Confluent Intelligenceเพิ่มศักยภาพ ข้อมูลธุรกิจแบบเรียลไทม์สู่AIในองค์กร

วันที่ 5 มีนาคม 2569 - 21:03 น.

กรุงเทพฯ-Confluent, Inc. (Nasdaq: CFLT) ผู้บุกเบิกด้าน Data Streaming ประกาศเปิดตัวขีดความสามารถใหม่ภายใต้ Confluent Intelligence มุ่งยกระดับการเชื่อมต่อ AI Agents และเพิ่มประสิทธิภาพด้านการวิเคราะห์ข้อมูลให้มีความแม่นยำและชาญฉลาดยิ่งขึ้น โดยฟีเจอร์ Streaming Agents ของ Confluent ได้นำโปรโตคอล Agent2Agent (A2A) มาใช้เพื่อสั่งการและประสานงานของ AI Agents จากภายนอกผ่าน Data Streaming แบบเรียลไทม์ ทำให้องค์กรสามารถเชื่อมต่อระบบ AI ได้อย่างไร้รอยต่อ ขณะเดียวกัน Multivariate Anomaly Detection จะทำหน้าที่วิเคราะห์ตัวชี้วัด (Metrics) หลายรายการพร้อมกันเพื่อตรวจจับรูปแบบความผิดปกติใน Data Streams โดยอัตโนมัติ ช่วยให้ทีมงานสามารถคาดการณ์และป้องกันปัญหาได้อย่างแม่นยำก่อนที่จะส่งผลกระทบต่อระบบหรือบริการที่เกี่ยวข้อง ซึ่งความสามารถทั้งสองนี้จะช่วยสร้างระบบ AI ที่มีบริบท (Context-aware) และพร้อมปรับตัวตามการเปลี่ยนแปลงของข้อมูล Agents และสภาวะทางธุรกิจได้แบบเรียลไทม์

Sean Falconer หัวหน้าฝ่าย AI ของ Confluent กล่าวว่า “หากองค์กรต้องการรักษาขีดความสามารถในการแข่งขัน AI ต้องไม่วิเคราะห์จากข้อมูลย้อนหลังเพียงอย่างเดียว แต่จำเป็นต้องมีระบบ AI Agents ที่ทำงานร่วมกัน สามารถเรียนรู้และแบ่งอินไซต์ได้แบบเรียลไทม์ ซึ่ง Confluent Intelligence จะเข้ามาทำหน้าที่เชื่อมโยงการลงทุนและระบบ AI ของแต่ละทีมเข้าด้วยกัน ไม่ว่าจะถูกพัฒนาขึ้นบนแพลตฟอร์มใดก็ตาม เพื่อให้ AI สามารถตอบสนองต่อข้อมูลชุดปัจจุบัน หรือ Live Data ได้ทันที พร้อมทั้งดำเนินการ ประสานการทำงานระหว่างระบบ และแจ้งเตือนทีมงานได้อย่างอัตโนมัติในกรณีจำเป็น”

สร้างระบบนิเวศ AI Agent เพื่อการทำงานร่วมกันอย่างเต็มรูปแบบ

ปัจจุบันองค์กรต่าง ๆ เริ่มนำ AI Agent เข้ามาปรับเพื่อใช้ในการตัดสินใจแบบอัตโนมัติและรองรับการทำงานที่มีความซับซ้อนสูงขึ้น โดยรายงานจาก IDC FutureScape: Worldwide Future of Work 2026 Predictions คาดการณ์ว่า “ภายในปี 2569 กว่า 40% ของตำแหน่งงานในกลุ่มบริษัท Forbes' Global 2000 จะมีการทำงานร่วมกับ AI Agent ซึ่งจะเข้ามาพลิกโฉมบทบาทงานแบบดั้งเดิม ตั้งแต่ตำแหน่งงานระดับแรกเข้า จนถึงระดับบริหาร” ซึ่งตัวเลขดังกล่าวอาจเป็นเพียงการคาดการณ์ขั้นต่ำเท่านั้น อย่างไรก็ตาม ในขณะที่ AI Agent เริ่มแพร่หลายไปในหลากหลายเครื่องมือและระบบงาน ส่วนใหญ่กลับยังคงทำงานแบบแยกส่วน หากเหล่า Agents ไม่สามารถสื่อสารหรือแบ่งปันบริบทข้อมูลร่วมกันได้ อินไซต์สำคัญจะยังคงถูกจำกัดอยู่ในไซโลข้อมูล และส่งผลให้การตัดสินใจในภาพรวมขององค์กรขาดความเชื่อมโยงกัน

