ในยุคที่เทคโนโลยีปัญญาประดิษฐ์ (AI) และระบบการเรียนรู้ของเครื่อง (Machine Learning) เข้ามามีบทบาทสำคัญในการตัดสินใจและพยากรณ์ข้อมูลในทุกภาคส่วน ประเด็นเรื่อง “ความน่าเชื่อถือ” (Trustworthiness) กลายเป็นสิ่งสำคัญสูงสุดที่ผู้บริหารและผู้ปฏิบัติงานสายไอทีและ Cybersecurity ทั่วโลกต่างให้ความสนใจ หนึ่งในหัวข้อที่มักถูกหยิบยกขึ้นมาพูดถึงเป็นลำดับต้นๆ คือคำว่า “อคติของ AI” หรือ “AI Bias”

อย่างไรก็ตาม หลายคนมักสับสนและนำคำว่า “อคติ” (Bias) ไปใช้ปะปนกับ “ความไม่เป็นธรรม” (Unfairness) ทั้งที่ในความเป็นจริงแล้ว มาตรฐานสากล ISO/IEC 22989:2022 (Artificial Intelligence Concepts and Terminology) ได้จำแนกความแตกต่างของทั้งสองคำนี้ไว้อย่างชัดเจนและเป็นระบบ ซึ่งมีความสำคัญอย่างยิ่งต่อการออกแบบระบบไอทีที่มีธรรมาภิบาลและการบริหารจัดการความเสี่ยงที่มีประสิทธิภาพ

นิยามที่แท้จริงของ “อคติ” (Bias) ในมุมมองของมาตรฐาน ISO

หากพิจารณาในทางสถิติและการประมวลผลเชิงระบบ มาตรฐาน ISO/IEC 22989 ได้นิยามคำว่า อคติ (Bias) ไว้คือ “ความแตกต่างอย่างเป็นระบบในการปฏิบัติ (Treatment) ต่อวัตถุ บุคคล หรือกลุ่มบุคคลบางกลุ่ม เมื่อเปรียบเทียบกับกลุ่มอื่นๆ”

ซึ่งคำว่า “การปฏิบัติ” (Treatment) ในบริบทนี้ ครอบคลุมการทำงานทุกขั้นตอนของระบบ AI ตั้งแต่:

• การรับรู้ (Perception)
• การสังเกตการณ์ (Observation)
• การแสดงแทนข้อมูล (Representation)
• การพยากรณ์ (Prediction)
• การตัดสินใจ (Decision)

สิ่งที่น่าสนใจคือ มาตรฐานสากลชี้ว่า อคติบางประเภทเป็นสิ่งจำเป็นและเป็นรากฐานสำคัญของการทำงานในระบบ Machine Learning เพราะความสามารถของ AI ในการตัดสินว่าสถานการณ์หนึ่งแตกต่างจากอีกสถานการณ์หนึ่ง และแสดงพฤติกรรมตอบสนองที่แตกต่างกันออกไปตามแต่ละกรณีนั้น เกิดขึ้นได้เพราะระบบใช้ “อคติทางสถิติ” นี้ในการปรับพฤติกรรมให้เข้ากับบริบทเฉพาะหน้างาน

ดังนั้น ในแง่เทคนิคแล้ว Bias จึงไม่ใช่เรื่องเลวร้ายเสมอไป แต่เป็นกลไกที่ช่วยให้โมเดลสามารถคัดแยกประเภท (Classification) หรือทำการคำนวณถดถอย (Regression) ได้อย่างถูกต้องแม่นยำ

“ความไม่เป็นธรรม” (Unfairness): ขอบเขตเชิงสังคมที่แตกต่างอย่างสิ้นเชิง

เมื่อ Bias ข้ามเส้นจากมิติทางเทคนิคไปสู่บริบททางสังคม มาตรฐานสากลระบุให้ใช้คำว่า “ความไม่เป็นธรรม” (Unfairness) แทน เพื่อหลีกเลี่ยงความสับสน

