เมื่อพูดถึงความมั่นคงในวันนี้ ขอบเขตไม่ได้อยู่เฉพาะเรื่องอาณาเขต แต่รวมไปถึงความมั่นคงทางอาหาร เศรษฐกิจ และอีกหลายเรื่องที่เกี่ยวข้องกับประเทศ คำว่า Resilience หรือความสามารถในการยืนกลับขึ้นมาได้เมื่อเผชิญสถานการณ์ต่าง ๆ จึงสัมพันธ์กับ Data อย่างมาก เพราะการบริหารนโยบายและวิเคราะห์สถานการณ์จำเป็นต้องมีข้อมูลเป็นฐาน
ศาสตราจารย์ดร.ธีรณี อจลากุล ผู้อำนวยการสถาบันข้อมูลขนาดใหญ่ (BDI) กล่าวถึง High Value Data Set หรือชุดข้อมูลสำคัญว่า เป็นสิ่งที่ประเทศต้องมีสำหรับการบริหารและการตัดสินใจ ปัญหาคือข้อมูลจำนวนมากยังแยกกันอยู่ตามหน่วยงาน เช่นเดียวกับคนและภารกิจที่แยกจากกัน จนเกิดทั้ง Data Silo, People Silo และ Function Silo
การสร้างสะพานข้าม Silo เหล่านี้เพื่อให้ข้อมูลเชื่อมโยงกันจึงเป็นจุดเริ่มต้น เพราะ Data ไม่ได้มีความหมายเฉพาะกับการบริหารประเทศ เมื่อข้อมูลถูกนำมาทำความสะอาด จัดโครงสร้าง และเตรียมให้พร้อม ข้อมูลชุดเดียวกันยังกลายเป็นฐานสำหรับการพัฒนา AI ได้ด้วย
ทลาย Data Silo เชื่อมข้อมูลโดยไม่ต้องรวมศูนย์
การเชื่อมข้อมูลไม่ได้หมายความว่าฐานข้อมูลของทุกหน่วยงานต้องถูกดึงมากองรวมไว้ที่ศูนย์กลาง แนวทางที่ ศาสตราจารย์ ดร.ธีรณี อธิบาย คือการเชื่อม “ชุดข้อมูลสำคัญ” ในแต่ละด้าน เพื่อให้สามารถนำมาใช้ร่วมกันเมื่อต้องบริหารจัดการสถานการณ์ที่เกี่ยวข้องกับหลายหน่วยงาน
ในสถานการณ์ที่เกี่ยวข้องกับสาธารณสุข ข้อมูลจากหลายสถาบันสามารถนำมาเชื่อมกันเพื่อให้นักวิจัยใช้ในการ Prediction หรือหากต้องดูแลประชาชนในศูนย์พักพิง ก็สามารถเชื่อมข้อมูลด้านสาธารณสุขและข้อมูลผู้ป่วยเข้ากับศูนย์พักพิง เพื่อให้ข้อมูลที่จำเป็นต่อการดูแลประชาชนเดินทางข้ามระบบได้
ในระยะแรกมีชุดข้อมูลสำคัญที่เกี่ยวข้องกับการบริหารจัดการมากกว่าร้อยชุด และจะเพิ่ม High Value Data Set เพื่อให้สามารถนำข้อมูลไปใช้ประโยชน์ข้าม Sector และข้ามกระทรวง หลักการยังคงเหมือนเดิม คือไม่ Copy ข้อมูลมารวมฐาน แต่สร้างการเชื่อมโยงเพื่อให้ข้อมูลถูกนำมาใช้เมื่อจำเป็น
จากโจทย์เรื่องการเชื่อมข้อมูล คำถามถัดมาคือข้อมูลเหล่านี้เกี่ยวข้องกับ AI อย่างไร คำตอบเริ่มตั้งแต่ก่อนนำข้อมูลเข้าไป Train โมเดล เพราะข้อมูลดิบที่มีอยู่ไม่ได้หมายความว่าจะพร้อมสำหรับ AI ทันที
ข้อมูลคุณภาพคือจุดเริ่มต้นของ AI
ข้อมูลที่จะนำไปสอน AI ต้องผ่านการ Clean และจัดโครงสร้างให้ชัดเจน ในหลายกรณียังต้องมีผู้เชี่ยวชาญมาทำ Label Data เพื่อบอกว่าข้อมูลแต่ละส่วนคืออะไร กระบวนการนี้ทำให้ AI เรียนรู้ข้อมูลและนำไปประมวลผลต่อได้
