ในยุคที่ปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (Machine Learning) กลายเป็นแรงขับเคลื่อนหลักของเทคโนโลยีสารสนเทศ ข้อมูลเปรียบเสมือนเชื้อเพลิงสำคัญที่กำหนดทิศทางและประสิทธิภาพของระบบ อย่างไรก็ตาม ปัญหาที่หลายองค์กรต้องเผชิญคือ ความไม่รู้ว่าจะเริ่มต้นจัดการข้อมูลที่มีอยู่อย่างมหาศาลอย่างไรให้ปลอดภัย โปร่งใส และน่าเชื่อถือ การจัดการข้อมูลสำหรับ AI นั้นมีความซับซ้อนและแตกต่างจากการจัดการข้อมูลในซอฟต์แวร์ทั่วไปอย่างสิ้นเชิง เนื่องจากพฤติกรรมของโมเดล AI ขึ้นอยู่กับข้อมูลที่ใช้ฝึกฝนเป็นหลัก มาตรฐานสากล ISO/IEC 22989:2022 จึงได้กำหนดกรอบกระบวนการบริหารจัดการข้อมูล AI (Data Management) ไว้อย่างครบถ้วนตั้งแต่ต้นน้ำยันปลายน้ำ เพื่อให้องค์กรทุกระดับสามารถนำไปปฏิบัติจริงได้อย่างปลอดภัยและมีธรรมาภิบาล

ทำไมการจัดการข้อมูล AI ถึงเป็นหัวใจสำคัญของความน่าเชื่อถือ?

ภายใต้ข้อกำหนดของ ISO/IEC 22989 ระบบ AI แตกต่างจากซอฟต์แวร์ทั่วไปตรงที่ ซอฟต์แวร์ทั่วไปทำงานตามคำสั่งโค้ดตรรกะที่นักพัฒนาเขียนขึ้นอย่างชัดแจ้ง แต่ระบบ AI (โดยเฉพาะรูปแบบ Machine Learning) จะสร้างแบบจำลองจากข้อมูลฝึกฝนเพื่อใช้ในการพยากรณ์ แนะนำ หรือตัดสินใจ

ดังนั้น คุณภาพและวิธีการจัดการข้อมูลในทุกระยะของวงจรชีวิตระบบ AI จึงส่งผลโดยตรงต่อพฤติกรรมของระบบ หากองค์กรขาดกระบวนการจัดการข้อมูลที่ดี ย่อมก่อให้เกิดความเสี่ยงสูง เช่น การเกิดอคติไม่พึงประสงค์ (Unwanted Bias) ที่นำไปสู่ความไม่เป็นธรรม (Unfairness) หรือการถูกโจมตีระบบผ่านการลอบป้อนข้อมูลที่เป็นพิษ (Data Poisoning) มาตรฐานสากลฉบับนี้จึงกำหนดขั้นตอนการประมวลผลข้อมูลไว้อย่างเป็นระบบ

เจาะลึก 11 ขั้นตอนกระบวนการจัดการข้อมูลตามมาตรฐาน ISO/IEC 22989

มาตรฐาน ISO/IEC 22989 ได้แบ่งแยกกระบวนการที่เกิดขึ้นกับข้อมูล AI ออกเป็น 11 ขั้นตอนสำคัญ ซึ่งองค์กรสามารถนำไปใช้เป็นกรอบการดำเนินงาน (Framework) ดังนี้

1. การจัดหาข้อมูล (Data Acquisition)

ขั้นตอนการได้มาซึ่งข้อมูลจากแหล่งต่าง ๆ โดยอาจเป็นข้อมูลที่องค์กรจัดเก็บเองโดยตรง (1st party collection) หรือได้มาจากบุคคลภายนอก เช่น หน่วยงานวิจัยหรือผู้ให้บริการข้อมูล (3rd party collection) ตลอดจนการสืบค้นและเชื่อมโยงชุดข้อมูล สิ่งสำคัญในขั้นตอนนี้คือการประเมินความเหมาะสมของข้อมูล ว่ามีความกว้างและเป็นตัวแทนที่ดีของข้อมูลที่จะพบในการใช้งานจริงหรือไม่ รวมถึงการตรวจสอบว่ามีอคติปะปนอยู่หรือไม่

2. การสำรวจข้อมูลเชิงวิเคราะห์ (Exploratory Data Analysis – EDA)

การตรวจสอบข้อมูลในเบื้องต้นเพื่อดูลักษณะเด่น โครงสร้าง ความสัมพันธ์ แนวโน้ม และค่าที่ผิดปกติ (Outliers) รวมถึงระบุข้อมูลที่ขาดหายไป (Missing values) ขั้นตอนนี้จะช่วยประเมินคุณภาพข้อมูลเพื่อนำไปใช้วางแผนการเทรนและการทวนสอบระบบในลำดับถัดไป

