่อถือได้ และการทำงานที่สอดคล้องกัน ให้กับทีมงานต่าง ๆ ใช้ในการทดลอง ให้บริการโมเดล และให้บริการแอปพลิเคชันรุ่นใหม่ ๆ เร้ดแฮทได้ผสานรวมความสามารถต่าง ๆ ที่ได้รับการพิสูจน์ประสิทธิภาพแล้ว ของ OpenShift AI เข้ากับ Red Hat OpenShift เพื่อสร้างแพลตฟอร์มแอปพลิเคชัน AI หนึ่งแพลตฟอร์ม ที่สามารถช่วยให้ทีมที่ทำงานต่าง ๆ ขององค์กรมาทำงานร่วมกันได้อย่างมีประสิทธิภาพมากขึ้น ผู้ที่มีบทบาทหน้าที่ด้านต่าง ๆ เช่น data scientists, engineers และนักพัฒนาแอปพลิเคชันทุกคนสามารถทำงานร่วมกันบนแพลตฟอร์มเดียวกัน ที่มีประสิทธิภาพทั้งความคงเส้นคงวา สอดคล้องกัน มีความปลอดภัยมากขึ้น และสเกลได้ง่าย

Red Hat Device Edge เป็นแพลตฟอร์มที่มีความยืดหยุ่น รองรับเวิร์กโหลดประเภทต่าง ๆ ในทิศทางเดียวกัน ไม่ว่าจะเป็นเวิร์กโหลดที่อยู่บนอุปกรณ์ขนาดเล็กที่มีทรัพยากรจำกัดติดตั้งอยู่ที่ edge และมอบความสม่ำเสมอในการดำเนินงานกับเวิร์กโหลดและอุปกรณ์ทุกประเภท ไม่ว่าจะนำไปใช้งาน ณ ที่ใดก็ตาม ทั้งนี้ Red Hat Device Edge ประกอบด้วย

  • Red Hat Enterprise Linux

สร้าง edge-optimized OS images เพื่อรองรับกรณีใช้งานและเวิร์กโหลดหลากหลาย ด้วย ระบบปฏิบัติการที่มีความปลอดภัยและความเสถียรของเร้ดแฮท

  • MicroShift

MicroShift ของเร้ดแฮท เป็นโซลูชัน lightweight Kubernetes container orchestration ที่สร้างจากความสามารถด้าน edge ของ Red Hat OpenShift

  • Red Hat Ansible Automation Platform

Red Hat Ansible Automation Platform ช่วยให้องค์กรสเกลอุปกรณ์ได้อย่างรวดเร็ว และช่วยบริหารจัดการไลฟ์ไซเคิลของแอปพลิเคชัน

Posted on

A Vast Majority of Businesses Have Established Sustainability Targets with More than Half Still Using Manual Tools for Measurement

A Vast Majority of Businesses Have Established Sustainability Targets with More than Half Still Using Manual Tools for Measurement

A Vast Majority of Businesses Have Established Sustainability Targets with More than Half Still Using Manual Tools for Measurement

  • More than three quarters of businesses believe technology is essential for achieving global sustainability goals, with digital adoption key to accelerating progress
  • 82% of Thai respondents have set sustainability targets, of which 66% say they are on track to achieve them.
  • Budget constraints, complex supply chain and technology limitations are the top 3 most common barriers for enterprises to meet sustainability targets

A significant 80% of businesses surveyed across Asia, Europe and the Middle East have established sustainability targets, but of those who have set sustainability targets more than half (53%) continue to rely on manual methods for measuring their progress, according to a survey report titled “Tech-Driven Sustainability Trends and Index 2024” commissioned by Alibaba Cloud, the digital technology and intelligence backbone of Alibaba Group. Thai businesses share a similar trend with 82% businesses setting up sustainability targets, yet 50% still using manual methods to measure their efforts.

The report reveals that among businesses with sustainability targets, 92% have set emission reduction targets. However, only one-third of these organizations have committed to net-zero commitments with science-based targets (SBTs). The highest adoption of SBTs is in emerging Asian markets at 39%, followed by Europe at 35%, developed Asian markets at 30%, and the Middle East at 22%.