Streaming Agents ของ Confluent เข้ามาแก้ปัญหานี้ด้วยการเชื่อมต่อ AI Agents เข้ากับข้อมูลแบบเรียลไทม์ผ่าน Model Context Protocol (MCP) ของ Anthropic พร้อมผสานการทำงานระหว่าง Agents ด้วยโปรโตคอล A2A ทำให้ระบบสามารถวิเคราะห์ข้อมูลอย่างต่อเนื่องจากทั้ง Agent Framework อย่าง LangChain ร่วมกับแพลตฟอร์มข้อมูลชั้นนำ อาทิ BigQuery, Snowflake และ Databricks เพื่อสร้างอินไซต์ที่แม่นยำ จากนั้นจึงสั่งการแพลตฟอร์ม AI ระดับองค์กรอย่าง ServiceNow และ Salesforce ให้ดำเนินงานตามเวิร์กโฟลว์ได้ทันที และปิดช่องว่างระหว่างอินไซต์กับการลงมือปฏิบัติ โดยการเชื่อมต่อระบบเหล่านี้ช่วยให้ Confluent สามารถยกระดับ Stream-Level Analysis ไปสู่แนวคิด “Insight to Action” พร้อมสร้างระบบอัจฉริยะแบบเรียลไทม์ที่ตอบโจทย์ความต้องการทางธุรกิจที่เปลี่ยนแปลงอย่างรวดเร็วได้อย่างสมบูรณ์

การรองรับ A2A ใน Streaming Agents ทีมงานสามารถ:

• สร้าง AI Agents ที่ชาญฉลาดและนำกลับมาใช้ซ้ำได้ (Reusable): เพิ่มขีดความสามารถให้ AI Agents และระบบเดิมที่มีอยู่ ด้วยบริบทข้อมูลที่สดใหม่จาก Confluent เพื่อยกระดับการตอบสนองต่อเหตุการณ์และการดำเนินการต่อเนื่องโดยอัตโนมัติ ช่วยให้ระบบสามารถตัดสินใจและทำงานได้ทันทีโดยไม่ต้องรอคำสั่งตามลำดับขั้น
• ปลดล็อกการสื่อสารระหว่าง Inter-Agent และระบบตรวจสอบย้อนหลัง: บันทึกทุกการทำงานของ Agent ไว้ใน Immutable Log เพื่อความโปร่งใสและการทำงานย้อนหลัง พร้อมใช้ประโยชน์จาก Apache Kafka® ในการร้อยเรียงการทำงานระหว่าง Agent และนำผลลัพธ์ไปใช้งานต่อร่วมกับระบบอื่น ๆ ได้ทันที
• ศูนย์กลางการบริหารจัดการ (Orchestration) และการกำกับดูแล (Governance): ให้ Streaming Agents ทำหน้าที่เป็นตัวควบคุมหลัก โดยมี Confluent เป็นผู้ดูแลด้านความปลอดภัย การกำกับดูแลข้อมูล และการตรวจสอบการทำงานตั้งแต่ต้นจนจบ สำหรับทุกการทำงานและการเชื่อมต่อระหว่าง Agent

หลาย ๆ ทีมในอุตสาหกรรมต่าง ๆ สามารถใช้ระบบ A2A ใน Streaming Agents เพื่อเพิ่มรายได้ ลดความเสี่ยง และควบคุมต้นทุนอย่างมีประสิทธิภาพ ตัวอย่างเช่น การปรับข้อเสนอเฉพาะบุคคลในธุรกิจค้าปลีก การลดความเสี่ยงเครดิตในสถาบันการเงิน การแนะนำการรักษาในภาคสาธารณสุข การคาดการณ์การบำรุงรักษาในภาคการผลิต และการแก้ไขปัญหาระบบเครือข่ายเชิงรุกในอุตสาหกรรมโทรคมนาคม

ปัจจุบันการใช้งาน A2A ใน Streaming Agents เปิดให้ใช้งานในรูปแบบ Open Preview แล้ว

