Red Hat AI 3.5: ยกระดับ AI องค์กรจากโครงการทดลองสู่ระบบผลิตจริงบนไบริดคลาวด์

Red Hat AI 3.5 ไม่ได้เปิดตัวมาเพื่อชูโมเดลใหม่หรือแชตบอตฟีเจอร์เดียว แต่เป็นการอัปเดตสำหรับงานปฏิบัติการ เพื่อช่วยให้องค์กรนำ AI ออกจากช่วงทดลองไปสู่ระบบผลิตจริงที่ควบคุม ตรวจสอบ และขยายการใช้งานได้บนไฮบริดคลาวด์

Red Hat ประกาศรุ่นนี้เมื่อวันที่ 9 กันยายน 2026 และสรุปย้ำในวันที่ 11 กันยายนว่า จุดเน้นคือความปลอดภัย การควบคุมเชิงปฏิบัติการ และความโปร่งใสด้านประสิทธิภาพสำหรับการให้ AI ทำงานเสมือนบริการส่วนกลางขององค์กร 4315

EvalHub: ตรวจสอบก่อนขึ้นระบบจริง

หัวใจของรุ่น 3.5 คือ EvalHub ซึ่งเป็นชุดเครื่องมือประเมินโมเดลและ AI agent ที่เปิดให้ใช้งานทั่วไปแล้ว (GA) สำหรับโมเดลที่องค์กรนำมาเองหรือปรับแต่งเอง การตั้งค่า retrieval-augmented generation (RAG) และ agent

ทีมงานสามารถทดสอบความเสี่ยงด้านความปลอดภัย เช่น prompt injection และ jailbreak รวมถึงสร้างเอกสารรับรองที่มุ่งรองรับการปฏิบัติตามข้อกำหนดจากผลทดสอบได้ 13

ประเด็นนี้สำคัญเพราะโมเดลที่ให้ผลดีในเดโมหรือโครงการนำร่อง ไม่ได้แปลว่าพร้อมใช้กับกระบวนการธุรกิจจริงเสมอไป EvalHub มีเป้าหมายให้การประเมินเป็นขั้นตอนที่ทำซ้ำได้ก่อนนำไปใช้งาน แทนที่แต่ละทีมแอปพลิเคชันจะต้องสร้างวิธีทดสอบและหลักฐานของตนเองทั้งหมด

Red Hat ยังระบุว่าแค็ตตาล็อกโมเดลที่ผ่านการตรวจสอบเพิ่มขึ้นกว่า 20 โมเดล รวมถึงโมเดลจาก Google, NVIDIA และ Alibaba Cloud โดยผลการประเมินในแค็ตตาล็อกมีคะแนนจาก Garak benchmark และตัวบ่งชี้ความเสี่ยงเรื่องเนื้อหาเป็นพิษหรือการเปิดเผยข้อมูลส่วนบุคคลที่ระบุตัวบุคคลได้ (PII) เพื่อช่วยให้ทีมมีข้อมูลประกอบการเลือกโมเดล 34

เปลี่ยน GPU ที่ใช้ร่วมกันให้บริหารได้จริง

ระยะทดลองมักมี GPU จัดไว้เฉพาะงานและมีผู้ใช้ไม่มาก แต่เมื่อเข้าสู่ระบบผลิตจริง องค์กรต้องรับมือกับหลายเวิร์กโหลดที่แย่งทรัพยากร ระดับความสำคัญของบริการ และการคิดต้นทุนให้แต่ละทีม

Red Hat AI 3.5 จึงเพิ่มความสามารถสำหรับสภาพแวดล้อม GPU ที่ใช้ร่วมกัน ได้แก่ การจัดตารางงานแบบ fair-share การให้บริการที่รับรู้ลำดับความสำคัญ การควบคุมการรับงาน และการกำหนดเส้นทางคำขอตามลำดับความสำคัญ 48

