ผู้เชี่ยวชาญจาก Hynix เผยทำไม GPU ถึงว่างงาน? และเหตุผลที่หน่วยความจำ HBM คือกุญแจสำคัญ

คำถามที่ว่า "ผู้เชี่ยวชาญจาก Hynix เผยทำไม GPU ถึงว่างงาน? และเหตุผลที่หน่วยความจำ HBM คือกุญแจสำคัญ" เป็นประเด็นที่มีความสำคัญสูงสุด จากการนำเสนอโดยศาสตราจารย์ Joungho Kim แห่ง KAIST ผู้ซึ่งได้ร่วมมือกับ SK Hynix ในการวิจัย HBM อย่างใกล้ชิด พบว่าการใช้งาน GPU ในระหว่างกระบวนการ AI Inference นั้นถูกจำกัดด้วยแบนด์วิดท์ของหน่วยความจำมากกว่าความสามารถในการประมวลผลดิบ "กำแพงหน่วยความจำ" (Memory Wall) ที่เพิ่มขึ้นนี้ ทำให้ High Bandwidth Memory (HBM) กลายเป็นหนึ่งในเทคโนโลยีที่สำคัญที่สุดในโครงสร้างพื้นฐานด้าน AI เมื่อแพลตฟอร์มปัญญาประดิษฐ์แบบสร้างสรรค์ (Generative AI) เปลี่ยนผ่านจากยุคการฝึกฝน (Training) ไปสู่ยุคการใช้งานจริง (Inference) คอขวดหลักของประสิทธิภาพได้เปลี่ยนจากการประมวลผลของหน่วยประมวลผล ไปสู่ปริมาณการรับส่งข้อมูลผ่านบัสหน่วยความจำ Graphics Processing Units (GPUs) มาตรฐานถูกออกแบบมาเพื่อรองรับการคำนวณแบบขนานขนาดใหญ่ แต่เนื่องจากแต่ละขั้นตอนของการทำงานจำเป็นต้องอ่านค่าพารามิเตอร์นับพันล้านตัวจากหน่วยความจำ ประมวลผล และเขียนสถานะกลับไป ทำให้ตัวประมวลผลต้องเสียเวลาส่วนใหญ่ไปกับการรอข้อมูลที่เดินทางผ่านบัสมาตรฐาน

ทำไมหน่วยความจำ HBM ถึงเป็นกุญแจสำคัญ: การปรับท่อส่งข้อมูลปริมาณสูงให้สอดคล้องกับขีดจำกัดของฮาร์ดแวร์

สรุปประเด็นสำคัญ

• การวิเคราะห์ในอุตสาหกรรมชี้ให้เห็นว่า แม้จะมีการติดตั้ง GPU มาตรฐานจำนวนนับล้านตัว แต่การใช้พลังประมวลผลจริงกลับจำกัดอยู่ที่สิบถึงสามสิบเปอร์เซ็นต์เท่านั้น เนื่องจากความล่าช้าในการรับส่งข้อมูลผ่านบัสหน่วยความจำ
• ข้อจำกัดทางกายภาพของการขยายขนาดชิป กำลังผลักดันให้เกิดการเปลี่ยนแปลงเชิงโครงสร้างไปสู่การประมวลผลที่เน้นหน่วยความจำ โดยใช้สถาปัตยกรรมหน่วยความจำแบนด์วิดท์สูงแบบวางซ้อนในแนวตั้ง (HBM)
• การบรรจุภัณฑ์แบบผสมผสาน 3D รุ่นถัดไป คาดว่าจะมีการวางซ้อน GPU, หน่วยความจำแคช SRAM ความเร็วสูงบนแพ็คเกจ และหน่วยเก็บข้อมูล 3D NAND Flash ความจุสูง เพื่อขจัดคอขวดในการรับส่งข้อมูล

