ในการทำงานร่วมกับปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (Machine Learning) สิ่งที่ผู้บริหารและผู้ปฏิบัติงานสายเทคโนโลยีมักพบเจอหลังจากส่งมอบระบบเข้าสู่ช่วงการใช้งานจริง (Production) คือ ประสิทธิภาพการคาดการณ์หรือความแม่นยำของโมเดลที่เคยทำงานได้ดีกลับค่อย ๆ ลดลงตามกาลเวลา

ความตระหนักรู้ที่สำคัญคือ ระบบ AI แตกต่างจากซอฟต์แวร์ทั่วไปที่ทำงานในลักษณะที่ถูกเขียนคำสั่งขึ้นมาเพื่อให้มีพฤติกรรมตายตัวและแม่นยำตามข้อกำหนด ระบบ AI อาศัยข้อมูลและการฝึกฝนเพื่อสร้างตรรกะ ดังนั้น พฤติกรรมของมันจึงมีความเปลี่ยนแปลงได้ตลอดวงจรชีวิตของระบบ มาตรฐานสากล ISO/IEC 22989:2022 ได้ชี้ให้เห็นถึงสองปรากฏการณ์สำคัญที่เป็นสาเหตุหลักทำให้ประสิทธิภาพของโมเดล AI ถดถอยลง นั่นคือ Data Drift และ Concept Drift ซึ่งเป็นภัยเงียบที่ทุกองค์กรจำเป็นต้องเข้าใจเพื่อวางแผนรับมืออย่างถูกต้องเชิงวิศวกรรม

เจาะลึก Data Drift เมื่อลักษณะทางสถิติของข้อมูลจริงเปลี่ยนไป

ตามนิยามและข้อกำหนดในมาตรฐาน ISO/IEC 22989 ปรากฏการณ์ Data Drift คือ สภาวะที่ความแม่นยำในการพยากรณ์ของโมเดลเสื่อมถอยลงเมื่อเวลาผ่านไปเนื่องจากการเปลี่ยนแปลงของลักษณะทางสถิติ (Statistical Characteristics) ของข้อมูลจริงในระบบปฏิบัติการ (Production Data)

สภาวะนี้เกิดขึ้นแม้ว่าตัวแบบจำลอง (Model) จะไม่ได้มีการแก้ไขโค้ดหรือตรรกะใด ๆ เลย แต่ข้อมูลอินพุตที่ไหลเข้าสู่ระบบในปัจจุบันมีความแตกต่างเชิงสถิติไปจากข้อมูลเดิมที่เคยใช้ฝึกฝนโมเดล (Training Data) มาตรฐานได้ยกตัวอย่างสถานการณ์ที่ทำให้เกิด Data Drift ไว้อย่างชัดเจน เช่น:

• การเปลี่ยนแปลงของอุปกรณ์เก็บข้อมูล: ตัวอย่างเช่น ความละเอียดของรูปภาพ (Image Resolution) ที่ระบบได้รับเกิดการเปลี่ยนแปลงไปจากเดิม (ส่งผลกระทบต่อประสิทธิภาพการประมวลผลของโมเดลตรวจจับภาพ)
• ความถี่ของกลุ่มข้อมูลที่เปลี่ยนไป: ตัวอย่างเช่น ข้อมูลกลุ่มหนึ่ง (Class) กลายมาเป็นกลุ่มข้อมูลที่พบเจอได้บ่อยขึ้นและมีความถี่สูงขึ้นในระบบเมื่อเทียบกับกลุ่มอื่น ๆ

แนวทางการรับมือ: เมื่อสภาวะ Data Drift เกิดขึ้น วิธีการแก้ไขคือองค์กรจำเป็นต้องทำ การฝึกฝนโมเดลใหม่ (Retraining) โดยใช้ข้อมูลชุดใหม่ที่ทันสมัยและสะท้อนคุณลักษณะทางสถิติของข้อมูลในระบบจริงในปัจจุบันได้ดียิ่งขึ้น

เจาะลึก Concept Drift เมื่อขอบเขตการตัดสินใจขยับย้ายที่

ในทางตรงกันข้าม มาตรฐาน ISO/IEC 22989 ระบุว่าปรากฏการณ์ Concept Drift เป็นสภาวะที่ส่งผลให้ความแม่นยำของโมเดลถดถอยลงเช่นกัน แต่มีกลไกการเกิดที่ต่างออกไปอย่างสิ้นเชิง

ในสภาวะ Concept Drift ตัวข้อมูลดิบอาจจะไม่ได้มีความเปลี่ยนแปลงใด ๆ เลย แต่ขอบเขตการตัดสินใจ (Decision Boundary) ของระบบเกิดการขยับเขยื้อนย้ายที่ ส่งผลให้มาตรฐานความถูกต้องดั้งเดิมไม่สามารถใช้ได้อีกต่อไป ตัวอย่างที่ชัดเจนที่สุดในมาตรฐานคือ:

• การเปลี่ยนแปลงกฎเกณฑ์หรือกฎหมาย: ตัวอย่างเช่น สิ่งที่เคยระบุว่าถูกต้องตามกฎหมายและสิ่งที่ไม่ถูกต้องตามกฎหมายเกิดการเปลี่ยนแปลงเมื่อมีการประกาศใช้กฎหมายฉบับใหม่ ส่งผลให้เป้าหมายผลลัพธ์การพยากรณ์ย้ายขอบเขตการตัดสินใจไปทันที แม้ว่าตัวข้อมูลของธุรกรรมหรือกิจกรรมจะยังคงเหมือนเดิมทุกประการ