3. การใส่คำอธิบายประกอบข้อมูล (Data Annotation)

กระบวนการแนบข้อมูลอธิบายประกอบเพิ่มเติมเข้าไปในข้อมูลดิบโดยไม่มีการแก้ไขเนื้อหาเดิมของข้อมูลนั้น โดยส่วนใหญ่จะอยู่ในรูปแบบของเมทาดาตา ****(Metadata) ป้ายกำกับ (Labels) หรือจุดยึดอ้างอิง (Anchors) เพื่อระบุแหล่งที่มาหรือช่วยสนับสนุนกระบวนการฝึกฝนโมเดล

4. การเตรียมข้อมูล (Data Preparation)

กระบวนการปรับเปลี่ยนและจัดรูปแบบข้อมูลให้อยู่ในสถานะที่ระบบ AI หรืออัลกอริทึมการเรียนรู้ของเครื่องสามารถนำไปประมวลผลต่อได้อย่างถูกต้อง

5. การกรองข้อมูล (Filtering)

การคัดแยกและลบข้อมูลที่ไม่ต้องการหรือไม่เกี่ยวข้องออกไป อย่างไรก็ตาม มาตรฐานเตือนว่าผลกระทบจากการกรองข้อมูลจะต้องได้รับการตรวจสอบอย่างระมัดระวัง เพื่อป้องกันไม่ให้กระบวนการกรองนี้กลายเป็นการนำอคติที่ไม่พึงประสงค์เข้ามาสู่ระบบโดยไม่ตั้งใจ

6. การปรับค่าให้เป็นมาตรฐานเดียวกัน (Normalization)

การปรับแต่งค่าของข้อมูลให้อยู่ในเกณฑ์สเกลมาตรฐานร่วมกัน เพื่อให้ชุดข้อมูลเหล่านั้นสามารถนำมาเปรียบเทียบกันได้ในทางคณิตศาสตร์อย่างถูกต้อง

7. การลบข้อมูลระบุตัวตน (De-identification)

ในกรณีที่ชุดข้อมูลมีข้อมูลส่วนบุคคลที่สามารถระบุตัวตนได้ (Personally Identifiable Information – PII) องค์กรจำเป็นต้องดำเนินกระบวนการ De-identification หรือขั้นตอนอื่น ๆ เพื่อปกป้องความเป็นส่วนตัวและปฏิบัติตามกฎหมายในแต่ละเขตอำนาจศาลก่อนที่จะนำข้อมูลนั้นไปใช้งานในระบบ AI

8. การตรวจสอบคุณภาพข้อมูล (Data Quality Checking)

การตรวจเช็กความครบถ้วนสมบูรณ์ ตรวจหาอคติ และปัจจัยอื่น ๆ ที่ส่งผลกระทบต่อการนำข้อมูลไปใช้งาน นอกจากนี้ สิ่งที่ผู้ดูแลความปลอดภัยไซเบอร์ต้องให้ความสำคัญสูงสุดในขั้นตอนนี้คือ การตรวจสอบการเป็นพิษของข้อมูล (Data Poisoning) เพื่อป้องกันไม่ให้ข้อมูลฝึกฝนถูกปนเปื้อนด้วยสิ่งที่จะทำให้โมเดลทำงานผิดพลาดหรือเกิดผลลัพธ์ที่เป็นอันตราย

9. การสุ่มตัวอย่างข้อมูล (Data Sampling)

กระบวนการคัดเลือกกลุ่มข้อมูลย่อยออกมาจากชุดข้อมูลขนาดใหญ่ โดยกลุ่มตัวอย่างที่ได้มานั้นจะต้องเป็นตัวแทนที่ดีที่สามารถสะท้อนรูปแบบและแนวโน้มที่แท้จริงของชุดข้อมูลหลักได้

10. การเพิ่มพูนข้อมูล (Data Augmentation)

ในกรณีที่ข้อมูลดั้งเดิมมีปริมาณน้อยเกินไป ขั้นตอนนี้คือการสร้างตัวอย่างข้อมูลสังเคราะห์ขึ้นมาใหม่โดยการปรับแต่งหรือดัดแปลงโครงสร้างจากข้อมูลที่มีอยู่เดิม เพื่อขยายขนาดของชุดข้อมูลให้เพียงพอต่อการพัฒนาโมเดล

11. การติดป้ายกำกับข้อมูล (Data Labelling)

การจับคู่ตัวอย่างข้อมูลเข้ากับตัวแปรเป้าหมาย (Target variables) เพื่อให้โมเดลรับรู้ค่าคำตอบที่ถูกต้อง (Ground truth) ซึ่งมีความจำเป็นอย่างยิ่งสำหรับการทวนสอบ การประเมินประสิทธิภาพโมเดล และการฝึกฝนโมเดลในรูปแบบการเรียนรู้แบบมีผู้สอน (Supervised Learning)