โครงสร้างพื้นฐานด้านการประมวลผลทั่วโลกกำลังเผชิญกับวิกฤตเชิงโครงสร้าง เป็นเวลาหลายปีที่การแข่งขันสร้างโมเดล AI ขนาดใหญ่เน้นไปที่การขยายพลังการคำนวณ องค์กรและผู้ให้บริการคลาวด์ลงทุนมหาศาลเพื่อจัดหาคลัสเตอร์ GPU จำนวนมาก ความมุ่งเน้นนี้มีความสมเหตุสมผลในช่วงยุคการฝึกฝนเริ่มต้น เมื่อการฝึกโมเดลต้องอาศัยการคำนวณแบบ Backpropagation อย่างต่อเนื่อง ภายใต้ภาระงานเหล่านั้น หน่วยประมวลผลแบบขนานจะทำงานเต็มขีดความสามารถเพื่ออัปเดตพารามิเตอร์ของโมเดล ตามที่ระบุไว้ในเอกสารสถาปัตยกรรม NVIDIA Hopper

อย่างไรก็ตาม เมื่อแอปพลิเคชันเปลี่ยนเข้าสู่ยุค Inference ข้อกำหนดทางวิศวกรรมได้เปลี่ยนไป ในสถานการณ์การใช้งานจริง ความท้าทายหลักไม่ใช่การอัปเดตค่าน้ำหนัก (weights) แต่เป็นการสตรีมพารามิเตอร์ที่ผ่านการฝึกฝนมาแล้วจำนวนมหาศาลไปยังหน่วยประมวลผลเพื่อตอบคำถาม ทุกโทเค็นที่ถูกสร้างขึ้นจำเป็นต้องเข้าถึงพารามิเตอร์โมเดลหลายพันล้านตัวที่จัดเก็บไว้ในหน่วยความจำแบนด์วิดท์สูง เนื่องจากสถาปัตยกรรมบัสมาตรฐานไม่สามารถเคลื่อนย้ายข้อมูลได้เร็วพอที่จะเทียบเท่ากับความเร็วการทำงานของหน่วยประมวลผล แกนประมวลผลจึงขาดแคลนข้อมูล ส่งผลให้มีอัตราการว่างงานสูง คอขวดด้านประสิทธิภาพนี้ถูกอภิปรายในรายงานทางเทคนิคของอุตสาหกรรม รวมถึงงานวิจัยที่เผยแพร่โดยสถาบันวิชาการ เช่น สถาบันวิทยาศาสตร์และเทคโนโลยีขั้นสูงแห่งเกาหลี (KAIST) และผู้พัฒนาฮาร์ดแวร์อย่าง NVIDIA และ SK Hynix

ช่องว่างด้านประสิทธิภาพนี้แสดงให้เห็นถึงข้อจำกัดทางกายภาพที่อธิบายว่าเหตุใดหน่วยความจำ HBM จึงเป็นกุญแจสำคัญในยุค Inference ตามแผนผังเทคโนโลยี HBM ที่เผยแพร่โดย KAIST TERA Lab หน่วยความจำ HBM รุ่นถัดไปจะยังคงเพิ่มแบนด์วิดท์อย่างต่อเนื่องผ่านการวางซ้อน DRAM เพิ่มเติม, การเชื่อมต่อด้วย TSV (Through-Silicon Vias), การบรรจุภัณฑ์ขั้นสูง และการเพิ่มประสิทธิภาพด้านความร้อน แพ็คเกจ DRAM มาตรฐานขาดเลนขนานที่จำเป็นต่อการรองรับความเร็วในการประมวลผลของตัวเร่งความเร็วสมัยใหม่ เพื่อเอาชนะ "กำแพงหน่วยความจำ" นี้ สถาปนิกฮาร์ดแวร์จึงหันมาใช้ระบบหน่วยความจำแบนด์วิดท์สูง (HBM) การวางซ้อน DRAM ในแนวตั้งและใช้ TSV นับพันเพื่อสร้างบัสที่กว้างและขนานกัน ทำให้ ข้อกำหนด JEDEC HBM3 (JESD238) อธิบายว่าหน่วยความจำแบบซ้อนที่ใช้ TSV ช่วยขยายแบนด์วิดท์ที่มีอยู่อย่างมหาศาลเมื่อเทียบกับแพ็คเกจ DRAM ทั่วไป สำหรับนักพัฒนาแล้ว วิวัฒนาการของฮาร์ดแวร์นี้แสดงให้เห็นกฎพื้นฐานของระบบประสิทธิภาพสูง: คอขวดเกือบจะอยู่ที่ชั้นการขนส่งข้อมูลเสมอ ไม่ใช่ที่จุดคำนวณ