Around half of the businesses with sustainability targets cite driving growth (56%), compliance with regulations (54%), and a strong corporate purpose (49%) as their key motivations for establishing targets. Notably, among all markets, Indonesia tops the list with 70% of businesses prioritizing growth, Saudi Arabia leads with 73% emphasizing compliance, and the UAE excels with 61% prioritizing a strong corporate purpose. For Thai businesses, client requirements (45%), driving business growth (44%) and regulatory compliance (43%) are top three reasons for sustainability targets setting.

A significant 78% of businesses agree that technology is crucial for achieving global sustainability goals, with top markets including Malaysia (89%), Saudi Arabia (87%), Singapore (86%) and France (86%). Regionally, this belief is strongest in the Middle East (86%) with emerging Asian markets a close second (83%). Similarly, 78% believe that adopting digital technologies such as cloud computing and AI will accelerate progress toward meeting sustainability goals, with Saudi Arabia leading at 90%, followed by the UAE (84%) and Singapore (81%).

Market Commitment Levels and Challenges

When assessing market commitment levels, Singapore ranks highest with an impressive sustainability index of 91%, followed closely by Germany at 89% and Indonesia at 86%. The sustainability index refers to percentage of businesses who have set up sustainability targets in the 13 markets.

Businesses encounter various barriers in meeting their sustainability targets. Budget constraints emerge as the most significant obstacle, affecting 29% of organizations, particularly pronounced in the Middle East (41%) and Europe (31%). Complex supply chains further complicate efforts, impacting 28% of businesses, with Thailand unveiling a higher percentage of 32%. Additionally, technology limitations hinder 23% of companies, with the Middle East facing a slightly higher rate at 26%. Time constraints also present significant challenges across all regions, affecting 23% of organizations, with Thailand experiencing the highest rate of 34%. For those yet to set sustainability targets, budget constraints (32%) and technology limitations (29%) remain the primary barriers to meeting sustainability targets.

Reliance on Manual Measurement

As businesses strive to enhance their sustainability efforts, the necessity for effective digital tools is evident. The survey emphasizes the necessity for businesses to improve their understanding of digital tools, as 59% of respondents acknowledge a gap in their knowledge regarding how technology can help achieve sustainability goals. This sentiment is particularly evident in Singapore (83%) and Hong Kong (75%) and Thailand (70%).

The report also shows a general reliance on traditional practices among businesses, which may present challenges in effectively achieving sustainability goals. The study indicated that over 50% of businesses depend on manual processes to measure sustainability performance using spreadsheets, emails, and similar methods. All markets, except for Hong Kong (29%), South Korea (43%) and France (49%), exceeded the 50% threshold, with the highest percentages in the UAE (68%), Saudi Arabia (61%), and the UK (60%). Meanwhile, only around a third of the businesses use digital software tools including cloud platforms for the sustainability progress and measurement. Indonesia (59%), Singapore (48%) and Japan (43%) demonstrate a higher adoption of cloud-based solutions, while the average usage is at 38%.

“The survey findings underscore the urgent need for organizations to reassess their sustainability measurement methodologies and embrace advanced technological solutions like cloud-based platforms and AI services. These digital tools not only streamline the measurement process but also provide actionable insights that can drive meaningful progress for sustainability,” said Selina Yuan, President of International Business, Alibaba Cloud Intelligence.

“As a dedicated cloud service provider, we are committed to providing innovative and AI-powered solutions such as Energy Expert to enable enterprises to effectively measure and analyze carbon emission and energy consumptions to advance their sustainability goals. By addressing existing barriers and investing in such advancements, organizations can better align their sustainability initiatives with established targets,” she added.

Alibaba Cloud’s “Tech-Driven Sustainability Trends and Index 2024” aims to provide valuable insights into the evolving landscape of corporate sustainability while highlighting how technology can be applied to drive impactful change.

Posted on

ผลสำรวจพบธุรกิจส่วนใหญ่ มีการตั้งเป้าหมายด้านความยั่งยืน แต่มากกว่าครึ่งยังใช้เครื่องมือวัดประสิทธิภาพแบบแมนนวล

ผลสำรวจพบธุรกิจส่วนใหญ่ มีการตั้งเป้าหมายด้านความยั่งยืน แต่มากกว่าครึ่งยังใช้เครื่องมือวัดประสิทธิภาพแบบแมนนวล

ผลสำรวจพบธุรกิจส่วนใหญ่ มีการตั้งเป้าหมายด้านความยั่งยืน แต่มากกว่าครึ่งยังใช้เครื่องมือวัดประสิทธิภาพแบบแมนนวล