นอกจากนี้ยังมีการวัดจำนวนโทเค็นรายผู้ใช้ และแดชบอร์ดแสดงสถานะของอินเฟอเรนซ์ การใช้ GPU และประสิทธิภาพโมเดล ความสามารถเหล่านี้ช่วยให้ผู้ดูแลแพลตฟอร์มเห็นว่าใครใช้ทรัพยากรเท่าไร ตรวจพบปัญหาการให้บริการ และรองรับการระบุต้นทุนในระดับทีมได้ 414

สำหรับองค์กรที่ใช้โครงสร้างพื้นฐานเร่งความเร็วด้วย NVIDIA ภาพรวมเชิงปฏิบัติคือมีชั้นการบริหารแบบ Kubernetes ครอบการเสิร์ฟโมเดล ตั้งแต่ประเมินเวิร์กโหลด ควบคุมการเข้าถึง GPU ที่ใช้ร่วมกัน ไปจนถึงติดตามบริการที่กำลังทำงานอยู่ Red Hat AI Inference 3.5 ยังมีอิมเมจอินเฟอเรนซ์ที่ปรับแต่งแล้วและเปิดใช้ทั่วไปสำหรับ NVIDIA CUDA ควบคู่กับ AMD ROCm, Google TPU, Intel Gaudi และ IBM Spyre 35

RAG และ agent เพิ่มความสามารถ แต่ยังไม่ได้พร้อมใช้ทั่วไปทั้งหมด

รุ่น 3.5 ขยายเครื่องมือสำหรับแอปพลิเคชัน RAG และ agent ด้วย โดย AutoRAG เพิ่มความสามารถหลายภาษาสำหรับคลังเอกสารที่ไม่ใช่ภาษาอังกฤษหรือมีหลายภาษาปะปนกัน เช่น การตรวจจับภาษา การแบ่งข้อความตามลักษณะภาษา และ multilingual embeddings ในพื้นที่ค้นหาการปรับแต่ง 1

Red Hat อธิบายว่า AutoRAG ช่วยประเมินและปรับจูน RAG pipeline ด้วยความสามารถอย่าง contextual retrieval การทดสอบบทสนทนา และการดีบักแบบมองเห็นภาพ อย่างไรก็ดี AutoRAG ยังอยู่ในสถานะ Technology Preview ไม่ใช่ฟีเจอร์ที่เปิดใช้งานทั่วไป ทีมที่กำลังวางระบบผลิตจริงจึงควรคำนึงถึงสถานะนี้ในการเลือกองค์ประกอบของระบบ 13

นอกจากนี้ยังมีเทมเพลต AI Hub สำหรับใช้เป็นจุดเริ่มต้นของเวิร์กโฟลว์ เช่น การรีวิวโค้ด การประมวลผลเอกสาร และงานวิจัย 43

ขยายทางเลือกอินเฟอเรนซ์บนไฮบริดคลาวด์นอก OpenShift

Red Hat AI 3.5 ขยายทางเลือกสำหรับ distributed inference ผ่าน llm-d บน managed Kubernetes โดยเอกสารระบุเป้าหมายคือ Azure Kubernetes Service (AKS), CoreWeave Kubernetes Service (CKS) และ Amazon EKS พร้อมข้อกำหนด เช่น Kubernetes เวอร์ชัน 1.33 ขึ้นไปและโหนด GPU ที่จัดเตรียมไว้ 37

แต่สถานะการสนับสนุนไม่เท่ากันทุกแพลตฟอร์ม เอกสารของ Red Hat ระบุชัดว่า distributed inference ด้วย llm-d บน Amazon EKS เป็นเพียง Technology Preview ไม่มีการสนับสนุนตาม SLA สำหรับระบบผลิตจริง และไม่แนะนำให้ใช้ในงานผลิต ส่วนเอกสารของ Red Hat AI Inference ระบุแนวทางการดีพลอยบน Azure และ CoreWeave Kubernetes Service ซึ่งเป็นเส้นทางที่รองรับในรุ่นนี้ 3940