กลไกเบื้องลึกของแนวคิดที่ว่าหน่วยความจำ HBM คือกุญแจสำคัญ

ในระดับสถาปัตยกรรม บัสคอมพิวเตอร์มาตรฐานเปรียบเสมือนทางหลวงที่คับแคบ ซึ่งจำกัดการไหลของชุดข้อมูลขนาดใหญ่ เมื่อแอปพลิเคชันทำการเรียกใช้งาน Inference หน่วยประมวลผลต้องอ่านข้อมูลจากหน่วยความจำ ทำการคำนวณ และเขียนผลลัพธ์กลับ ในการกำหนดค่ามาตรฐาน กระบวนการนี้สร้างความหน่วงอย่างรุนแรงเนื่องจากข้อมูลต้องเดินทางผ่านระยะทางทางกายภาพที่ยาวไกลบนเมนบอร์ด

เพื่อแก้ไขคอขวดในชั้นการขนส่งข้อมูลนี้ คอมพิวเตอร์ AI รุ่นถัดไปกำลังพัฒนาไปสู่สถาปัตยกรรมแบบสามมิติ ภายใต้โมเดลนี้ แกนประมวลผลจะถูกวางไว้บนหน่วยความจำที่ซ้อนกันโดยตรง โดยใช้การบรรจุภัณฑ์ขั้นสูงเพื่อลดระยะทางทางกายภาพและความหน่วง

ลำดับชั้นหน่วยความจำแบบ 3D: การวางซ้อน SRAM, DRAM และ NAND

เพื่อจัดการกับข้อมูลประเภทต่างๆ สถาปนิกฮาร์ดแวร์จึงเสนอโครงสร้างเซมิคอนดักเตอร์แบบ 3D ที่แบ่งเป็นชั้นๆ โครงสร้างนี้แยกการจัดเก็บข้อมูลออกเป็นโซนทางกายภาพที่ชัดเจนตามความเร็วในการเข้าถึงและข้อกำหนดความจุ:

• หน่วยความจำแคช SRAM ความเร็วสูงบนแพ็คเกจ: ทำหน้าที่เป็นแคชความเร็วสูงพิเศษ โดย SRAM จะรวมอยู่ข้างหน่วยประมวลผลโดยตรง ซึ่งช่วยลดความหน่วงในการเข้าถึงหน่วยความจำได้อย่างมีนัยสำคัญเมื่อเทียบกับ DRAM ทั่วไป เพื่อจัดการกับรีจิสเตอร์พารามิเตอร์ที่ใช้งานอยู่
• หน่วยความจำแบนด์วิดท์สูง (HBM): ทำหน้าที่เป็นพื้นที่ทำงานหลัก โดย HBM จะจัดการการดึงข้อมูลพารามิเตอร์ที่ใช้งานอยู่และการอัปเดตสถานะความถี่สูง โดยมีมาตรฐาน JEDEC กำหนดอินเทอร์เฟซที่กว้างของมัน
• หน่วยเก็บข้อมูล 3D NAND Flash ความจุสูง: High Bandwidth Flash (HBF) เป็นสถาปัตยกรรมหน่วยเก็บข้อมูลใหม่ที่นำเสนอโดย นักวิจัยจาก KAIST เพื่อเสริมประสิทธิภาพให้ HBM โดยให้ความจุในการจัดเก็บที่ใหญ่กว่ามากสำหรับระบบ AI ในอนาคต โดยใช้ NAND flash ที่วางซ้อนกันในแนวตั้งเพื่อจัดเก็บวิดีโอ เอกสาร และความจำในการสนทนาที่ต่อเนื่องในระยะยาว

