ในยุคที่ปัญญาประดิษฐ์ หรือ AI เข้ามามีบทบาทสำคัญในการตัดสินใจทางธุรกิจและระบบโครงสร้างพื้นฐาน การสร้างความเชื่อมั่นในเทคโนโลยีนี้จึงไม่ได้เป็นเพียงแค่เรื่องของประสิทธิภาพการทำงานเท่านั้น แต่คือการตอบสนองต่อความคาดหวังรอบด้านอย่างเป็นระบบ ภายใต้มาตรฐานสากล ISO/IEC 22989:2022 ได้มีการบัญญัติและนิยามคำศัพท์ที่แสดงถึงคุณลักษณะสำคัญของ “ความน่าเชื่อถือ” (Trustworthiness) ของระบบ AI ไว้อย่างชัดเจน

อย่างไรก็ตาม สำหรับผู้บริหารและผู้ปฏิบัติงานด้าน IT และ Cybersecurity มักเกิดความสับสนระหว่างสองคำสำคัญที่เป็นเสาหลักอย่าง “ความทนทาน” (Robustness) และ “ความน่าเชื่อถือสม่ำเสมอ” (Reliability) ว่ามีความแตกต่างและเอื้อประโยชน์ต่อระบบงานอย่างไร บทความนี้จะพาไปเจาะลึกความแตกต่างเชิงวิศวกรรมตามหลักมาตรฐานสากล เพื่อเป็นคู่มือในการประเมินและเลือกใช้โซลูชัน AI ในองค์กรอย่างถูกต้องและปลอดภัย

นิยามรากฐาน: ความน่าเชื่อถือ (Trustworthiness) ในภาพรวม

ตามมาตรฐานสากล ISO/IEC 22989 นิยามคำว่า “ความน่าเชื่อถือ” (Trustworthiness) คือ ความสามารถในการตอบสนองต่อความคาดหวังของผู้มีส่วนได้ส่วนเสีย (Stakeholders) ในรูปแบบที่สามารถพิสูจน์และทวนสอบย้อนกลับได้จริง

ความน่าเชื่อถือไม่ใช่คุณลักษณะเดี่ยว แต่เกิดจากการประสานกันของหลายองค์ประกอบร่วมกัน เช่น ความปลอดภัยทางกายภาพ (Safety) ความโปร่งใส (Transparency) ความเป็นส่วนตัว (Privacy) ความรับผิดชอบ (Accountability) ความสามารถในการฟื้นตัว (Resilience) และแน่นอนว่ารวมถึงคุณลักษณะคู่ขนานอย่าง “ความทนทาน” (Robustness) และ “ความน่าเชื่อถือสม่ำเสมอ” (Reliability) ซึ่งทำงานสอดประสานกันแต่มีจุดโฟกัสเชิงวิศวกรรมที่แตกต่างกันอย่างสิ้นเชิง

1. “ความทนทาน” (Robustness) คือการรักษาประสิทธิภาพภายใต้ทุกสภาวะ

มาตรฐานสากลกำหนดให้ “ความทนทาน” (Robustness) คือ ความสามารถของระบบในการรักษาระดับประสิทธิภาพการทำงานไว้ได้ภายใต้ทุกสถานการณ์ (Under any circumstances)

คุณลักษณะความทนทานมีจุดประสงค์หลักเพื่อรับประกันว่า AI จะยังคงทำงานอยู่ในเกณฑ์ขอบเขตความปลอดภัยและยอมรับได้ แม้ต้องเผชิญกับสภาวะแวดล้อมหน้างานที่รุนแรง มีเสียงรบกวน หรือปัจจัยภายนอกที่ไม่คาดคิด

ลักษณะการทำงานทางวิศวกรรมของความทนทาน

• การรับมือกับข้อมูลที่ผิดปกติ (Noisy and Atypical Inputs): ระบบ AI ที่มีความทนทานจะสามารถประมวลผลข้อมูลที่มีสิ่งรบกวน (Noise) หรือข้อมูลที่มีลักษณะผิดแปลกไปจากข้อมูลปกติที่เคยใช้ฝึกสอนได้โดยไม่เกิดการล้มเหลวเชิงระบบ
• การป้องกันสภาวะ Overfitting: ระบบที่มีความทนทานจะมีขีดความสามารถในการเรียนรู้แบบทั่วไป (Generalize) สูง ทำให้ไม่เกิดภาวะจดจำเฉพาะข้อมูลฝึกสอนเดิมจนใช้งานกับข้อมูลใหม่ไม่ได้ (Overfitting)
• ผลลัพธ์ที่ยังคงยอมรับได้: เมื่อเจอกับข้อมูลที่มีสิ่งรบกวน แม้ว่าผลลัพธ์ของ AI (Predictions) อาจจะไม่ใช่ผลลัพธ์ที่สมบูรณ์แบบที่สุดหรือเป็นอุดมคติ แต่ระบบจะต้องสามารถประมวลผลลัพธ์ให้ออกมาอยู่ในช่วงที่ยอมรับได้ มีความสอดคล้อง และใช้งานได้จริง หากผลผลิตหลุดออกไปจากช่วงที่ยอมรับได้นี้ ระบบนั้นจะไม่ถือว่ามีความทนทาน
• ความแตกต่างตามประเภทแบบจำลอง:
  • แบบจำลองการถดถอย (Regression Model): ความทนทานวัดจากความสามารถในการควบคุมแอมพลิจูดของการตอบสนอง (Amplitude of response) ให้อยู่ในสเปกที่ถูกต้องเมื่อได้รับอินพุตที่ถูกต้องตามเกณฑ์ (valid input)
  • แบบจำลองการจำแนกประเภท (Classification Model): ความทนทานวัดจากความสามารถในการหลีกเลี่ยงการสร้างข้อผิดพลาดในการคัดแยกประเภทใหม่ๆ เมื่อเปลี่ยนจากอินพุตปกติไปสู่อินพุตที่มีความผันผวนในขอบเขตที่กำหนด

