VMware Cloud Foundation 9.0 : ข้ามขีดจำกัด Private Cloud สู่ Private AI as a Service

AI คือปัจจัยสำคัญที่ช่วยกระตุ้นเศรษฐกิจให้เกิดการลงทุนด้านดาต้าเซ็นเตอร์อย่างต่อเนื่องจาก โดยเฉพาะกลุ่มธุรกิจบริการคลาวด์สาธารณะ(Public Cloud) ที่กลายเป็นนโยบายหลักของธุรกิจ แต่ในวันนี้ภาพของการใช้งานคลาวด์กำลังเปลี่ยนไป เพราะหลายธุรกิจกำลังครุ่นคิดถึงความคุ้มค่า ประสิทธิภาพ และ ความปลอดภัยของข้อมูล คำตอบจึงเริ่มวกกลับมาสู่ Private Cloud เพราะทำให้ธุรกิจสามารถวางแผนการลงทุนใช้จ่ายได้ชัดเจนกว่า ให้อำนาจในการควบคุมโครงการ AI ได้อย่างแท้จริง ในบทความนี้เราจะมาเล่าให้ฟังถึงแนวคิดของ VMware Private AI as a Service ที่ถือกำเนิดขึ้นบน VCF 9.0 

หวนคืนสู่ Private Cloud เพื่อประโยชน์สูงสุดของโครงการ AI

จากการสำรวจภาพของ Private Cloud ในปี 2025 จากผู้นำด้านไอทีกว่า 1,800 พบว่า “Private Cloud ได้ถูกบรรจุเข้าสู่แผนกลยุทธ์ทางนวัตกรรมของพวกเขาอีกครั้ง เพื่อให้บริการ Workload ทุกด้านตั้งแต่ VM, Container และ AI/ML” โดยไฮไลต์สำคัญชี้ว่า 84% ของผู้ให้สัมภาษณ์กำลังใช้งานสภาพแวดล้อมแบบส่วนตัวนี้อยู่แล้ว แต่ที่น่าตกใจคือ 69% กำลังพิจารณาย้ายงานที่อยู่บน Public Cloud สู่ Private Cloud และที่เหลือพวกเขาลงมือจัดการแผนนี้แล้ว

อ่านมาถึงตรงนี้ข้อมูลอาจดูย้อนแย้งและไม่ตรงใจกับหลายท่าน เพราะองค์กรของท่านเองอาจกำลังตั้งเป้าเพื่อใช้งาน Public Cloud ให้มากขึ้น ปลดเปลื้องภาระการดูแลดาต้าเซ็นเตอร์ ลดค่าใช้จ่าย ยกเลิกได้ทันทีต่างกับการลงทุนด้านฮาร์ดแวร์ นั่นเป็นความจริงครับ แต่เราลองมาดูคำตอบของแผนกลับสู่ Private Cloud ที่ไม่ใช่เรื่องใหม่นี้กัน ซึ่งนี่คือ 3 เหตุผลสำคัญ

1.) ความปลอดภัยข้อมูล ความเป็นส่วนตัว และ ระเบียบข้อบังคับ

AI บริโภคข้อมูลเพื่อสร้างประโยชน์ แต่การเก็บข้อมูลไวกับ 3rd Party สามารถการันตีความปลอดภัยและความเป็นส่วนตัวของข้อมูลได้จริงหรือ? ซึ่งจากสถิติชี้ว่านี่เองคือประเด็นที่ผู้ตอบแบบสอบถามกว่า 92% เห็นว่าการย้ายกลับสู่ Private Cloud เป็นอะไรที่ตอบคำถามของพวกเขาได้ชัดเจนว่า นอกจากนี้หลายองค์กรยังถูกบังคับจากกฏหมายด้านข้อมูลอย่าง GDPR ที่ต้องเก็บข้อมูลในระดับท้องถิ่น มีการควบคุมการเข้าถึงอย่างรัดกุม และตรวจสอบการใช้งานได้

2.) ความยืดหยุ่นมากกว่า และ ประสิทธิภาพที่สูงขึ้น

ความสามารถในการปรับแต่ง เลือกการ Deploy และ การใช้งาน เป็นเรื่องที่อาจเปลี่ยนแปลงได้ เพราะโมเดลในวันนี้อาจไม่ใช่สิ่งที่ดีที่สุด นอกจากนี้โครงการ AI ยังต้องคำนึงถึงแผนการออกแบบฮาร์ดแวร์ที่ยืดหยุ่นด้วย เพื่อให้เข้ากับเป้าหมายการใช้ขององค์กร โดยเกี่ยวพันกับ GPU, Data I/O และความสามารถของเครือข่าย ซึ่งจะดีอย่างยิ่งหากข้อมูลและการประมวลผลอยู่ใกล้กัน