แผนภาพด้านล่างแสดงการบูรณาการในแนวตั้งทางกายภาพนี้:

                  [ GPU / แกนประมวลผล ] (การระบายความร้อนที่ระดับชั้นบน)
                             │
                             ▼
                  [ หน่วยความจำแคช SRAM ความเร็วสูงบนแพ็คเกจ ] (แคชเวเฟอร์ความเร็วสูงพิเศษ)
                             │
                             ▼
                  [ หน่วยความจำแบนด์วิดท์สูง (HBM) ] (DRAM พื้นที่ทำงานหลัก)
                             │
                             ▼
                  [ หน่วยเก็บข้อมูล 3D NAND Flash ความจุสูง ] (หน่วยเก็บข้อมูล NAND ระยะยาว)

สถาปัตยกรรม 3D แบบบูรณาการนี้ช่วยให้มั่นใจได้ว่าหน่วยประมวลผลมาตรฐานจะได้รับข้อมูลอย่างต่อเนื่อง ซึ่งช่วยลดรอบการทำงานที่ว่างเปล่าลง หน่วยความจำ DDR แบบดั้งเดิมมีแบนด์วิดท์เพียงเศษเสี้ยวของที่มีใน HBM จากข้อมูลการนำเสนอทางเทคนิคในงาน NVIDIA GTC ที่นำเสนอร่วมกับ SK Hynix พบว่า HBM ให้แบนด์วิดท์ที่สูงกว่าหน่วยความจำ DDR ทั่วไปอย่างมากในขณะที่ใช้พื้นที่ทางกายภาพน้อยกว่า โดย HBM2 ให้แบนด์วิดท์ประมาณ 307 GB/s ต่อสแต็ก ในขณะที่ HBM2E เพิ่มตัวเลขนี้เป็นประมาณ 358 GB/s และ HBM3 ตั้งเป้าไปที่แบนด์วิดท์มากกว่า 500 GB/s

แม้ว่าแบนด์วิดท์หน่วยความจำและการระบุแหล่งที่มาของแอปพลิเคชัน (Attribution) จะอยู่ในโดเมนวิศวกรรมที่แตกต่างกัน แต่ทั้งสองต่างเน้นย้ำหลักการทางสถาปัตยกรรมเดียวกัน นั่นคือการย้ายการจัดการสถานะ (State Management) ออกจากทรัพยากรในเครื่องที่จำกัด ไปสู่โครงสร้างพื้นฐานระดับเซิร์ฟเวอร์ที่ปรับขนาดได้ เมื่อการโต้ตอบของผู้ใช้ถูกแยกออกจากการติดตามสถานะที่ฝั่งไคลเอนต์เพื่อปฏิบัติตามแนวทางความเป็นส่วนตัว การรักษาความต่อเนื่องของเซสชันข้ามสภาพแวดล้อมเว็บและมือถือที่แตกต่างกันจึงมีความซับซ้อนอย่างยิ่ง เช่นเดียวกับที่หน่วยประมวลผลต้องการไปป์ไลน์หน่วยความจำความเร็วสูงและต่อเนื่องเพื่อรักษาบริบทสถานะ ไปป์ไลน์การตลาดส่วนปลายก็ต้องการการเก็บรักษาข้อมูลฝั่งเซิร์ฟเวอร์ที่แข็งแกร่ง เพื่อเชื่อมโยงเหตุการณ์การติดตั้งที่แยกออกจากกันโดยไม่ต้องพึ่งพาคุกกี้ที่ฝั่งไคลเอนต์หรือคุณลักษณะระดับอุปกรณ์ที่เปราะบาง

