- AI สมัยใหม่มีพื้นฐานมาจากอัลกอริธึมการเพิ่มประสิทธิภาพที่ทำงานอัตโนมัติ วิเคราะห์ข้อมูลปริมาณมาก และเปิดใช้งานรูปแบบธุรกิจใหม่
- ความเสี่ยงหลักๆ ได้แก่ อคติทางอัลกอริทึม การสูญเสียงาน การละเมิดความเป็นส่วนตัว การจัดการข้อมูล และการโจมตีทางไซเบอร์ที่ซับซ้อนมากขึ้น
- Generative AI เพิ่มความท้าทายที่เฉพาะเจาะจง ได้แก่ ภาพหลอน ดีปเฟก การพึ่งพาเทคโนโลยี ต้นทุนที่เพิ่มขึ้น และปัญหาทรัพย์สินทางปัญญาและชื่อเสียง
- การกำกับดูแลที่เข้มแข็ง กรอบการกำกับดูแลที่ชัดเจน และการใช้ AI ในการจัดการความเสี่ยง ถือเป็นปัจจัยสำคัญในการใช้ประโยชน์จากศักยภาพโดยไม่สูญเสียการควบคุมผลกระทบ
การบูรณาการปัญญาประดิษฐ์เข้ากับทุกแง่มุมของชีวิตเรากำลังเกิดขึ้นเร็วกว่าที่องค์กรและบุคคลส่วนใหญ่คาดคิดไว้มาก จากอัลกอริทึมการแนะนำในยุคแรก เราได้ก้าวไปสู่โมเดลสร้างสรรค์ที่สามารถเขียนรายงาน วิเคราะห์สัญญา สร้างภาพที่สมจริงอย่างยิ่ง และตัดสินใจโดยอัตโนมัติในกระบวนการทางธุรกิจที่สำคัญในเวลาอันรวดเร็ว
การขยายตัวอย่างรวดเร็วนี้เปิดโอกาสมากมาย แต่ก็มาพร้อมกับความเสี่ยง ปัญหาทางจริยธรรม และความท้าทายด้านกฎระเบียบที่ไม่สามารถมองข้ามได้ ไม่ใช่เรื่องของการเลือกระหว่างวิสัยทัศน์ที่มองโลกในแง่ร้ายกับการมองโลกในแง่ดีทางเทคโนโลยีอย่างไม่รอบคอบ แต่เป็นการทำความเข้าใจอย่างใจเย็นว่า AI ในปัจจุบันทำอะไรได้บ้าง ทำอะไรไม่ได้บ้าง สร้างคุณค่าสูงสุดในด้านใด และอาจกลายเป็นปัญหาใหญ่ได้หากไม่ได้รับการจัดการอย่างชาญฉลาด
ในปัจจุบันเราเข้าใจปัญญาประดิษฐ์ว่าอย่างไร?
เมื่อเราพูดถึง AI ในชีวิตประจำวัน เรากำลังหมายถึงชุดของอัลกอริธึมการปรับให้เหมาะสมและแบบจำลองทางสถิติที่ได้รับการฝึกฝนด้วยข้อมูลจำนวนมากพวกมันไม่ใช่เครื่องจักรที่มีสติสัมปชัญญะหรือ "สมอง" ที่คิดเหมือนคน แต่เป็นระบบที่เรียนรู้รูปแบบและสร้างผลลัพธ์ที่เป็นประโยชน์ (หรือเป็นไปได้) สำหรับงานเฉพาะเจาะจง
ในโลกธุรกิจ ปัญญาประดิษฐ์ (AI) ได้รับความนิยมอย่างมาก เนื่องจากช่วยให้สามารถทำงานประจำได้อย่างอัตโนมัติ วิเคราะห์ฐานข้อมูลขนาดใหญ่ และสนับสนุนการตัดสินใจด้วยความแม่นยำและรวดเร็วในระดับที่ทีมมนุษย์ไม่สามารถทำได้ ตั้งแต่การวินิจฉัยโรคทางการแพทย์ไปจนถึงการตรวจจับการฉ้อโกงทางการเงินในระยะเริ่มต้น กรณีการใช้งานกำลังเพิ่มขึ้นอย่างมากมายในทุกภาคส่วน