3.) ความสามารถในการประเมินค่าใช้จ่ายที่แน่นอน

แม้ Public Cloud จะอวดอ้างเรื่องของความยืดหยุ่นเริ่มหรือหยุดได้ทันที แต่ถ้าองค์กรต้องใช้อย่างต่อเนื่องต้นทุนแฝงอย่างการโอนถ่ายข้อมูล(Egress fee) และการใช้งาน AI ที่มีการคิดค่าใช้จ่ายตาม Token ประกอบกับฮาร์ดแวร์ GPU อาจกลายเป็นภาระที่หนักอึ้งในการใช้งานระยะยาว นี่เองถือเป็นประเด็นสำคัญที่หลายองค์กรเริ่มตระหนักถึงกับการใช้งาน Public Cloud

ข้ามขีดจำกัด Private Cloud สู่ Private AI as a Service ด้วย VCF 9.0

อันที่จริงแล้วนิยามของคำว่า Private Cloud ไม่ได้ใหม่สำหรับปี 2025 และสิ่งที่ VMware Cloud Foundation นำเสนอตลอดมาก็คือความสามารถในการบูรณาการ Compute, Storage, Networking, Security และการบริหารจัดการในแพลตฟอร์มเดียว สร้างประสบการณ์การปฏิบัติการแบบคลาวด์ พร้อมขยายตัวได้ ตอบโจทย์ข้อบังคับ และรองรับทุก Workload อย่างไรก็ดีสิ่งที่แตกต่างออกไปสำหรับปี 2025 คือการเปิดตัว VCF Private Services ที่เป็นส่วนหนึ่งภายใต้แพลตฟอร์ม VCF 9

แนวคิดของ VMware Private AI as a Service ก็คือการยกระดับขีดความสามารถเร่งรัดให้การใช้งาน AI ได้จริง ซึ่งครอบคลุมตั้งแต่ การวางแผนออกแบบ สนับสนุนขั้นตอนการพัฒนาแอปพลิเคชัน พร้อมนำไป Deploy ใช้งานจริงและควบคุมกำกับดูแลความมั่นคงปลอดภัยได้ รวมถึงการดูแลส่วนประกอบต่างๆในโครงการ AI เช่น ข้อมูล แอปพิลเคชัน โมเดล LLM และ GenAI ภายใต้ภายในสภาพแวดล้อมแบบ Private Cloud โดยภายใน VCF 9 ได้กล่าวถึงความสามารถของบริการ Private AI Service ไว้ดังนี้

1.) Model Store

การจัดการโมเดล LLM ที่มีอยู่มากมายในท้องตลาดถือเป็นงานที่ท้าทายสำหรับองค์กรที่ขาดเครื่องมือในการจัดการที่มาจากแหล่งต่างๆ อย่าง Hugging Face และอื่นๆ โดย Model Store จะเป็นเครื่องมือให้ MLOps และ Data Scientist ได้ควบคุมโมเดล LLM เหล่านั้นตามสิทธิของผู้เข้าใช้งาน เพื่อกำกับดูแลความมั่นคงปลอดภัยให้ข้อมูลและสินทรัพย์ทางปัญญาขององค์กร

2.) Model Runtime

ช่วยให้บรรดา Data Scientist สามารถสร้างและจัดการการใช้งานโมเดลได้ง่ายมากขึ้น จากปัญหาที่ว่าในหนึ่งผู้พัฒนาแอปอาจต้องการเข้าถึงหลายโมเดล จึงเกิดเป็นคอนเซปต์ที่เรียกว่าสร้าง Model Endpoint เสมือนการสร้างโปรไฟล์ที่นิยามการใช้งานขึ้นมาว่าจะเข้าใช้โมเดลใด ด้วยทรัพยากรเท่าไหร่ ให้แอปพลิเคชันนำไปใช้ได้ทันที และสิ่งที่รองรับให้เกิดการใช้งานโมเดลได้จริงๆก็คือ Model Runtime โดยแต่ละโมเดลจะถูกโหลดเข้ามาให้ Inference Engine ที่ถูกเลือก เตรียมให้บริการกับแอปพลิเคชัน พูดง่ายๆคือเป็นการสร้างโปรไฟล์และทำการ deploy ลงบน Container พร้อมใช้เสร็จสรรพซึ่ง Model Runtime เป็นกลไกที่เป็นแกนหลักสำคัญ

