ในระหว่างที่ปัญญาประดิษฐ์ (AI) กำลังเข้ามามีบทบาทอย่างลึกซึ้งในการขับเคลื่อนกระบวนการทางธุรกิจและการรักษาความมั่นคงปลอดภัยไซเบอร์ หลายคนอาจคุ้นเคยกับคำว่า AI ในฐานะระบบที่เรียนรู้จากข้อมูลมหาศาลด้วยโครงข่ายประสาทเทียมเพียงอย่างเดียว ทว่าในความเป็นจริงแล้ว ตั้งแต่รากฐานการก่อตั้ง AI ในฐานะสาขาวิชาการ มีแนวคิดหลักสองสายที่พัฒนาแข่งขันกันมาโดยตลอด นั่นคือ Symbolic AI (ปัญญาประดิษฐ์เชิงสัญลักษณ์) และ Subsymbolic AI (ปัญญาประดิษฐ์เชิงเชื่อมโยง) มาตรฐานสากล ISO/IEC 22989:2022 ซึ่งเป็นกรอบการกำหนดแนวคิดและคำศัพท์ปัญญาประดิษฐ์ระดับโลก ได้ให้คำนิยามและการเปรียบเทียบคุณลักษณะทางเทคนิคของเทคโนโลยีทั้งสองขั้วนี้ไว้อย่างชัดเจน การทำความเข้าใจความแตกต่างของสองแนวคิดนี้ ไม่เพียงแต่ช่วยให้ผู้บริหารและผู้ปฏิบัติงาน IT/Cybersecurity เลือกใช้โซลูชันที่เหมาะสมกับความต้องการได้เท่านั้น แต่ยังเป็นกุญแจสำคัญในการประเมินความปลอดภัย ความโปร่งใส และความน่าเชื่อถือของระบบปัญญาประดิษฐ์ในองค์กรอีกด้วย Symbolic AI (ระบบสัญลักษณ์) ตรรกะ เหตุผล และโครงสร้างสัญลักษณ์ที่โปร่งใส Symbolic AI หรือ ปัญญาประดิษฐ์เชิงสัญลักษณ์ เป็นแนวคิดดั้งเดิมที่มุ่งเน้นการเข้ารหัสความรู้ (Knowledge Encoding) ด้วยสัญลักษณ์และโครงสร้างที่ชัดเจน โดยกระบวนการคิดหรือให้เหตุผลของระบบจะใช้วิธีการทางตรรกศาสตร์ (Logics) เพื่อจำลองกระบวนการตัดสินใจของมนุษย์ นิยามและพฤติกรรมเชิงระบบตามมาตรฐาน ISO/IEC 22989 การเข้ารหัสข้อมูลที่ชัดแจ้ง (Explicit Encoding): ข้อมูลความรู้ในระบบ Symbolic AI จะถูกเขียนและจัดเก็บอย่างชัดแจ้งในรูปแบบที่เป็นทางการ (Formal Representation) ซึ่งมีโครงสร้างไวยากรณ์ (Syntax)…

ในปัจจุบัน หลายองค์กรหันมาพัฒนาและประยุกต์ใช้งานระบบปัญญาประดิษฐ์ (AI) โดยเฉพาะระบบที่ใช้โครงข่ายประสาทเทียม (Neural Network) เพื่อช่วยเพิ่มขีดความสามารถและยกระดับการพยากรณ์หรือตัดสินใจในกระบวนการทำงานที่ซับซ้อน อย่างไรก็ตาม สิ่งที่ผู้บริหารเทคโนโลยีและผู้ปฏิบัติงานด้านไอทีและระบบความปลอดภัยต้องตระหนักร่วมกันคือ ระบบปัญญาประดิษฐ์เหล่านี้ไม่ได้มีความฉลาดที่สมบูรณ์แบบไร้ข้อจำกัด เช่นเดียวกับมนุษย์เราที่มีขีดจำกัดในการเรียนรู้ โครงข่ายประสาทเทียมเองก็มีจุดอ่อนเชิงวิศวกรรมทางโครงสร้างที่สำคัญยิ่งเรื่องหนึ่ง ซึ่งมาตรฐานสากล ISO/IEC 22989:2022 ได้หยิบยกมาอธิบายไว้เป็นกรณีเฉพาะ นั่นคือ ปรากฏการณ์ "Catastrophic Forgetting" หรือการลืมความรู้เดิมแบบฉับพลัน ซึ่งเป็นหนึ่งในข้อจำกัดพื้นฐานที่ขัดขวางการอัปเกรดระบบอัจฉริยะในสายการปฏิบัติงานจริง ปรากฏการณ์ "Catastrophic Forgetting" คืออะไรในทางวิศวกรรม AI? เพื่อให้เข้าใจข้อจำกัดนี้อย่างถูกต้อง ต้องย้อนกลับมาทำความเข้าใจธรรมชาติการเรียนรู้ของเครื่อง (Machine Learning) เสียก่อน ในทางวิศวกรรม อัลกอริทึมการเรียนรู้ของเครื่องจำนวนมากจะทำงานได้อย่างมีประสิทธิภาพสูงสุดก็ต่อเมื่อได้รับการนำเสนอข้อมูลทั้งหมดพร้อม ๆ กันในคราวเดียว (Presented all at once) ในระหว่างการพัฒนาหรือทดสอบระบบ เมื่อระบบ AI หรือโมเดลได้รับการป้อนข้อมูลเพื่อทำงานใดงานหนึ่งเป็นเป้าหมาย พารามิเตอร์ภายในโมเดล (Model Parameters) ซึ่งรวมถึงค่าน้ำหนักการเชื่อมโยง (Weights) ระหว่างแต่ละชั้นเลเยอร์ของ Neural Network จะถูกปรับปรุงและคำนวณผ่านเทคนิคทางคณิตศาสตร์และสถิติต่าง ๆ เพื่อให้ได้โมเดลที่มีพฤติกรรมสะท้อนตามชุดข้อมูลนั้น ๆ แต่เมื่อองค์กรเริ่มมีความจำเป็นต้องป้อนข้อมูลชุดใหม่ (New training…

ในปัจจุบันที่ระบบปัญญาประดิษฐ์ (AI) เข้ามามีบทบาทอย่างยิ่งยวดในภาคธุรกิจและการบริหารจัดการเทคโนโลยีสารสนเทศ ด้วยขีดความสามารถในการคำนวณที่เพิ่มขึ้น ต้นทุนที่ต่ำลง และการมีข้อมูลมหาศาลจากหลากหลายแหล่งให้เรียนรู้ ทว่าความท้าทายที่แท้จริงของการนำ AI มาใช้งานในองค์กร ไม่ใช่เรื่องของความอัจฉริยะในการประมวลผลเพียงอย่างเดียว แต่เป็นเรื่องของ "ความไว้วางใจ" ว่าระบบเหล่านั้นจะทำงานได้อย่างถูกต้อง ปลอดภัย และไม่สร้างความเสียหายต่อผู้มีส่วนได้ส่วนเสีย คำถามสำคัญคือ เราจะวัดความน่าเชื่อถือของเทคโนโลยีที่มีความซับซ้อนนี้ได้อย่างไร? มาตรฐานสากล ISO/IEC 22989:2022 ได้เข้ามาร่างกรอบคำศัพท์และวางรากฐานแนวคิดสากล โดยเฉพาะการนิยามคุณลักษณะของ "ความน่าเชื่อถือ" (Trustworthiness) ของระบบ AI ไว้อย่างเป็นระบบ เพื่อให้องค์กรทุกประเภท ทั้งภาคธุรกิจ หน่วยงานรัฐบาล และองค์กรไม่แสวงหากำไร ได้ใช้เป็นเข็มทิศในการควบคุม ตรวจสอบ และบริหารความเสี่ยงจากการใช้งาน AI นิยาม "ความน่าเชื่อถือ" (Trustworthiness) ตามมาตรฐาน ISO/IEC 22989 คืออะไร? ตามมาตรฐาน ISO/IEC 22989 ได้ให้คำจำกัดความของความน่าเชื่อถือไว้อย่างเรียบง่ายแต่ทรงพลังว่า: "ความน่าเชื่อถือ (Trustworthiness) คือ ความสามารถในการตอบสนองความคาดหวังของผู้มีส่วนได้ส่วนเสีย (Stakeholders) ในรูปแบบที่สามารถตรวจสอบและพิสูจน์ได้ (Verifiable way)" คำสำคัญของนิยามนี้อยู่ที่คำว่า "ในรูปแบบที่ตรวจสอบและพิสูจน์ได้" นั่นหมายความว่า ความน่าเชื่อถือของ AI ไม่ใช่เรื่องของความรู้สึกหรือการกล่าวอ้างลอยๆ แต่จะต้องมีหลักฐานเชิงประจักษ์…