อย่างไรก็ตาม สิ่งสำคัญคือต้องแยกแยะระหว่างสิ่งที่เรียกว่าปัญญาประดิษฐ์แบบจำกัด (ซึ่งแก้ปัญหาเฉพาะเจาะจง เช่น การจำแนกภาพ การแปลข้อความ การแนะนำเนื้อหา ฯลฯ) กับปัญญาประดิษฐ์ทั่วไปในเชิง สมมติฐาน ซึ่งมุ่งหวังที่จะคิดวิเคราะห์เกี่ยวกับงานใดๆ ก็ได้เหมือนมนุษย์ ปัจจุบัน สิ่งที่เราใช้ในวงกว้างคือระบบแบบจำกัด แม้ว่าโมเดลที่น่าประทับใจอย่าง ChatGPT, Bard หรือ DALL-E จะดูน่าประทับใจเพียงใดก็ตาม
แบบจำลองเหล่านี้ โดยเฉพาะแบบจำลองภาษา ถูกออกแบบมาเพื่อคำนวณหาคำตอบที่น่าจะเป็นไปได้มากที่สุดและเป็นที่ยอมรับทางสังคมมากที่สุดเมื่อได้รับข้อมูลป้อนเข้า ไม่ใช่เพื่อทำความเข้าใจโลกหรือมีเป้าหมายของตนเอง พวกมันเลียนแบบการใช้เหตุผล แต่เบื้องหลังนั้นคือการคำนวณทางสถิติที่ซับซ้อน ไม่ใช่จิตสำนึกหรือเจตนา
AI ทำงานอย่างไร: เทคนิคสำคัญ
แอปพลิเคชัน AI สมัยใหม่ส่วนใหญ่พึ่งพาเทคโนโลยีหลักสามอย่าง ได้แก่การเรียนรู้ของเครื่อง การเรียนรู้เชิงลึก และการประมวลผลภาษาธรรมชาติรวมถึงคอมพิวเตอร์วิชั่นสำหรับทุกสิ่งที่เกี่ยวข้องกับรูปภาพและวิดีโอ
การเรียนรู้ของเครื่องจักรหรือการเรียนรู้อัตโนมัติ
การเรียนรู้ของเครื่อง (Machine Learning หรือ ML) คือสาขาที่มุ่งเน้นการสร้างอัลกอริธึมที่สามารถเรียนรู้จากข้อมูลได้โดยไม่ต้องเขียนโปรแกรมกฎแต่ละข้ออย่างชัดเจน ระบบจะค้นหารูปแบบและใช้รูปแบบเหล่านั้นในการคาดการณ์ การจำแนกประเภท หรือให้คำแนะนำ
ในการเรียนรู้แบบมีผู้กำกับดูแล (supervised learning) โมเดลจะถูกฝึกฝนด้วยข้อมูลที่มีป้ายกำกับซึ่งระบุคำตอบที่ถูกต้อง (ตัวอย่างเช่น การทำธุรกรรมนั้นเป็นการฉ้อโกงหรือไม่) ในทางกลับกัน ในการเรียนรู้แบบไม่มีผู้กำกับดูแล (unsupervised learning) อัลกอริทึมจะตรวจจับโครงสร้างและกลุ่มที่ซ่อนอยู่ภายในข้อมูลที่ไม่มีป้ายกำกับ ซึ่งมีประโยชน์อย่างมากสำหรับการแบ่งกลุ่มลูกค้า การตรวจจับความผิดปกติ หรือการจัดกลุ่มพฤติกรรม
ตัวอย่างที่พบได้ทั่วไปในอุตสาหกรรมคือ การใช้แมชชีนเลิร์นนิง (ML) เพื่อวิเคราะห์ข้อมูลแบบเรียลไทม์จากเซ็นเซอร์ในโรงงาน (อุณหภูมิ การสั่นสะเทือน รอบการใช้งาน) และคาดการณ์ว่าเครื่องจักรจะเสียเมื่อใด ซึ่งจะช่วยให้สามารถบำรุงรักษาเชิงคาดการณ์ได้
การเรียนรู้เชิงลึก