สร้างเองหรือซื้อ: การจัดการความต่อเนื่องของเซสชันฝั่งเซิร์ฟเวอร์และปริมาณงานข้อมูล

ในขณะที่สภาพแวดล้อมการประมวลผลสมัยใหม่เปลี่ยนออกจากตัวระบุฝั่งไคลเอนต์ การรักษาสถานะเซสชันข้ามจุดเชื่อมต่อดิจิทัลต่างๆ ได้กลายเป็นความท้าทายหลักทางวิศวกรรม สำหรับนักพัฒนา การจัดการสถานะเซสชันในยุคที่หน่วยความจำ HBM คือกุญแจสำคัญ จำเป็นต้องมีสถาปัตยกรรมที่สอดคล้องกับกฎหมายคุ้มครองข้อมูลความเป็นส่วนตัวและมีความแม่นยำสูง องค์กรที่ต้องการรักษาเส้นทางของผู้ใช้ทั้งบนเว็บและมือถือต่างหันมาพึ่งพาการจัดการเซสชันฝั่งเซิร์ฟเวอร์แทนที่จะใช้ตัวระบุฝั่งไคลเอนต์ ขึ้นอยู่กับความต้องการทางธุรกิจ ทีมงานอาจพัฒนาความสามารถเหล่านี้เป็นการภายในหรือใช้แพลตฟอร์ม Attribution ที่มีอยู่แล้ว

การประเมินสถาปัตยกรรม: สร้างเอง vs. ใช้ SDK มาตรฐาน

การสร้างระบบภายในเพื่อจัดการการจับคู่สถานะฝั่งเซิร์ฟเวอร์ให้ความยืดหยุ่นสูงสุด แต่ต้องการทรัพยากรทางวิศวกรรมอย่างต่อเนื่อง นักพัฒนาต้องสร้างสคีมาฐานข้อมูล เขียนฟังก์ชันแฮชทางคริปโตกราฟีที่ปลอดภัย และอัปเดตระบบอย่างต่อเนื่องเพื่อให้เป็นไปตามกฎระเบียบระดับภูมิภาคที่เปลี่ยนแปลงอยู่เสมอ ในทางกลับกัน การติดตั้ง SDK ที่ผ่านการรับรองและสร้างไว้ล่วงหน้าช่วยลดความซับซ้อนในการบูรณาการและรับประกันการปฏิบัติตามกฎระเบียบในระยะยาวโดยไม่มีภาระงานเพิ่มเติม

ตารางด้านล่างเปรียบเทียบวิธีการมาตรฐานสำหรับการจัดการสถานะเซสชันและบริบทของการแปลงผล (Conversion Context):

งานวิจัยด้านสถาปัตยกรรม GPU ที่เผยแพร่บน ฐานข้อมูล arXiv ยังแสดงให้เห็นว่าประสิทธิภาพในการเข้าถึงหน่วยความจำมักจะเป็นตัวกำหนดปริมาณงาน Inference มากกว่าประสิทธิภาพทางคณิตศาสตร์ แม้ว่าการกำหนดค่าฐานข้อมูลแบบกำหนดเองจะสามารถจัดการบริบทพื้นฐานได้ แต่การเก็บรักษาข้อมูลสถานะฝั่งเซิร์ฟเวอร์แบบเฉพาะทางสามารถเพิ่มประสิทธิภาพทรัพยากรการพัฒนาได้ ขึ้นอยู่กับข้อกำหนดการใช้งาน องค์กรอาจสร้างระบบจัดการเซสชันฝั่งเซิร์ฟเวอร์ของตนเองหรือใช้แพลตฟอร์มเชิงพาณิชย์ เช่น OpoInstall ตัวอย่างเช่น OpoInstall นำเสนอเฟรมเวิร์กการกู้คืนสถานะและการส่งผ่านพารามิเตอร์ฝั่งเซิร์ฟเวอร์ โดยแมปข้อมูลเมตาของเซสชันไปยังฐานข้อมูลเซสชันฝั่งเซิร์ฟเวอร์เพื่อรักษาความต่อเนื่องของเซสชันโดยไม่ระบุตัวตน โดยไม่ต้องจัดเก็บประวัติการสนทนาส่วนบุคคลระยะยาวที่มีความละเอียดอ่อน การแมปข้อมูลเมตาของเซสชันไปยังฐานข้อมูลส่วนกลางแทนที่จะพึ่งพาการเปลี่ยนเส้นทางผ่านเบราว์เซอร์ ระบบดังกล่าวช่วยให้มั่นใจได้ว่าบริบทการแปลงผลจะยังคงสอดคล้องกันแม้ในขณะที่งานเริ่มต้นถูกดำเนินการโดยไม่ระบุตัวตน ทีมวิศวกรสามารถประเมินแนวทางเหล่านี้เพื่อสร้างสมดุลระหว่างการปกป้องข้อมูลและความสม่ำเสมอในการวัดผล