มาตรฐาน ISO/IEC 22989 นิยามความไม่เป็นธรรม (Unfairness) ว่าเป็น “การปฏิบัติที่แตกต่างกันโดยไม่มีเหตุผลอันควร ซึ่งส่งผลให้เกิดการเอื้อประโยชน์ให้แก่กลุ่มบุคคลบางกลุ่มมากกว่ากลุ่มอื่น”

พฤติกรรมที่ไม่เป็นธรรมของระบบ AI มักนำไปสู่ผลลัพธ์ที่เป็นอันตราย เช่น:

• การไม่เคารพต่อข้อเท็จจริง ความเชื่อ หรือบรรทัดฐานที่ยอมรับร่วมกันในสังคม
• การเลือกที่รักมักที่ชัง (Favouritism)
• การเลือกปฏิบัติ (Discrimination)

ในทางปฏิบัติ “อคติที่ไม่พึงประสงค์” (Unwanted Bias) ที่หลุดรอดเข้าไปในระบบ AI โดยไม่ได้ตั้งใจ คือตัวการหลักที่ทำให้ระบบสร้างผลลัพธ์ที่ไม่มีความยุติธรรมและไร้ซึ่งความเท่าเทียมในท้ายที่สุด

3 แหล่งที่มาสำคัญของ “อคติที่ไม่พึงประสงค์” (Sources of Unwanted Bias)

เพื่อควบคุมไม่ให้ระบบ AI ทำงานอย่างไร้ทิศทางและสร้างผลลัพธ์ที่เป็นลบต่อองค์กรและผู้ใช้บริการ ผู้ดูแลระบบไอทีและนักพัฒนาจำเป็นต้องเข้าใจแหล่งที่มาของอคติที่ไม่พึงประสงค์ ซึ่งตามมาตรฐานสากลระบุว่าปัจจัยเหล่านี้มีความเชื่อมโยงและส่งผลกระทบต่อเนื่องกัน ดังนี้:

1. อคติทางความคิดของมนุษย์ (Human Cognitive Bias)

มนุษย์คือผู้ออกแบบและฝึกสอนระบบ ดังนั้นอคติส่วนบุคคลในสมองของมนุษย์จึงมักส่งผลกระทบโดยตรงต่อทุกการตัดสินใจในกระบวนการพัฒนา ไม่ว่าจะเป็นการเลือกวิธีการรวบรวมข้อมูล การจัดเตรียมข้อมูล การออกแบบโครงสร้างระบบ การเลือกพารามิเตอร์เพื่อฝึกสอนโมเดล ตลอดจนการตัดสินใจทางวิศวกรรมต่างๆ

2. อคติในชุดข้อมูล (Data Bias)

ข้อมูลเป็นวัตถุดิบหลักในการสร้างพฤติกรรมของ Machine Learning โดยมาตรฐาน ISO ระบุอย่างชัดเจนว่า “อคติในชุดข้อมูลฝึกสอน (Training Data) คือแหล่งที่มาสำคัญแหล่งหนึ่งของอคติในระบบ AI” หากข้อมูลฝึกสอนที่คัดเลือกมามีความเอนเอียง ไม่ครอบคลุม หรือไม่สะท้อนความเป็นจริงของระบบงานจริง (Production Data) โมเดล AI ก็จะจดจำและเลียนแบบความเอนเอียงเหล่านั้นออกมาเป็นการตัดสินใจที่ผิดพลาด

3. อคติจากการตัดสินใจทางวิศวกรรม (Bias Introduced by Engineering Decisions)

เกิดขึ้นจากตัวเลือกในกระบวนการทำงานทางวิศวกรรม เช่น การตั้งเงื่อนไข ขีดจำกัด หรือตัวชี้วัดความสำเร็จของโมเดล ซึ่งอาจส่งผลให้โมเดลเลือกเส้นทางคำนวณที่สร้างการตัดสินใจที่เอนเอียงโดยที่วิศวกรผู้พัฒนาอาจคาดไม่ถึง