แนวทางการรับมือ: การแก้ไขปัญหา Concept Drift ไม่สามารถทำได้เพียงแค่การป้อนข้อมูลชุดเดิมเข้าไปเทรนใหม่ แต่จำเป็นต้องทำ การติดฉลากข้อมูลระบุเป้าหมายใหม่ (Relabeling target variables) ในชุดข้อมูลสำหรับฝึกฝนทั้งหมดเพื่อให้สอดคล้องกับขอบเขตการตัดสินใจใหม่ที่เกิดขึ้น แล้วจึงค่อยเริ่มกระบวนการฝึกฝนโมเดลใหม่อีกครั้ง

การเทรนใหม่ (Retraining) และความท้าทายจากภัยแทรกซ้อน

แม้ว่าการเทรนโมเดลใหม่ (Retraining) จะเป็นวิธีแก้ปัญหา drift ทั้งสองรูปแบบ แต่การอัปเดตโมเดลก็มีความท้าทายเชิงเทคนิคที่สำคัญทางระบบโครงข่ายประสาทเทียม (Neural Network) นั่นคือความเสี่ยงของปรากฏการณ์ “การลืมความรู้เดิมแบบฉับพลัน” (Catastrophic Forgetting)

เนื่องจากอัลกอริทึม Machine Learning จำนวนมากถูกออกแบบมาให้เรียนรู้งานได้ดีเมื่อได้รับข้อมูลทั้งหมดพร้อมกันในครั้งเดียว (Presented all at once) เมื่อเรานำข้อมูลชุดใหม่เข้าไปปรับแต่งพารามิเตอร์ของโมเดล การเรียนรู้สิ่งใหม่นั้นอาจเข้าไปเขียนทับ (Overwrite) ความรู้เดิมที่โมเดลเคยมี ส่งผลให้ AI สูญเสียความสามารถในการทำงานเดิมที่เคยทำได้ดีไป

สถาปัตยกรรมเรียนรู้ต่อเนื่องและการตรวจทวนอย่างเป็นระบบ

เพื่อรับมือกับ Data Drift และ Concept Drift อย่างยั่งยืน บางองค์กรเลือกใช้ระบบ การเรียนรู้แบบต่อเนื่อง (Continuous Learning / Lifelong Learning) ซึ่งเป็นการฝึกฝนโมเดลแบบเพิ่มพูนทีละน้อย (Incremental training) อย่างต่อเนื่องในขณะที่ระบบกำลังทำงานจริงโดยไม่มีการหยุดชะงัก

อย่างไรก็ตาม การใช้งานในรูปแบบนี้มาพร้อมกับความท้าทายอย่างยิ่งในการตรวจสอบว่าระบบยังคงทำงานได้อย่างปลอดภัย มาตรฐานสากลจึงได้กำหนดกรอบปฏิบัติที่สำคัญคือ:

• การตรวจสอบความถูกต้องอย่างต่อเนื่อง (Continuous Validation): ต้องมีการตรวจสอบการทำงานของ AI ในสภาพแวดล้อมจริงสม่ำเสมอโดยใช้ข้อมูลทดสอบ (Test Data)
• การกำกับดูแลโดยมนุษย์ (Human Oversight): มนุษย์ต้องเข้ามามีส่วนร่วมในการตรวจสอบคุณภาพ เช่น การช่วยติดฉลากข้อมูล (Data Labelling) การเฝ้าติดตามประสิทธิภาพของระบบ และการทวนสอบการอัปเดตของโมเดลในแต่ละครั้ง

สรุปประเด็นสำคัญ

• Data Drift: ประสิทธิภาพตกต่ำเนื่องจากคุณสมบัติทางสถิติของข้อมูลเปลี่ยนไป (เช่น ความละเอียดภาพเปลี่ยน หรือประเภทข้อมูลเกิดความถี่ต่างกัน) แก้ไขโดยการ Retrain ด้วยข้อมูลปัจจุบัน
• Concept Drift: ประสิทธิภาพตกต่ำเนื่องจากขอบเขตเกณฑ์การตัดสินใจเปลี่ยนไป (เช่น มีกฎหมายใหม่เข้ามาเปลี่ยนแปลงนิยามความถูกต้อง) แก้ไขโดยการตั้งฉลากข้อมูลเป้าหมายใหม่ (Relabel) และ Retrain
• ข้อจำกัดการเทรนใหม่: ระวังปัญหา Catastrophic Forgetting ที่ข้อมูลใหม่จะเข้าไปเขียนทับและทำลายความรู้เก่าของ Neural Network
• ระบบป้องกันสากล: การจัดการ Drift อย่างปลอดภัยต้องอาศัยสถาปัตยกรรมที่มีการตรวจทวนอย่างต่อเนื่อง (Continuous Validation) ควบคู่ไปกับการควบคุมและกำกับดูแลโดยมนุษย์เสมอ

บทสรุป

ปัญหาประสิทธิภาพถดถอยของระบบ AI จาก Data Drift และ Concept Drift เป็นสิ่งยืนยันว่าการบริหารจัดการปัญญาประดิษฐ์ไม่ได้จบลงเพียงแค่ขั้นตอนการจัดส่งและติดตั้งระบบในครั้งแรก การรักษาความน่าเชื่อถือ (Trustworthiness) และความทนทานสม่ำเสมอ (Robustness) ของโมเดล ต้องการกระบวนการติดตาม ตรวจสอบ และทบทวนอย่างเป็นวงจรตามกรอบวงจรชีวิตระบบ AI (AI System Life Cycle) ของมาตรฐานสากล ISO/IEC 22989 การสร้างกระบวนการตรวจสอบข้อมูลและการวางแผนควบคุมโดยมนุษย์ที่รัดกุม จะช่วยให้ระบบปัญญาประดิษฐ์ขององค์กรทำงานได้อย่างเต็มประสิทธิภาพ มั่นคง และปลอดภัยสูงสุดในระยะยาว