การเรียนรู้เชิงลึก (Deep learning) เป็นส่วนย่อยของการเรียนรู้ของเครื่องจักร (Machine learning) ที่ใช้โครงข่ายประสาทเทียมแบบหลายชั้นในการเรียนรู้การแสดงข้อมูลที่ซับซ้อนขึ้นเรื่อยๆ โครงข่ายเหล่านี้ได้รับแรงบันดาลใจจากโครงสร้างของสมอง แม้ว่าการทำงานจริงจะแตกต่างจากทางชีววิทยาอย่างมากก็ตาม
ด้วยเทคโนโลยีการเรียนรู้เชิงลึก ทำให้แอปพลิเคชันต่างๆ เช่นการจดจำเสียง การมองเห็นด้วยคอมพิวเตอร์ขั้นสูง ระบบแนะนำสินค้า และการขับขี่อัตโนมัติ ได้พัฒนาไปอย่างรวดเร็ว ด้วยการเข้าถึงชุดข้อมูลขนาดใหญ่และพลังการประมวลผล เครือข่ายเหล่านี้สามารถตรวจจับความสัมพันธ์ที่ละเอียดอ่อนมาก ซึ่งก่อนหน้านี้เป็นไปไม่ได้ที่จะสร้างแบบจำลองได้
ตัวอย่างเช่น ในภาคส่วนต่างๆ เช่น อุตสาหกรรมยานยนต์ การเรียนรู้เชิงลึกถูกนำมาใช้ในการตีความภาพจากกล้อง และข้อมูลเรดาร์และไลดาร์จากรถยนต์ไร้คนขับ เพื่อประเมินระยะทาง ทำนายเส้นทาง และตัดสินใจในการเคลื่อนที่ได้อย่างเกือบจะในทันที
การประมวลผลภาษาธรรมชาติ
การประมวลผลภาษาธรรมชาติ (NLP) มุ่งเน้นไปที่การทำให้ระบบสามารถเข้าใจ วิเคราะห์ และสร้างภาษาของมนุษย์ได้ทั้งในรูปแบบข้อความและเสียงพูด ซึ่งรวมถึงงานต่างๆ เช่น การจำแนกเอกสาร การสรุปข้อความ การแปล การตอบคำถาม และการสนทนา
โมเดลภาษาขนาดใหญ่ (LLM) สมัยใหม่สามารถตรวจจับโครงสร้างทางไวยากรณ์และความแตกต่างทางความหมายในข้อความจำนวนมหาศาลทำให้สามารถสร้างคำตอบที่เป็นธรรมชาติได้อย่างน่าประหลาดใจ มีการนำไปใช้ในแชทบอท ผู้ช่วยเสมือน การวิเคราะห์ความรู้สึก การบริการลูกค้า และการสนับสนุนภายในองค์กร
วิสัยทัศน์คอมพิวเตอร์
ระบบประมวลผลภาพ ด้วยเครื่องจักร (Machine Vision) มุ่งเน้นการทำให้เครื่องจักรสามารถตีความภาพและวิดีโอด้วยรายละเอียดในระดับที่ใกล้เคียงกับมนุษย์ตัวอย่างเช่น การตรวจจับวัตถุ การจดจำใบหน้า การอ่านตัวอักษร การวัดขนาด หรือการระบุข้อบกพร่องในชิ้นส่วนอุตสาหกรรม
เทคโนโลยีนี้ได้กลายเป็นส่วนประกอบสำคัญในการควบคุมคุณภาพในโรงงาน ระบบเฝ้าระวัง การวินิจฉัยภาพทางการแพทย์และประสบการณ์ความเป็นจริงเสริม รวมถึงการใช้งานอื่นๆ อีกมากมาย
ข้อดีและโอกาสของ AI
ในระดับเศรษฐกิจและสังคม ปัญญาประดิษฐ์ (AI) เปิดประตูสู่คลื่นแห่งนวัตกรรมใหม่ ๆ ในผลิตภัณฑ์ บริการ และรูปแบบธุรกิจตัวอย่างเช่น ในยุโรป AI ถือเป็นตัวขับเคลื่อนสำคัญสำหรับการเปลี่ยนแปลงในภาคส่วนต่าง ๆ เช่น เศรษฐกิจสีเขียวเทคโนโลยีอุตสาหกรรมการเกษตร การดูแลสุขภาพ การท่องเที่ยว และแฟชั่น