  • ธุรกิจมากกว่าสามในสี่เชื่อว่าเทคโนโลยีเป็นสิ่งจำเป็นต่อการบรรลุเป้าหมายด้านความยั่งยืนของโลก การใช้ดิจิทัลเป็นกุญแจสำคัญทำให้ก้าวสู่ความยั่งยืนได้เร็วขึ้น
  • 82% ของผู้ตอบแบบสอบถามในไทยมีการตั้งเป้าหมายด้านความยั่งยืน ในจำนวนนี้ 66% ระบุว่าพวกเขาเดินอยู่บนเส้นทางที่จะนำพาไปสู่การบรรลุเป้าหมายดังกล่าว
  • อุปสรรคต่อการบรรลุเป้าหมายด้านความยั่งยืน 3 ลำดับแรก ที่องค์กรพบบ่อยที่สุดคือ ข้อจำกัดด้านงบประมาณ ซัพพลายเชนที่ซับซ้อน และข้อจำกัดทางเทคโนโลยี

ผลสำรวจ “แนวโน้มและดัชนีความยั่งยืนที่ขับเคลื่อนด้วยเทคโนโลยี 2024” (Tech-Driven Sustainability Trends and Index 2024) จัดทำโดยอาลีบาบา คลาวด์ ธุรกิจด้านเทคโนโลยีดิจิทัล และหน่วยงานหลักด้านอินเทลลิเจนซ์ของอาลีบาบา กรุ๊ป พบว่า 80% ของธุรกิจที่ตอบแบบสำรวจจากเอเชีย ยุโรป และตะวันออกกลาง ระบุว่าได้มีการตั้งเป้าหมายด้านความยั่งยืนแล้ว แต่ในจำนวนนี้มากกว่าครึ่ง (53%) ยังคงใช้วิธีการวัดประสิทธิภาพความก้าวหน้าของเป้าหมายดังกล่าวแบบแมนนวล ธุรกิจไทยก็มีแนวโน้มคล้ายกัน โดยมีธุรกิจถึง 82% ที่มีการตั้งเป้าหมายด้านความยั่งยืน แต่ 50% ยังคงใช้วิธีวัดประสิทธิภาพแบบแมนนวล

ข้อมูลจากรายงานเผยให้เห็นว่า 92% ของบรรดาธุรกิจที่มีเป้าหมายด้านความยั่งยืน ได้ตั้งเป้าหมายลดการปล่อยก๊าซเรือนกระจกไว้แล้ว อย่างไรก็ตาม มีเพียงหนึ่งในสามขององค์กรเหล่านี้ ที่ให้คำมั่นด้าน net-zero ด้วยการกำหนดเป้าหมายที่อิงตามหลักวิทยาศาสตร์ (science-based targets: SBTs) ทั้งนี้ตลาดเกิดใหม่ในเอเชียมีการกำหนดเป้าหมายอิงตามหลักวิทยาศาสตร์ (SBTs) มากที่สุด อยู่ที่ 39% ตามด้วยยุโรป 35% ตลาดพัฒนาแล้วในเอเชีย 30% และตะวันออกกลาง 22%

ธุรกิจที่มีเป้าหมายด้านความยั่งยืนประมาณครึ่งหนึ่งระบุว่า แรงจูงใจสำคัญในการตั้งเป้าหมายต่าง ๆ มาจาก การขับเคลื่อนการเติบโต (56%) การปฏิบัติตามกฎระเบียบ (54%) และเพื่อความแข็งแกร่งขององค์กร (49%) ในบรรดาตลาดที่ทำการสำรวจทั้งหมด องค์กรธุรกิจในอินโดนีเซียให้ความสำคัญกับการเติบโตของธุรกิจมากที่สุด (70%) ในขณะที่ซาอุดีอาระเบียเน้นการปฏิบัติตามกฎระเบียบ (73%) และสหรัฐอาหรับเอมิเรตส์เน้นเรื่องความแข็งแกร่งขององค์กร (61%) สำหรับตลาดไทย ธุรกิจให้ความสำคัญกับความต้องการของลูกค้า (45%) การขับเคลื่อนการเติบโต (44%) และการปฏิบัติตามกฎระเบียบ (43%)