จึงมีเส้นแบ่งระหว่าง Data Dirty กับ Data ที่พร้อมสำหรับการ Train AI คุณภาพของข้อมูลตรงนี้มีผลต่อคุณภาพของคำตอบโดยตรง เพราะ AI เรียนรู้จากสิ่งที่ถูกป้อนเข้าไป หากข้อมูลผิดหรือมี Bias ผลลัพธ์ที่ออกมาก็สามารถผิดหรือมี Bias ตามไปด้วย
“ข้อมูลที่ดีจะทำให้ AI ตอบคำถามได้ดี ข้อมูลที่ผิดหรือ Bias จะทำให้ AI ตอบผิด”
เมื่อฐานข้อมูลพร้อม การเลือกใช้ AI จึงขึ้นอยู่กับโจทย์ของงาน ศาสตราจารย์ ดร.ธีรณี กล่าวย้ำว่า AI ไม่ได้เท่ากับ ChatGPT หรือ Gemini และแบ่ง AI ให้เข้าใจง่ายเป็น 3 กลุ่ม ได้แก่ Analytic AI, Generative AI และ Agentic AI
AI 3 กลุ่มจากวิเคราะห์ข้อมูลสู่ Agentic AI
Netflix แนะนำเนื้อหาให้ผู้ใช้แต่ละคนไม่เหมือนกัน เพราะระบบเรียนรู้ Pattern จากพฤติกรรมการรับชม หลักการนี้อยู่ในกลุ่ม Analytic AI ซึ่งนำข้อมูลมาวิเคราะห์ด้วยสถิติและ Machine Learning เพื่อหา Pattern ก่อนนำ Model ที่ได้ไปใช้วิเคราะห์หรือคาดการณ์ข้อมูลใหม่
วิธีคิดเดียวกันนำไปใช้กับ Cybersecurity ได้ เมื่อมี Traffic จำนวนมากวิ่งอยู่ในระบบ AI สามารถเรียนรู้ Pattern ของพฤติกรรมที่อาจเกี่ยวข้องกับการนำ Ransomware เข้ามาฝังในเครือข่าย เมื่อพบ Behavior ที่เข้าข่าย ระบบจะแจ้งเตือนเจ้าหน้าที่ Cybersecurity ให้ตรวจสอบ ศาสตราจารย์ ดร.ธีรณี กล่าวว่า หากตรวจพบได้เร็ว การจัดการก็จะง่ายขึ้น
Generative AI ทำงานต่างออกไป เพราะความสามารถหลักคือการสร้างเนื้อหาใหม่ เช่น การตอบคำถาม สรุปใจความ หรือเขียนข้อความ เทคโนโลยีกลุ่มนี้กำลังพัฒนาไปสู่ Multimodal ซึ่งข้อมูลที่ใช้ Train ไม่ได้มีเพียงภาษา แต่รวมถึงภาพ วิดีโอ และ Behavior เมื่อ Generative AI ถูกนำไปฝังในสิ่งที่มีกายภาพ ก็เชื่อมไปสู่ Physical AI
การใช้งานยังขยายไปได้ตั้งแต่ Transportation การ Survey สถานการณ์ด้วยโดรน การทำ Gaming สำหรับ Training Simulator ไปจนถึง Cybersecurity ซึ่งเป็นเหตุผลที่ผู้ใช้งานต้องตามเทคโนโลยีให้ทันและรู้ว่าจะเลือกใช้กับงานใด
Agentic AI เริ่มจากอีกโจทย์หนึ่ง คือ Workflow ที่มีมนุษย์ทำงานต่อกันเป็นขั้นตอน หากบางจุดใน Workflow สามารถแทน Human Agent ด้วย AI Agent งานส่วนนั้นก็สามารถทำงานได้โดยอัตโนมัติ ไม่จำเป็นต้องเปลี่ยนทั้งกระบวนการในครั้งเดียว สำหรับประเทศไทย ศาสตราจารย์ ดร.ธีรณี กล่าวถึงแนวทาง Human-Supervised Agentic AI ที่ยังมีมนุษย์คอยควบคุมอยู่
Agentic AI เชื่อมข้อมูลรับมือภัยพิบัติ