ในโลกธุรกิจ จุดแข็งที่สำคัญที่สุดอย่างหนึ่งของ AI คือการทำให้กระบวนการที่ซ้ำซากและงานที่น่าเบื่อเป็นไปโดยอัตโนมัติหุ่นยนต์และซอฟต์แวร์อัจฉริยะสามารถจัดการกับการทำงานเชิงกล การจำแนกประเภทเหตุการณ์ การสร้างการตอบสนองมาตรฐาน หรือการดึงข้อมูล ทำให้มนุษย์มีเวลาว่างมากขึ้นสำหรับงานสร้างสรรค์และงานเชิงกลยุทธ์
ข้อได้เปรียบที่สำคัญอีกประการหนึ่งคือความสามารถในการลดข้อผิดพลาดของมนุษย์ในงานที่มีลักษณะซ้ำซากสูงหรือต้องการความแม่นยำสูงตั้งแต่การตรวจจับข้อบกพร่องขนาดเล็กในชิ้นส่วนโดยใช้กล้องอินฟราเรดไปจนถึงการป้อนข้อมูลโดยอัตโนมัติ AI ช่วยลดข้อผิดพลาดและปรับปรุงการตรวจสอบย้อนกลับได้
ในขณะเดียวกัน ระบบอัจฉริยะก็มีความแม่นยำอย่างน่าทึ่งในการวิเคราะห์ข้อมูลปริมาณมากสร้างตัวชี้วัดที่เป็นประโยชน์สำหรับการตัดสินใจลงทุน ปรับราคา จัดสรรบุคลากร หรือออกแบบกระบวนการใหม่ ความสามารถในการวิเคราะห์นี้ช่วยเสริมสร้างคุณภาพของการตัดสินใจทางธุรกิจ
ในด้านการดูแลสุขภาพ AI กำลังถูกนำมาใช้เพื่อสนับสนุนการวินิจฉัยโรคจากภาพทางการแพทย์ ออกแบบการรักษาเฉพาะบุคคล และเร่งการค้นพบยาใหม่ในด้านการธนาคารและการเงิน AI ช่วยตรวจจับการฉ้อโกง ประเมินความเสี่ยงด้านเครดิต และทำให้การดำเนินงานในตลาดหุ้นเป็นไปโดยอัตโนมัติ
บริการสาธารณะก็ได้รับประโยชน์เช่นกัน: การขนส่งที่เหมาะสมยิ่งขึ้น การจัดการขยะอย่างชาญฉลาด การประหยัดพลังงาน การศึกษาแบบเฉพาะบุคคล และการบริหารราชการอิเล็กทรอนิกส์ที่มีประสิทธิภาพมากขึ้น ล้วนเป็นพื้นที่การประยุกต์ใช้ที่เห็นได้ชัดเจน ในขณะเดียวกัน นักวิเคราะห์ชี้ให้เห็นว่าการใช้ AI อย่างมีความรับผิดชอบสามารถช่วยเสริมสร้างประชาธิปไตยได้โดยการช่วยต่อสู้กับข้อมูลเท็จ ตรวจจับการโจมตีทางไซเบอร์ และปรับปรุงความโปร่งใสในกระบวนการจัดซื้อจัดจ้าง
AI เชิงสร้างสรรค์: ก้าวกระโดดครั้งใหม่ในด้านความสามารถ… และความเสี่ยง
การเกิดขึ้นของปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative AI) ถือเป็นจุดเปลี่ยนสำคัญ เนื่องจากระบบเหล่านี้สามารถสร้างเนื้อหาที่เป็นต้นฉบับและน่าเชื่อถือได้ ไม่ว่าจะเป็นข้อความทางเทคนิค รูปภาพ เสียง วิดีโอ หรือโค้ด รวมถึงตัวอย่างที่เป็นรูปธรรม เช่นวิธีการสร้างสติกเกอร์ WhatsApp ด้วย ChatGPT