ธุรกิจ 78% เห็นด้วยว่าเทคโนโลยีมีความสำคัญมากต่อการบรรลุเป้าหมายด้านความยั่งยืนของโลก โดยตลาดที่ให้ความสำคัญกับเรื่องนี้ลำดับต้น ๆ คือ มาเลเซีย (89%) ซาอุดีอาระเบีย (87%) สิงคโปร์ (86%) และฝรั่งเศส (86%) หากพิจารณาในระดับภูมิภาค ตะวันออกกลางเป็นภูมิภาคที่มีความเชื่อว่า เทคโนโลยีมีความสำคัญต่อการบรรลุเป้าหมายด้านความยั่งยืนมากที่สุด (86%) โดยมีตลาดเกิดใหม่ในเอเชียตามติดมาเป็นอันดับสอง (83%) ในขณะที่ 78% ของผู้ตอบแบบสอบถามเชื่อว่าการนำเทคโนโลยีดิจิทัล เช่น คลาวด์คอมพิวติ้ง และ AI มาใช้ จะช่วยให้บรรลุเป้าหมายด้านความยั่งยืนได้เร็วขึ้น ตลาดที่ให้ความสำคัญกับเรื่องนี้มากที่สุดคือซาอุดีอาระเบีย (90%) ตามด้วยสหรัฐอาหรับเอมิเรตส์ (84%) และสิงคโปร์ (81%)

ระดับและความท้าทายที่มีต่อความมุ่งมั่นของแต่ละตลาด

เมื่อประเมินระดับความมุ่งมั่นของแต่ละตลาดแล้ว สิงคโปร์อยู่ในระดับสูงสุดจากดัชนีความยั่งยืนที่ 91% ตามติดด้วยเยอรมนีที่ 89% และอินโดนีเซียที่ 86% ทั้งนี้ ดัชนีความยั่งยืนหมายถึงเปอร์เซ็นต์ของธุรกิจต่าง ๆ ที่มีการตั้งเป้าหมายด้านความยั่งยืนจากตลาด 13 แห่งที่ทำการสำรวจ

ธุรกิจต่างต้องเผชิญกับอุปสรรคหลากหลายบนเส้นทางสู่ความสำเร็จตามเป้าหมายด้านความยั่งยืน องค์กรที่ตอบแบบสำรวจ 29% ระบุว่า ข้อจำกัดด้านงบประมาณเป็นอุปสรรคสำคัญที่สุด ที่ส่งผลกระทบต่อองค์กร โดยเฉพาะองค์กรในตะวันออกกลาง (41%) และยุโรป (31%) ซัพพลายเชนที่ซับซ้อนยิ่งทำให้ความพยายามต่าง ๆ ยุ่งยากมากขึ้น โดย 28% ขององค์กรที่ตอบแบบสำรวจ ได้รับผลกระทบด้านนี้ หากดูเฉพาะองค์กรในไทยผลสำรวจเผยว่าได้รับผลกระทบในสัดส่วนที่สูงกว่า (32%) นอกจากนี้ 23% ของบริษัทต่าง ๆ พบกับอุปสรรคที่เป็นข้อจำกัดทางเทคโนโลยี โดยตะวันออกกลางพบในอัตราสูงขึ้นเล็กน้อยที่ 26% ข้อจำกัดด้านเวลาเป็นความท้าทายที่สำคัญมากในทุกภูมิภาค และส่งผลกระทบต่อ 23% ขององค์กรที่ตอบแบบสำรวจ โดยไทยมีสัดส่วนสูงสุดที่ 34% ส่วนอุปสรรคสำคัญต่อการบรรลุเป้าหมายด้านความยั่งยืนขององค์กรที่ยังไม่ได้ตั้งเป้าหมายด้านความยั่งยืน ได้แก่ ข้อจำกัดด้านงบประมาณ (32%) และข้อจำกัดทางเทคโนโลยี (29%)

การพึ่งพาการวัดผลแบบแมนนวล

เครื่องมือดิจิทัลที่มีประสิทธิภาพเป็นสิ่งจำเป็นต่อความมุ่งมั่นด้านความยั่งยืนของธุรกิจอย่างเห็นได้ชัด การสำรวจครั้งนี้เน้นให้เห็นความจำเป็นที่ธุรกิจต่างต้องทำความเข้าใจเครื่องมือดิจิทัลต่าง ๆ ให้มากขึ้น เนื่องจากผู้ตอบแบบสำรวจ 59% ยอมรับว่า ยังมีช่องว่างทางความรู้ว่าเทคโนโลยีสามารถช่วยให้บรรลุเป้าหมายด้านความยั่งยืนได้อย่างไร ความรู้สึกเช่นนี้เห็นได้ชัดเจนในสิงคโปร์ (83%) ฮ่องกง (75%) และไทย (70%)