ความหวังขององค์กร: ความเสี่ยงนี้สามารถตรวจจับและจัดการได้

แม้ว่าการทำให้ระบบปราศจากอคติที่ไม่พึงประสงค์ร้อยเปอร์เซ็นต์จะเป็นเรื่องที่ท้าทายอย่างยิ่งสำหรับองค์กรยุคใหม่ แต่มาตรฐาน ISO/IEC 22989 ยืนยันว่า “การตรวจจับและการจัดการกับอคติที่ไม่พึงประสงค์เหล่านี้เป็นสิ่งที่เป็นไปได้จริงในทางวิศวกรรม”

องค์กรสามารถลดความเสี่ยงเหล่านี้ได้ตั้งแต่เนิ่นๆ ผ่านขั้นตอนในวงจรชีวิตของระบบ AI (AI System Life Cycle) เช่น:

• การวิเคราะห์สำรวจข้อมูล (Exploratory Data Analysis – EDA): เพื่อตรวจสอบคุณภาพ หาค่าผิดปกติ และประเมินความครอบคลุมเหมาะสมของข้อมูลก่อนนำไปเทรนโมเดล
• การตรวจสอบคุณภาพข้อมูล (Data Quality Checking): ตรวจหาอคติที่อาจแฝงมากับดาต้า และป้องกันภัยคุกคาม เช่น การป้อนข้อมูลที่เป็นพิษ (Data Poisoning)
• การเพิ่มระดับการกำกับดูแลโดยมนุษย์ (Human Oversight): เพื่อประเมินความถูกต้อง ตรวจสอบความสมเหตุสมผล และทบทวนการทำงานของระบบอย่างมีความรับผิดชอบ (Accountable Supervision)

Key Takeaways

• อคติ (Bias) ในมุมมองสากลคือคุณลักษณะเชิงเทคนิคทางสถิติที่จำเป็น เพื่อช่วยให้ Machine Learning สามารถแยกแยะและประมวลผลกรณีที่แตกต่างกันได้อย่างเหมาะสม
• ความไม่เป็นธรรม (Unfairness) คือผลลัพธ์ที่เป็นลบและก่อให้เกิดการเลือกปฏิบัติ ซึ่งมักมีชนวนเหตุมาจาก “อคติที่ไม่พึงประสงค์” (Unwanted Bias)
• แหล่งกำเนิดอคติที่ไม่ต้องการ มีความสัมพันธ์กันใน 3 มิติ ได้แก่ อคติจากความรู้ความเข้าใจของมนุษย์ อคติจากชุดข้อมูลฝึกสอน และอคติจากการตั้งโจทย์วิศวกรรม
• ควบคุมได้ด้วยกระบวนการทำงานที่เป็นระบบ องค์กรสามารถจัดการความเสี่ยงนี้ได้ผ่านการประเมินคุณภาพข้อมูลในวงจรชีวิต AI และระบบการควบคุมจากผู้เชี่ยวชาญที่เป็นมนุษย์

บทสรุป

การทำความเข้าใจความแตกต่างระหว่าง “อคติ” และ “ความไม่เป็นธรรม” ไม่เพียงช่วยสร้างความเข้าใจที่ถูกต้องให้กับคนทำงานสายเทคโนโลยี แต่ยังช่วยให้ผู้บริหารและผู้ปฏิบัติงาน IT/Cybersecurity สามารถวางนโยบายและควบคุมกระบวนการทำธรรมาภิบาลข้อมูลได้อย่างตรงจุด การยอมรับว่าระบบ AI สามารถประมวลผลผิดพลาดและสร้างความเอนเอียงได้ จะช่วยนำไปสู่การติดตั้งระบบทวนสอบอย่างสม่ำเสมอ ซึ่งถือเป็นหัวใจสำคัญของการสร้างนวัตกรรมปัญญาประดิษฐ์ที่ปลอดภัย มีความรับผิดชอบ และได้รับความไว้วางใจจากสังคมอย่างแท้จริง