ลองมอง Agentic AI ผ่านสถานการณ์ภัยพิบัติ ข้อมูลที่ต้องใช้ไม่ได้มาจากแหล่งเดียว ทั้งข้อมูลอากาศ ข้อมูลดาวเทียม และตำแหน่งโรงพยาบาลต้องถูกนำมาเรียงและเชื่อมกัน AI Agent ตัวหนึ่งสามารถทำหน้าที่รวบรวมข้อมูลเหล่านี้ ก่อนส่งต่อให้อีก Agent ช่วยเสนอว่าควรจัดอุปกรณ์ อาหาร และน้ำไปยังพื้นที่ใด
ศาสตราจารย์ ดร.ธีรณี กล่าวถึงบทบาทของกองทัพในฐานะกำลังหลักในพื้นที่เมื่อเกิดภัยพิบัติ การที่ข้อมูลเชื่อมถึงกันจึงทำให้สามารถนำข้อมูลไปใช้ในจุดที่กำลังพลต้องการได้
แต่การทำให้ระบบพร้อมเชื่อมข้อมูล ไม่ได้แปลว่าหน่วยงานเจ้าของข้อมูลต้องส่งข้อมูลออกมาตลอดเวลา วิธีหนึ่งคือการ “ต่อท่อ” หรือสร้างทางเชื่อมไว้ก่อน ข้อมูลยังอยู่กับเจ้าของจนกว่าจะเกิดเงื่อนไขที่อนุญาตให้เรียกใช้ เช่น เมื่อผู้ว่าราชการจังหวัดประกาศสถานการณ์ฉุกเฉินตามกฎหมาย ระบบจึงเข้าถึงข้อมูลที่ต้องใช้ในสถานการณ์นั้น
วิธีนี้ทำให้ไม่ต้องนำ Data มากองรวมไว้ล่วงหน้า สิ่งที่เตรียมไว้คือช่องทางเชื่อมต่อ และเมื่อเกิดภัยพิบัติจึงดึงข้อมูลที่จำเป็นเข้ามาใช้งาน
Agentic AI ยกระดับการรับมือภัยไซเบอร์
ในระบบ Cybersecurity แบบเดิม การตรวจพบความผิดปกติอาจจบลงที่การแจ้งเตือนให้เจ้าหน้าที่เข้ามาจัดการ แต่ Agentic AI สามารถแบ่งการทำงานออกเป็น Agent หลายตัวที่รับหน้าที่ต่อกัน
Agent ตัวหนึ่งเก็บข้อมูลว่าใครเข้ามาทำอะไรในระบบ เมื่อใด และผ่านช่องทางไหน อีก Agent นำข้อมูลที่เก็บได้มาเชื่อมโยงและตรวจสอบว่าสิ่งที่เกิดขึ้น Make Sense หรือไม่ หากพบความเสี่ยง Agent อีกตัวสามารถพิจารณาการ isolate หรือแยกอุปกรณ์บางส่วนออกจากสายหลักเพื่อไม่ให้ระบบเข้าถึงกัน และยังมี Agent ที่ทำหน้าที่ Recommend วิธีแก้เมื่อถูกเจาะระบบ
จากระบบที่เคยทำได้เพียง Alert จึงกลายเป็นกระบวนการที่เชื่อมตั้งแต่การตรวจจับ วิเคราะห์ แนะนำ ไปจนถึงบางขั้นตอนของการจัดการ ซึ่งเป็นตัวอย่างของการทำงานแบบ Agentic AI ที่ ศาสตราจารย์ ดร.ธีรณี นำมาอธิบายกับงานด้านความปลอดภัย Cyber
Data Governance รากฐานของ AI Governance
เมื่อ AI สามารถวิเคราะห์ สร้างเนื้อหา และเข้าไปทำงานใน Workflow ได้มากขึ้น ปัญหาที่ต้องจัดการจึงย้อนกลับมาที่ข้อมูลอีกครั้ง
AI ถูกสร้างขึ้นให้เลียนแบบวิธีการเรียนรู้จากประสบการณ์ของมนุษย์ หากต้องการให้ระบบตอบในบริบทเฉพาะของไทย ก็ต้องมีข้อมูลของไทยให้ระบบเรียนรู้ ศาสตราจารย์ ดร.ธีรณี ยกตัวอย่างว่า หากต้องการคำตอบในบริบทของกองกำลังบกไทย แต่ปล่อยให้ AI ไป Search Internet จากข้อมูลของประเทศอื่น ระบบก็อาจ Suggest วิธีการจากยุโรป สหรัฐอเมริกา หรือจีนกลับมาแทน