รายงานยังแสดงให้เห็นว่า โดยทั่วไปธุรกิจพึ่งพาแนวปฏิบัติแบบดั้งเดิม ซึ่งอาจทำให้เกิดความท้าทายต่อความสำเร็จของเป้าหมายด้านความยั่งยืน ผลสำรวจบ่งชี้ว่า มากกว่า 50% ขององค์กรธุรกิจใช้กระบวนการวัดประสิทธิภาพด้านความยั่งยืนแบบแมนนวล เช่น การใช้สเปรดชีต อีเมล และวิธีการที่คล้ายคลึงกัน ตลาดที่ทำการสำรวจทุกตลาด ยกเว้น ฮ่องกง (29%) เกาหลีใต้ (43%) และฝรั่งเศส (49%) อยู่ในเกณฑ์ที่เกิน 50% โดยสหรัฐอาหรับเอมิเรตส์มีเปอร์เซ็นต์สูงสุด (68%) ตามด้วยซาอุดีอาระเบีย (61%) และสหราชอาณาจักร (60%) ในขณะเดียวกัน มีเพียงประมาณหนึ่งในสามขององค์กรที่ใช้เครื่องมือที่เป็นซอฟต์แวร์ดิจิทัล ซึ่งรวมถึงคลาวด์แพลตฟอร์มต่าง ๆ สำหรับติดตามความคืบหน้าและวัดประสิทธิภาพด้านความยั่งยืน ตลาดที่แสดงให้เห็นว่ามีการนำโซลูชันที่ทำงานบนคลาวด์ไปใช้มากขึ้น คือ อินโดนีเซีย (59%) สิงคโปร์ (48%) และญี่ปุ่น (43%) ในขณะที่ค่าเฉลี่ยการใช้งานอยู่ที่ 38%

คุณเซลิน่า หยวน ประธานด้านธุรกิจระหว่างประเทศของอาลีบาบา คลาวด์ อินเทลลิเจนซ์ กล่าวว่า “ผลสำรวจเน้นให้เห็นความจำเป็นเร่งด่วนที่องค์กรต่าง ๆ ต้องประเมินวิธีการวัดประสิทธิภาพด้านความยั่งยืนของตนใหม่ และเปิดรับเทคโนโลยีโซลูชันที่ล้ำหน้า เช่น แพลตฟอร์มที่ทำงานบนคลาวด์ และบริการด้าน AI ต่าง ๆ เครื่องมือดิจิทัลเหล่านี้ไม่เพียงเพิ่มประสิทธิภาพให้กับการวัดผลเท่านั้น แต่ยังมอบข้อมูลเชิงลึกที่นำไปใช้ได้จริง ซึ่งสามารถขับเคลื่อนความก้าวหน้าด้านความยั่งยืนได้อย่างมีนัยสำคัญ”

เซลิน่า กล่าวเสริมว่า “ในฐานะผู้ให้บริการคลาวด์ชั้นนำ เรามุ่งมั่นมอบนวัตกรรมและโซลูชันที่ ขับเคลื่อนการทำงานด้วย AI เช่น Energy Expert เพื่อช่วยให้องค์กรต่าง ๆ วัดและวิเคราะห์ การปล่อยก๊าซคาร์บอนและการใช้พลังงานได้อย่างมีประสิทธิภาพ เพื่อก้าวสู่เป้าหมายด้านความยั่งยืนขององค์กร การจัดการอุปสรรคที่มีอยู่ และการลงทุนในเครื่องมือที่ล้ำหน้าดังกล่าว จะช่วยให้องค์กรสามารถปรับแนวความคิดริเริ่ม ด้านความยั่งยืนให้สอดคล้องกับเป้าหมายที่กำหนดไว้ได้ดีขึ้น”

รายงาน “Tech-Driven Sustainability Trends and Index 2024” ของอาลีบาบา คลาวด์ มีจุดประสงค์เพื่อมอบข้อมูลเชิงลึกที่มีคุณค่าให้กับการพัฒนาภูมิทัศน์ด้านความยั่งยืนขององค์กร และเน้นให้เห็นวิธีการที่เทคโนโลยีสามารถใช้เพื่อขับเคลื่อนการเปลี่ยนแปลงที่มีประสิทธิภาพได้อย่างไร