การแบ่งประเภทชุดข้อมูลในแต่ละระยะของวงจรชีวิต AI

เพื่อให้การประเมินประสิทธิภาพและการควบคุมคุณภาพระบบ AI เป็นไปอย่างน่าเชื่อถือ มาตรฐานอธิบายว่าข้อมูลใน AI สามารถเกี่ยวข้องได้หลายลักษณะ ขึ้นอยู่กับกรณีการใช้งานและแนวทางที่เลือกใช้ ได้แก่

• ข้อมูลฝึกฝน (Training Data): ข้อมูลดิบที่ใช้อัลกอริทึมสกัดและเรียนรู้เพื่อสร้างโมเดล AI ขึ้นมา
• ข้อมูลตรวจสอบความถูกต้อง (Validation Data): ข้อมูลที่ใช้ระหว่างขั้นตอนการพัฒนาเพื่อปรับแต่งค่าพารามิเตอร์ระดับสูง (Hyperparameters) หรือเลือกใช้รูปแบบอัลกอริทึมที่เหมาะสม ชุดข้อมูลนี้โดยทั่วไปจะแยกจากข้อมูลฝึกฝน
• ข้อมูลทดสอบ (Test Data): ข้อมูลที่ใช้ในการประเมินประสิทธิภาพขั้นสุดท้ายของโมเดลก่อนนำไปปรับใช้จริง (Deployment) มาตรฐานระบุว่า ข้อมูลทดสอบจะต้องถูกแยกเป็นเอกเทศจากข้อมูลฝึกฝนและข้อมูลตรวจสอบความถูกต้องอย่างเด็ดขาด หากนำข้อมูลที่เคยผ่านการฝึกฝนมาใช้ทดสอบ โมเดลจะสามารถ “จำ” คำตอบที่ถูกต้องได้โดยไม่ต้องประมวลผลจริง ซึ่งจะส่งผลให้องค์กรประเมินประสิทธิภาพของระบบสูงเกินจริง (Overestimating performance)
• ข้อมูลใช้งานจริง (Production Data): ข้อมูลที่ระบบ AI ได้รับและประมวลผลในระยะปฏิบัติการจริง (Operation Phase)

สรุปประเด็นสำคัญ

• ข้อมูลกำหนดพฤติกรรม AI: เนื่องจากระบบ AI ขับเคลื่อนด้วยข้อมูล การจัดการข้อมูล (Data Management) จึงเป็นตัวกำหนดความปลอดภัยและความน่าเชื่อถือของระบบทั้งหมด
• 11 ขั้นตอนที่เป็นระบบ: ISO/IEC 22989 วางกรอบการจัดการข้อมูลตั้งแต่การจัดหา (Acquisition) การคลีนข้อมูล ไปจนถึงการจัดการความเป็นส่วนตัว (De-identification) และการตรวจสอบคุณภาพข้อมูลอย่างรอบด้าน
• ป้องกันภัยจาก Data Poisoning: การตรวจสอบคุณภาพข้อมูลตามมาตรฐานสากลเน้นย้ำถึงการตรวจหาข้อมูลเป็นพิษ เพื่อสกัดกั้นความเสี่ยงด้าน Cybersecurity ตั้งแต่ขั้นตอนการเทรน
• แยกชุดข้อมูลอย่างเด็ดขาด: ข้อมูลฝึกฝน ข้อมูลตรวจสอบ และข้อมูลทดสอบ ห้ามนำมาใช้งานปะปนกัน เพื่อป้องกันปัญหาโมเดลจำคำตอบและรักษาระดับการประเมินผลลัพธ์เชิงสถิติให้ถูกต้องแม่นยำที่สุด

บทสรุป

สำหรับผู้บริหารและผู้ดูแลระบบ Cybersecurity ในปัจจุบัน การบริหารจัดการข้อมูล AI ไม่ใช่เพียงแค่งานด้านเทคนิคของวิศวกรข้อมูลอีกต่อไป แต่เป็นเรื่องของกระบวนการธรรมาภิบาลและการกำกับดูแลความเสี่ยงขององค์กร การนำกรอบขั้นตอนตามมาตรฐานสากล ISO/IEC 22989 ไปปรับใช้ จะช่วยรับประกันได้ว่า ข้อมูลที่นำมาพัฒนาโมเดล AI มีคุณภาพ ปราศจากการปนเปื้อน และผ่านกระบวนการคุ้มครองสิทธิ์ส่วนบุคคลอย่างถูกต้อง ซึ่งสิ่งเหล่านี้จะช่วยสร้างความเชื่อมั่นสูงสุดแก่ผู้มีส่วนได้ส่วนเสีย และทำให้การประยุกต์ใช้ปัญญาประดิษฐ์ในองค์กรดำเนินไปได้อย่างมั่นคง ปลอดภัย และยั่งยืนในระยะยาว