วิธีการสร้างความทนทานให้ระบบ AI

วิศวกรสามารถสร้างคุณลักษณะความทนทานได้โดยการนำ ชุดข้อมูลฝึกสอนขนาดใหญ่ (Large training datasets) ที่มีการผสมข้อมูลที่มีสิ่งรบกวนหรือความผิดปกติทางสถิติ (Noisy training data) เข้ามาร่วมในกระบวนการฝึกฝนแบบจำลอง เพื่อสร้างภูมิคุ้มกันในการใช้งานจริง

2. “ความน่าเชื่อถือสม่ำเสมอ” (Reliability) คือการทำงานถูกต้องตามเงื่อนไขในเวลาที่กำหนด

ในทางกลับกัน มาตรฐานสากลระบุว่า “ความน่าเชื่อถือสม่ำเสมอ” หรือ “ความเชื่อถือได้” (Reliability) คือ คุณสมบัติของระบบหรือส่วนประกอบภายในระบบในการปฏิบัติงานตามหน้าที่ที่กำหนดไว้ได้อย่างถูกต้องสม่ำเสมอ ภายใต้เงื่อนไขที่ระบุและในช่วงเวลาที่กำหนดไว้เฉพาะเจาะจง

หากสรุปให้เข้าใจง่าย ความทนทานคือการรับมือกับความผิดปกติภายนอก แต่ Reliability คือความสม่ำเสมอในการส่งมอบผลลัพธ์ที่ถูกต้องตลอดระยะเวลาใช้งานจริง

ลักษณะการทำงานทางวิศวกรรมของความน่าเชื่อถือสม่ำเสมอ

• ความถูกต้องต่อเนื่องในระยะใช้งานจริง (Operation Stage): ระบบ AI ต้องสามารถประมวลผลและส่งมอบผลผลิต ทั้งการพยากรณ์ (Prediction) การแนะนำ (Recommendation) และการตัดสินใจ (Decision) ได้อย่างถูกต้องสม่ำเสมอตลอดช่วงเวลาการปฏิบัติงานจริง
• ขึ้นอยู่กับปัจจัยร่วมรอบด้าน: คุณลักษณะความน่าเชื่อถือสม่ำเสมอนั้นจะถูกขับเคลื่อนและได้รับผลกระทบโดยตรงจากปัจจัยอื่นๆ ของระบบ AI ได้แก่ ความทนทาน (Robustness) ขีดความสามารถในการเรียนรู้ทั่วไป (Generalizability) ความสอดคล้องของการประมวลผล (Consistency) และความทนทานฟื้นตัวง่าย (Resilience)
• การประมวลผลอินพุตตามเกณฑ์อย่างถูกต้อง: ข้อมูลนำเข้าและการตั้งค่าสภาพแวดล้อมใดๆ ที่เป็นไปตามเกณฑ์ข้อกำหนดที่ระบุไว้ จะต้องได้รับการประมวลผลอย่างถูกต้องไม่มีข้อขัดข้อง แม้ว่าอินพุตบางส่วนจะมีความแตกต่างไปจากข้อมูลที่ใช้ในระยะการพัฒนา (Development Stage) แต่ตราบใดที่ยังอยู่ในเกณฑ์ที่กำหนด ระบบต้องทำหน้าที่ได้อย่างถูกต้อง
• การติดตั้งระบบสำรอง (Backup Systems): องค์กรสามารถเพิ่มระดับความน่าเชื่อถือสม่ำเสมอของระบบได้โดยการออกแบบระบบสำรอง (Backup) ให้กับระบบ AI หรือส่วนประกอบเทคนิค เพื่อทำหน้าที่สลับมารักษากลไกการทำงานทางธุรกิจ (Business logic implementations) ให้ทำงานได้เหมือนเดิมทันทีในกรณีที่ระบบ AI หลักเกิดขัดข้องหรือล้มเหลว
• การสนับสนุนความปลอดภัยในการทำงาน (Functional Safety): ความสม่ำเสมอที่น่าเชื่อถือนี้ช่วยสนับสนุนระบบป้องกันและปฏิบัติการอัตโนมัติขององค์กรเพื่อต่อสู้และจัดการกับปัญหาความล้มเหลวที่ถูกระบุไว้ล่วงหน้าได้อย่างปลอดภัย