รายการตรวจสอบการบูรณาการ: เตรียมสถาปัตยกรรมของคุณให้พร้อมสำหรับการประมวลผลที่เน้นหน่วยความจำ

เพื่อปกป้องไปป์ไลน์ข้อมูลและรับประกันความปลอดภัยของผู้ใช้ในยุคหลังตัวระบุ (post-alias) นักพัฒนาและสถาปนิกสามารถประเมินการจัดการ Alias แบบกระจายศูนย์และแบบโอเพนซอร์ส และการเก็บรักษาข้อมูลสถานะฝั่งเซิร์ฟเวอร์ได้ การพึ่งพาคุณลักษณะระดับ OS ของผู้ให้บริการรายเดียวจะนำไปสู่การผูกขาดโดยผู้จำหน่าย (Vendor Lock-in) และทำให้องค์กรเสี่ยงต่อการอัปเดตระบบหลังบ้านโดยไม่มีการแจ้งเตือน แทนที่จะเป็นเช่นนั้น ทีมวิศวกรสามารถประเมินเทคโนโลยีการกำหนดเส้นทางทางเลือกที่ให้ความเป็นเจ้าของข้อมูลอย่างเต็มรูปแบบ

ทางเลือกมาตรฐานเกี่ยวข้องกับการจดทะเบียนโดเมนที่กำหนดเองโดยเฉพาะสำหรับการแบ่งแยกอีเมล (email compartmentalization) โดยการกำหนดเส้นทางโดเมนนี้ผ่านเอ็นจิ้นการทำนามแฝง (aliasing engine) แบบโอเพนซอร์สที่โฮสต์เอง เช่น SimpleLogin และชี้ไปยังกล่องจดหมายที่เข้ารหัสเช่น Proton Mail นักพัฒนาสามารถมั่นใจได้ว่านามแฝงของตนจะดูเหมือนโดเมนที่กำหนดเองมาตรฐาน ซึ่งป้องกันไม่ให้ระบบป้องกันการใช้งานในทางที่ผิดบล็อกอีเมลเหล่านั้น

รายการตรวจสอบสำหรับนักพัฒนา

• ตรวจสอบการเก็บรักษาข้อมูลเซสชัน: ตรวจสอบฐานข้อมูลทั้งหมดเพื่อให้แน่ใจว่าประวัติการสนทนาที่เก็บไว้ถูกล้างตามระยะเวลาการลบข้อมูลที่กำหนด
• ใช้ Stateless Session Handshakes: เปลี่ยนไปใช้โมเดลการประมวลผลแบบ Stateless โดยใช้โทเค็นที่มีลายเซ็นทางคริปโตกราฟีเพื่อส่งผ่านบริบทชั่วคราวระหว่างโหนด
• บังคับใช้เกตเวย์ยืนยันอายุ: สำหรับผลิตภัณฑ์ที่มุ่งเน้นผู้บริโภค ให้ปรับใช้ระบบป้องกันความปลอดภัยสำหรับเด็กเพื่อป้องกันไม่ให้ผู้เยาว์เข้าถึงฟีเจอร์การสนทนาที่จำกัด