การมีข้อมูลของไทยเพียงอย่างเดียวก็ยังไม่พอ ข้อมูลต้องมี Quality และผู้เชี่ยวชาญในบริบทนั้นต้องเป็นผู้ช่วยจัดการและ Label Data เพราะผู้ที่เข้าใจข้อมูลระดับปฏิบัติไม่ใช่ AI และไม่ใช่คนนอก แต่คือผู้ที่ทำงานกับข้อมูลนั้นจริง
จาก Data Governance จึงต่อไปถึง AI Governance เพื่อให้ AI ถูกนำไปใช้อย่างมีจริยธรรมและมีความรับผิดชอบ ศาสตราจารย์ ดร.ธีรณี ยกตัวอย่างตั้งแต่การนำ AI ไปช่วยในการวินิจฉัย ไปจนถึงโปรแกรมเมอร์ที่ใช้ AI เขียน Code หากรับผลลัพธ์จาก AI ไปใช้โดยไม่ตรวจสอบ ความผิดพลาดหรือ Bug ที่อยู่ใน Code ก็สามารถติดไปกับงานได้
ในสถานะของเทคโนโลยีปัจจุบัน การใช้ AI จึงยังต้องมีมนุษย์อยู่ในวงจร หาก AI Generate Report ผู้รับผิดชอบต้องอ่านก่อนส่ง หากใช้ AI เขียน Code ก็ต้องตรวจสอบ Code ไม่ใช่ปล่อยให้ระบบ Run แล้วนำผลลัพธ์ไปใช้ทันที
ข้อมูลอ่อนไหวโจทย์ใหญ่ของการใช้ AI
ความเสี่ยงอีกแบบเกิดขึ้นตั้งแต่ตอนที่ผู้ใช้นำข้อมูลเข้า AI หากเจ้าหน้าที่ซื้อบริการ AI ด้วยบัญชีส่วนตัวแล้วอัปโหลดเอกสารราชการเข้าไป ข้อมูลเหล่านั้นจะถูกจัดการอย่างไรเป็นเรื่องที่ต้องคิดก่อนใช้งาน
ศาสตราจารย์ ดร.ธีรณี กล่าวถึง Enterprise Version ซึ่งมีเงื่อนไขว่าข้อมูลที่องค์กรอัปโหลดจะไม่ถูกนำออกไป Train ภายนอกองค์กร และยังสามารถมีข้อตกลงเกี่ยวกับการใช้ข้อมูล แม้ Data และ AI จะยังอยู่ต่างประเทศก็ตาม
สำหรับข้อมูลที่มี Sensitivity สูงขึ้น อีกทางเลือกในอนาคตคือการพัฒนา Local AI ที่ Train จาก Model สำหรับบริบทของประเทศ โดยยกตัวอย่าง Thai LLM หรือ Thai Language Model ที่เริ่มพัฒนาผ่าน Consortium แม้โมเดลดังกล่าวจะไม่เก่งเท่า ChatGPT แต่สามารถเลือกใช้กับเรื่องที่ Sensitive และต้องการ Local Context ได้
ตั้งแต่ Data Silo ไปจนถึง Thai LLM เส้นทางทั้งหมดจึงกลับมาที่เรื่องเดียวกัน คือข้อมูลที่นำมาใช้กับ AI ต้องถูกเตรียมให้เหมาะกับงาน มีคุณภาพ และตรงกับบริบท ก่อนต่อยอดไปสู่ Data Governance และ AI Governance
“การที่เราจะใช้ AI อย่างมีความรับผิดชอบเป็น Responsible AI ดิฉันเชื่อว่า ณ วันนี้จำเป็นต้องมีมนุษย์อยู่ในห่วงการใช้”
AI จึงเข้ามาช่วยทำงานได้ตั้งแต่การหา Pattern วิเคราะห์ข้อมูล สร้างเนื้อหา ไปจนถึงทำงานร่วมกันเป็น Agent แต่ในสถานะของเทคโนโลยีปัจจุบัน ผลลัพธ์ที่ AI สร้างขึ้นยังต้องผ่านการตรวจสอบของมนุษย์ โดยเฉพาะเมื่อนำไปใช้กับข้อมูลและงานที่เกี่ยวข้องกับความมั่นคง
ข่าวอื่น ๆ ที่น่าสนใจ
กลาโหม-AIS-DGA ปั้น Digital-Ready Force สร้างคนรับความมั่นคงยุค AI
รศ.ดร.ธีรณี อจลากุล ความท้าทายบนเส้นทางสู่ Data Driven Nation