สรุปข้อแตกต่าง: “ความทนทาน” VS “ความน่าเชื่อถือสม่ำเสมอ”

เพื่อช่วยให้เห็นภาพเชิงเปรียบเทียบสำหรับการนำไปประยุกต์ใช้งานเชิงนโยบายและการรักษาความมั่นคงปลอดภัยไซเบอร์ สามารถแบ่งความแตกต่างได้ดังนี้:

มิติการเปรียบเทียบ	ความทนทาน (Robustness)	ความน่าเชื่อถือสม่ำเสมอ (Reliability)
นิยามตามมาตรฐาน	การรักษาประสิทธิภาพการทำงานไว้ได้ภายใต้ทุกสถานการณ์	การปฏิบัติงานตามหน้าที่ได้อย่างถูกต้องสม่ำเสมอภายใต้เงื่อนไขและเวลาที่กำหนด
จุดโฟกัสหลัก	การรับมือกับความผันผวน ข้อมูลแปลกปลอม (Noisy/Atypical Input) หรือสภาวะแวดล้อมที่โหดร้าย	การส่งมอบผลการพยากรณ์และตัดสินใจที่ถูกต้องสม่ำเสมอในสภาวะการทำงานจริงตามข้อกำหนด
ขอบเขตผลลัพธ์	แม้ผลลัพธ์จะไม่สมบูรณ์แบบ 100% แต่ต้องอยู่ภายใต้เกณฑ์ที่ปลอดภัยและสอดคล้อง	ผลลัพธ์ต้องถูกต้องตรงตามภารกิจและทำงานเสถียรต่อเนื่องโดยไม่มีสภาวะระบบหยุดชะงัก
กลไกสนับสนุน	ใช้ชุดข้อมูลเทรนขนาดใหญ่ที่มีสิ่งรบกวน (Noisy Data) เพื่อสร้างความยืดหยุ่น	ใช้ระบบสำรอง (Backup Systems) ร่วมกับการคุมความทนทานและการฟื้นตัวระบบเพื่อรักษาระดับการให้บริการ

Key Takeaways

• ความน่าเชื่อถือของ AI คือภาพใหญ่: ความน่าเชื่อถือ (Trustworthiness) เป็นคุณสมบัติภาพรวมที่ต้องพิสูจน์ได้ โดยมี Robustness และ Reliability เป็นสองเสาหลักที่ขาดไม่ได้ในการขับเคลื่อนความไว้วางใจ
• Robustness ป้องกันระบบพังทลาย: เน้นการสร้างระบบ AI ที่ไม่เปราะบาง Generalize ได้ดี ทนต่อข้อมูลรบกวน และคงขีดความสามารถการทำนายในขอบเขตที่ปลอดภัยในทุกสถานการณ์
• Reliability รับประกันความต่อเนื่องทางธุรกิจ: เน้นความถูกต้องของการตัดสินใจและความสม่ำเสมอของผลลัพธ์ตามช่วงเวลาและข้อกำหนดของระบบงานจริง โดยมีการวางสถาปัตยกรรมสำรองเพื่อความมั่นใจ
• ระบบต้องการทั้งสองส่วน: ความน่าเชื่อถือสม่ำเสมอ (Reliability) จะเกิดขึ้นได้ดีจำเป็นต้องมีรากฐานระบบที่มีความทนทาน (Robustness) ควบคู่ไปด้วยเสมอในการประมวลผลจริง

บทสรุป

ในการวางสถาปัตยกรรมไอทีและการบริหารความเสี่ยงของเทคโนโลยีปัญญาประดิษฐ์ระดับองค์กร การทำความเข้าใจความแตกต่างของสองเสาหลักนี้จะช่วยให้องค์กรสามารถออกแบบระบบไอทีและตั้งรับสภาวะภัยคุกคามทางไซเบอร์ได้อย่างรอบด้าน

ผู้บริหารและผู้ปฏิบัติงาน IT/Cybersecurity ไม่เพียงแต่ต้องเลือกเทคโนโลยี AI ที่มีประสิทธิภาพการทำนายที่แม่นยำในห้องทดลองเท่านั้น แต่ต้องประเมินถึง “ความทนทาน” ของโมเดลเมื่อต้องนำไปประมวลผลกับข้อมูลจริงหน้างานที่อาจมีความผิดเพี้ยนไปจากวันแรก รวมถึงการจัดวางระบบสถาปัตยกรรมและโครงสร้างพื้นฐานสำรองที่จำเป็นเพื่อรับประกัน “ความน่าเชื่อถือสม่ำเสมอ” ตลอดวงจรการปฏิบัติงานจริง การยึดหลักเกณฑ์และศัพท์นิยามสากลตามมาตรฐาน ISO/IEC 22989 นี้ จะช่วยรับรองได้ว่าการลงทุนใช้งาน AI ขององค์กรจะเติบโตได้อย่างมั่นคง ปลอดภัย และสร้างความน่าเชื่อถือให้กับผู้มีส่วนได้ส่วนเสียในระยะยาว