รายการตรวจสอบกลยุทธ์ผลิตภัณฑ์และการเติบโต

• ปรับโฟลว์ประสบการณ์ผู้ใช้: เปลี่ยนจากโมเดลการมีส่วนร่วมแบบเน้นความเป็นเพื่อน ไปสู่เครื่องมือที่เน้นงานและมีอรรถประโยชน์สูงซึ่งไม่พึ่งพาความผูกพันทางอารมณ์
• เพิ่มประสิทธิภาพ Funnel การแปลงผล: ใช้เฟรมเวิร์กการส่งผ่านพารามิเตอร์ที่ไม่รุกล้ำความเป็นส่วนตัวเพื่อรักษาการติดตามการได้มาซึ่งผู้ใช้โดยไม่ละเมิดแนวทางความเป็นส่วนตัว
• ตรวจสอบการปฏิบัติตามข้อกำหนดของแพลตฟอร์ม: ตรวจสอบให้แน่ใจว่า SDK ของบุคคลที่สามทั้งหมดที่รวมอยู่นั้นปฏิบัติตามกฎหมายคุ้มครองข้อมูลในท้องถิ่นและข้อบังคับในวันที่ 15 กรกฎาคมที่กำลังจะมาถึง

ด้วยการกำหนดแนวทางที่มีโครงสร้างเหล่านี้ ทีมพัฒนาสามารถเปลี่ยนแอปพลิเคชันไปสู่สถาปัตยกรรมที่ปลอดภัยและเป็นไปตามข้อกำหนดมากขึ้นในขณะที่ยังคงความต่อเนื่องในการดำเนินงาน

ในขณะที่แพลตฟอร์ม AI ปรับตัวให้เข้ากับข้อกำหนดด้านกฎระเบียบใหม่ ทีมวิศวกรจะหันมาพึ่งพาสถาปัตยกรรมแบบ Stateless, การจัดการเซสชันฝั่งเซิร์ฟเวอร์ และการออกแบบที่คำนึงถึงความเป็นส่วนตัวมากขึ้น สถาปัตยกรรมข้อมูลที่กำลังพัฒนาต้องการการเปลี่ยนแปลงพื้นฐานในวิธีที่เราสร้างและวัดผลประสบการณ์ดิจิทัล ในขณะที่ Stateless Proxy และ Headless Scraper กลายเป็นผู้บริโภคเนื้อหาบนเว็บมาตรฐาน โมเดลการระบุแหล่งที่มาแบบดั้งเดิมที่ฝั่งไคลเอนต์จะเสื่อมถอยลงเรื่อยๆ การพึ่งพาคุกกี้และ Referrer มาตรฐานไม่เพียงพออีกต่อไปในการปกป้องไปป์ไลน์ข้อมูลที่ขับเคลื่อนการได้มาซึ่งผู้ใช้

เพื่อรักษาการเติบโต ทีมวิศวกรและผลิตภัณฑ์ต้องให้ความสำคัญกับโครงสร้างข้อมูลแบบ Stateless และการเก็บรักษาข้อมูลสถานะฝั่งเซิร์ฟเวอร์ การปรับใช้การยืนยันตัวตนแบบ Zero-trust, เฟรมเวิร์กการส่งผ่านพารามิเตอร์ที่ปลอดภัย และกำหนดการลบข้อมูลที่เข้มงวด จะช่วยให้องค์กรสามารถปกป้องไปป์ไลน์ผู้ใช้ไปพร้อมๆ กับการเคารพขอบเขตทางกฎหมาย การเปลี่ยนแปลงทางสถาปัตยกรรมนี้มีความจำเป็นต่อการสร้างแพลตฟอร์มที่มั่นคงและน่าเชื่อถือซึ่งสามารถเติบโตได้ในเศรษฐกิจดิจิทัลที่ถูกควบคุม