ในบทสนทนาประจำวันเกี่ยวกับปัญญาประดิษฐ์ (AI) เรามักคุ้นเคยกับการใช้คำศัพท์ที่เกี่ยวข้องกับการรับรู้ของมนุษย์ เช่น AI กำลัง "เรียนรู้" (Learning) AI กำลัง "เข้าใจ" (Understanding) หรือ AI สามารถ "ตัดสินใจ" (Decisions) ได้ การเปรียบเทียบเช่นนี้เป็นบ่อเกิดสำคัญของปรากฏการณ์ "Anthropomorphism" หรือการมองว่าสิ่งไม่มีชีวิตอย่างเทคโนโลยีมีจิตสำนึก ความรู้สึก และความตระหนักรู้อย่างมนุษย์ อย่างไรก็ตาม มาตรฐานสากล ISO/IEC 22989:2022 ซึ่งเป็นมาตรฐานรากฐานด้านแนวคิดและคำศัพท์ปัญญาประดิษฐ์ ได้เน้นย้ำถึงความจำเป็นในการทำความเข้าใจคำจำกัดความทางวิศวกรรมที่ถูกต้อง และการยอมรับข้อจำกัดที่แท้จริงของระบบ AI เพื่อหลีกเลี่ยงความเข้าใจผิดดังกล่าว สำหรับผู้บริหาร ผู้ปฏิบัติงานด้าน IT และผู้ดูแลความปลอดภัยไซเบอร์ (Cybersecurity) การแยกแยะความแตกต่างระหว่าง "การจำลองการทำงานขั้นต้น" กับ "ความตระหนักรู้จริง" ถือเป็นปัจจัยวิกฤตในการวิเคราะห์ความเสี่ยงและกำหนดระดับการกำกับดูแลระบบ AI ได้อย่างปลอดภัยและมั่นคง แนวคิด "Avoid Anthropomorphism" ตามมาตรฐาน ISO/IEC 22989 คืออะไร? ภายใต้หมวดแนวคิดหลักของปัญญาประดิษฐ์ มาตรฐาน ISO/IEC 22989 ได้มีการชี้แจงเกี่ยวกับการเลือกใช้ถ้อยคำไว้อย่างชัดแจ้ง แม้ว่ามาตรฐานสากลฉบับนี้จะใช้คำศัพท์อย่าง "ความฉลาด" (Intelligence), "ความเข้าใจ" (Understanding),…

ในยุคที่องค์กรต่าง ๆ ทั่วโลกหันมาใช้งานปัญญาประดิษฐ์ (AI) เพื่อเพิ่มขีดความสามารถในการแข่งขันและช่วยสนับสนุนการทำงาน แต่สิ่งที่เป็นความท้าทายสำคัญร่วมกันสำหรับผู้บริหาร ผู้ปฏิบัติงาน IT และผู้ดูแลความปลอดภัยไซเบอร์ (Cybersecurity) คือการทำความเข้าใจความแตกต่างขั้นพื้นฐานระหว่างระบบซอฟต์แวร์แบบดั้งเดิมกับระบบ AI หลายองค์กรยังคงคาดหวังว่าการบริหารจัดการ ควบคุม และการทวนสอบ AI จะดำเนินไปในลักษณะและใช้แนวทางแบบเดียวกับซอฟต์แวร์ไอทีทั่วไป แต่ในความเป็นจริงแล้ว ระบบทั้งสองมีโครงสร้างหลักและพฤติกรรมทางวิศวกรรมที่แตกต่างกันอย่างสิ้นเชิงตามกรอบที่มาตรฐานสากล ISO/IEC 22989:2022 ได้ระบุไว้ บทความนี้จะเจาะลึกความแตกต่างที่สำคัญในมิติต่าง ๆ เพื่อให้องค์กรสามารถนำไปประยุกต์ใช้งานได้อย่างมีประสิทธิภาพและปลอดภัย ตรรกะการทำงาน: เขียนคำสั่งแบบเฉพาะเจาะจง (Hardcoded) VS การเรียนรู้ขับเคลื่อนด้วยข้อมูล (Data-driven) ความแตกต่างในแง่วิธีการสร้างตรรกะและแนวคิดทางคอมพิวเตอร์เป็นจุดแบ่งแยกที่สำคัญที่สุดระหว่างสองระบบ: ระบบซอฟต์แวร์ทั่วไป (Traditional Software Systems / Conventional Programming): พัฒนาขึ้นโดยอาศัยผู้เชี่ยวชาญหรือนักพัฒนาซอฟต์แวร์ในการกำหนดตรรกะเพื่อแก้ปัญหาอย่างชัดแจ้ง โดยระบุขั้นตอนการประมวลผลและการคำนวณที่แม่นยำ (Exact computational steps) ลงไปในซอฟต์แวร์ด้วยภาษาคอมพิวเตอร์ ระบบประเภทนี้จึงถูกออกแบบให้ทำงานอย่างแม่นยำตามข้อกำหนดและรายละเอียดเชิงคุณสมบัติ (Requirements and specifications) ที่วางไว้ก่อนหน้า ระบบ AI ที่อิงการเรียนรู้ของเครื่อง (Machine Learning-based AI Systems): ตรรกะการทำงานทั้งหมดไม่ได้ถูกระบุหรือเขียนโปรแกรมกำหนดไว้ล่วงหน้าแบบครอบคลุม (not…