ตอบสนองต่อสัญญาณแบบเรียลไทม์ พร้อมกำจัดจุดบอดของข้อมูล

แม้ในปัจจุบันองค์กรต่าง ๆ จะมีการสร้างข้อมูลจำนวนมหาศาล แต่ความท้าทายสำคัญคือการคัดกรองข้อมูลที่จำเป็นออกจากสัญญาณรบกวน (Noise) ซึ่งการตรวจจับความผิดปกติ (Anomaly Detection) คือกุญแจสำคัญในการระบุความเสี่ยงและโอกาสที่มนุษย์อาจมองข้ามไป แนวทางการตรวจจับแบบดั้งเดิมมักวิเคราะห์ตัวชี้วัดแบบแยกส่วน และจำกัดอยู่เพียงการวิเคราะห์ข้อมูลย้อนหลังแบบ Batch เท่านั้น ซึ่งระบบที่อ้างอิงเพียงค่าสถิติพื้นฐานเหล่านี้มักอ่อนไหวต่อสัญญาณรบกวนหรือข้อมูลที่คลาดเคลื่อนได้ง่าย และเมื่อขาดบริบทที่ครบถ้วน ก็มักจะนำไปสู่การแจ้งเตือนที่ผิดพลาด รวมถึงมักตรวจพบปัญหาหลังจากที่ระบบได้รับผลกระทบไปแล้วอีกด้วย

Multivariate Anomaly Detection ของ Confluent ซึ่งเป็นฟีเจอร์ใหม่ในชุด Machine Learning (ML) Functions สามารถวิเคราะห์ตัวชี้วัดที่เกี่ยวข้องได้พร้อมกัน เพื่อลด False Positives และตรวจพบปัญหาที่แท้จริงได้รวดเร็วยิ่งขึ้น โดยระบบรองรับการตรวจจับความผิดปกติจากข้อมูลหลายตัวแปรพร้อมกันกับมองข้ามข้อมูลที่ไม่เกี่ยวข้องเพื่อมอบความแม่นยำสูงสุดในการมอนิเตอร์ข้อมูลที่มีความซับซ้อน นอกจากนี้ ทีมงานยังสามารถเริ่มต้นใช้งานได้ทันทีโดยไม่จำเป็นต้องสร้างหรือคอยปรับจูนโมเดลด้วยตนเอง เนื่องจากระบบมีความสามารถในการเรียนรู้และปรับตัวตามการเปลี่ยนแปลงของข้อมูลได้แบบเรียลไทม์

นอกจากนี้ ทีมงานยังสามารถ:

• เข้าใจสถานะที่ปกติของระบบได้อย่างชัดเจน: ในขณะที่เครื่องมือตรวจจับความผิดปกติแบบดั้งเดิมมักยึดตามค่าเฉลี่ย ซึ่งอาจถูกบิดเบือนได้ง่ายจากสัญญาณข้อมูลที่พุ่งสูงผิดปกติเพียงชั่วขณะ (Spikes) แต่ระบบ Multivariate Anomaly Detection ของ Confluent ซึ่งใช้เทคโนโลยี Machine Learning (ML) ที่เรียนรู้และตอบสนองต่อข้อมูลแบบเรียลไทม์ ช่วยให้ระบบสามารถคัดกรองสัญญาณรบกวนชั่วคราว (One-off Glitches) ออกไป และทำความเข้าใจพฤติกรรมที่แท้จริงของระบบได้อย่างแม่นยำยิ่งขึ้น
• ตรวจจับปัญหาและรูปแบบความผิดปกติที่ซับซ้อน: Multivariate Anomaly Detection ทำงานโดยการวิเคราะห์ตัวชี้วัด (Metrics) หลายรายการร่วมกันในลักษณะองค์รวม อาทิ การประมวลผลค่า CPU, หน่วยความจำ (Memory) และความหน่วง (Latency) ควบคู่กัน แทนการวิเคราะห์แยกส่วนทีละรายการ ช่วยให้ทีมงานสามารถระบุรูปแบบความผิดปกติเชิงซ้อนและตรวจพบปัญหาที่อาจถูกมองข้ามไป หากพิจารณาเพียงตัวชี้วัดใดตัวชี้วัดหนึ่ง
• ดำเนินการได้โดยอัตโนมัติ: ระบบจะทำการวัดระดับความเบี่ยงเบนของข้อมูลใหม่จากค่ามาตรฐานที่แท้จริง (True Normal) อย่างต่อเนื่อง โดยจะทำการแจ้งเตือน (Flag) ข้อมูลที่มีความคลาดเคลื่อนเกินเกณฑ์เป็นความผิดปกติทันที เพื่อให้ทีมงานสามารถตอบสนองต่อปัญหาได้อย่างรวดเร็วและแม่นยำ