สิ่งที่ทีมองค์กรได้จากรุ่น 3.5

Red Hat AI 3.5 รวมงานที่มักกระจัดกระจายอยู่ในโครงการ AI ทดลองให้มุ่งไปในทิศทางแพลตฟอร์มเดียวกัน 4 ด้าน

1. สร้างความเชื่อมั่นก่อนเปิดใช้: ประเมินโมเดลที่ปรับแต่งเอง, RAG pipeline และ agent ต่อความเสี่ยงด้านความปลอดภัย พร้อมผลลัพธ์ที่ตรวจสอบได้ 13
2. ควบคุมระหว่างให้บริการ: จัดสรร GPU ที่ใช้ร่วมกันด้วยนโยบายด้านความเป็นธรรมและลำดับความสำคัญ พร้อมวัดการใช้โทเค็น 4
3. มองเห็นการทำงานจริง: ใช้แดชบอร์ดอินเฟอเรนซ์ การใช้ทรัพยากร และประสิทธิภาพโมเดลเพื่อบริหารบริการหลังเปิดใช้ 14
4. ย้ายข้ามโครงสร้างพื้นฐานได้: ทำอินเฟอเรนซ์ที่ปรับแต่งกับตัวเร่งความเร็วหลายชุด และดีพลอย distributed inference บน Kubernetes ที่รองรับ 3540

Red Hat วางตำแหน่งความสามารถเหล่านี้เป็นฐานปฏิบัติการสำหรับ AI ที่ทำงานข้ามสภาพแวดล้อมไฮบริด และถูกดูแลเหมือนโครงสร้างพื้นฐานร่วมขององค์กร แทนที่จะเป็นชุดการทดลองแยกส่วน 43

Lightwell เป็นโครงการที่เกี่ยวข้อง แต่แยกจาก Red Hat AI 3.5

ในภาพใหญ่ของ IBM และ Red Hat ยังมี Lightwell ซึ่งเป็นโครงการร่วมที่มุ่งจัดการช่องโหว่ในไลบรารีโอเพนซอร์สจากบุคคลที่สาม เดือนกันยายน LTM ประกาศความร่วมมือกับ IBM และ Red Hat เกี่ยวกับ Lightwell เพื่อแก้ไขช่องโหว่ด้วย AI

อย่างไรก็ตาม Lightwell เกี่ยวข้องกับความปลอดภัยของซัพพลายเชนซอฟต์แวร์ ไม่ใช่ฟีเจอร์ของ Red Hat AI 3.5 โดยตรง แต่สะท้อนแนวทางร่วมของบริษัทที่ให้ความสำคัญกับการตรวจสอบความถูกต้องและการลดความเสี่ยงเชิงปฏิบัติการ 2425

สรุป

คำสัญญาหลักของ Red Hat AI 3.5 คือเรื่องการปฏิบัติการ: ให้ทีมแพลตฟอร์มทดสอบ AI ก่อนเปิดใช้ กำกับโครงสร้างพื้นฐานตัวเร่งความเร็วที่ใช้ร่วมกัน และสังเกตการณ์การเสิร์ฟโมเดลบนสภาพแวดล้อมไฮบริด

EvalHub ที่เข้าสู่สถานะ GA คือจุดศูนย์กลาง ขณะที่การจัดตาราง GPU การวัดโทเค็น และเครื่องมือสังเกตการณ์ตอบโจทย์งานดูแลระบบหลังเปิดใช้จริง ซึ่งโครงการนำร่องมักยังไม่ได้เผชิญเต็มรูปแบบ ข้อควรระวังคือสถานะความพร้อมใช้งานแตกต่างกันตามฟีเจอร์ โดย AutoRAG และ distributed inference บน EKS ยังเป็น Technology Preview 1339