3.) Data Indexing & Retrieval

ฟังก์ชันช่วยเตรียมการด้านข้อมูลเพิ่มคุณภาพให้ผลลัพธ์ของ GenAI โดยสามารถแบ่งย่อยข้อมูล PDF, CSV, PPT, Docs, เว็บไซต์ ฯลฯ ออกเป็นส่วนๆและจัดทำ Index รวมถึงการแปลงข้อมูลให้อยู่ในรูปแบบ Vector ด้วยการทำ Knowledge Base ซึ่งช่วยในการแบ่งแยก index ข้อมูล ทำให้แอดมินสร้างการควบคุมการเข้าถึงข้อมูลจากผู้ใช้งานโมเดลได้ตามสิทธิที่ตนมี โดยในกรณีที่มีการเปลี่ยนแปลงข้อมูลตัว Knowledge Base ก็จะถูกอัปเดตเพิ่มได้ การันตีว่าแอปพลิเคชัน AI จะมีข้อมูลล่าสุด

4.) API Gateway

ในขั้นตอนเชื่อมต่อสู่การใช้งานจริงผ่าน API ก็มีประเด็นด้านความมั่นคงปลอดภัยไม่น้อยที่อาจเปิดช่องให้ถูกโจมตีหากปราศจากการจัดการ API ให้ดี ดังนั้น API Gateway จะเข้ามาช่วยรวมศูนย์การใช้งาน อัปเดต ขยายตัว และทำให้การเข้าถึงโมเดลมีบรรทัดฐานเดียวกัน พร้อมทั้งเสริมการพิสูจน์ตัวตนและควบคุมสิทธิ์การใช้งานได้ด้วย

5.) Agent Builder Service

เสริมสร้างความเป็นอัตโนมัติให้แก่นักพัฒนาแอปพลิเคชัน GenAI ให้ตัว AI Agent สามารถเข้าใช้ทรัพยากรใน Model Store, Model Runtime และ Data Indexing & Retrieval

6.) Multi-Tenancy

กรณีการใช้งาน VCF 9 ของผู้ให้บริการคลาวด์หรือองค์กรขนาดใหญ่ที่จำเป็นต้องแบ่งสัดส่วนของสภาพแวดล้อมเดียวกันสำหรับลูกค้าหรือการใช้งานแต่ละอย่าง ท่านสามารถแบ่งสัดส่วนของทรัพยากรให้แต่ละโครงการ AI ได้อย่างปลอดภัยไม่ยุ่งเกี่ยวกัน

7.) AI Blueprint Quick Start

เพื่อความรวดเร็วในการขึ้นระบบองค์กร ผู้ดูแลสามารถสร้างแคตาล็อกสเป็คของ Infrastructure ให้เป็นมาตรฐาน เพื่อพร้อมใช้งานกับโครงการ AI ต่างๆได้ทันที ให้นักพัฒนาแอปพลิเคชันหรือ Data Scientist กดเริ่มงานได้ด้วยตัวเอง (เดิมคือ VCF Automation)

8.) Private AI Ecosystem

การประกาศตัวเป็นผู้สนับสนุนการพัฒนา AI จะเกิดขึ้นไม่ได้แต่เพียงฝ่ายเดียว เพราะโครงการ AI ยังต้องอาศัย ฮาร์ดแวร์ ผู้เชี่ยวชาญด้านเทคนิค รวมถึงผู้ให้บริการเกี่ยวกับโมเดลและข้อมูลที่ทั่วโลกให้การยอมรับ ด้วยเหตุนี้เองคำว่า Private AI Ecosystem จึงหมายถึงการที่ VMware by Broadcom สร้างความร่วมมือกับพันธมิตรในอุตสาหกรรมอีกมาย อาทิ NVIDIA, AMD, Intel, Dell, HPE, Lenovo, Supermicro, Hugging Face, Domino Data Lab ฯลฯ

สำหรับผู้ที่สนใจโซลูชันของ VMware หรือกำลังมองหาแนวทางการสร้าง Private Cloud สามารถติดต่อทีมงาน VST ECS (Thailand) ได้ที่ vmwareconnect@vstecs.co.th

แหล่งที่มาของข้อมูล: techtalkthai.com