สำหรับภาคธุรกิจ เทคโนโลยีนี้เปิดโอกาสให้สามารถผลิตเอกสาร แคมเปญการตลาด รายงาน หรือต้นแบบได้รวดเร็วยิ่งขึ้นรวมถึงช่วยเพิ่มประสิทธิภาพการทำงานของทีม อย่างไรก็ตาม เทคโนโลยีนี้ก็ก่อให้เกิดความท้าทายเพิ่มเติมในด้านคุณภาพ ทรัพย์สินทางปัญญา ความปลอดภัย และชื่อเสียงด้วยเช่นกัน
หนึ่งในความเสี่ยงที่เห็นได้ชัดที่สุดคือการสร้างข้อมูลที่ไม่ถูกต้องหรือ "ภาพลวงตา"กล่าวคือ แบบจำลองจะสร้างข้อมูลหรือการอ้างอิงที่ดูน่าเชื่อถือ แต่ไม่ตรงกับความเป็นจริง หากไม่ได้รับการตรวจสอบอย่างเหมาะสม อาจนำไปสู่การตัดสินใจที่ผิดพลาด โดยเฉพาะอย่างยิ่งในด้านที่สำคัญ เช่น การดูแลสุขภาพ กฎหมาย หรือการเงิน
นอกจากนี้ยังมีประเด็นเรื่องความปลอดภัยของข้อมูลและความเป็นส่วนตัวหากป้อนข้อมูลที่ละเอียดอ่อน (ลูกค้า ผู้ป่วย กลยุทธ์ทางธุรกิจ) เข้าสู่แบบจำลองโดยไม่มีมาตรการป้องกันที่จำเป็น อาจมีความเสี่ยงต่อการรั่วไหล การไม่ปฏิบัติตามกฎระเบียบ หรือการนำข้อมูลไปใช้ในทางที่ผิด
นอกจากนี้ ปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative AI) อาจส่งเสริมการพึ่งพาเทคโนโลยีมากเกินไปโดยมีต้นทุนที่เพิ่มขึ้นจากการใช้โมเดลขนาดใหญ่ และอาจทำให้เนื้อหาและข้อเสนอต่างๆ มีความคล้ายคลึงกันมากเกินไป ลดความแตกต่างของแบรนด์หากทั้งหมดใช้เครื่องมือเดียวกันโดยไม่ปรับแต่งให้เหมาะสมกับแต่ละแบรนด์
ความเสี่ยงแบบตัดขวางของปัญญาประดิษฐ์
นอกเหนือจากแง่มุมของการสร้างสรรค์แล้ว การนำ AI มาใช้ในวงกว้างยังนำมาซึ่งความเสี่ยงเชิงโครงสร้างหลายประการที่ส่งผลกระทบต่อการจ้างงาน สิทธิขั้นพื้นฐาน ความมั่นคง และเสถียรภาพทางเศรษฐกิจการทำความเข้าใจความเสี่ยงเหล่านี้จึงเป็นสิ่งสำคัญสำหรับการบริหารจัดการความเสี่ยงเหล่านั้น
การเลิกจ้างและช่องว่างทักษะ
ระบบอัตโนมัติที่ขับเคลื่อนด้วย AI มีผลกระทบต่อการจ้างงานในหลายแง่มุม กล่าวคือมันทำให้งานบางอย่างหายไป เปลี่ยนแปลงงานอื่นๆ และสร้างอาชีพใหม่ๆ ขึ้นมางานธุรการ งานสำนักงานที่ซ้ำซากจำเจ และหน้าที่ควบคุมพื้นฐานมีความเสี่ยงเป็นพิเศษ
หากไม่มีนโยบายที่ชัดเจนสำหรับการฝึกอบรมวิชาชีพและการพัฒนาทักษะอย่างต่อเนื่องผู้คนจำนวนมากอาจถูกทิ้งไว้ข้างหลังในตลาดแรงงาน ซึ่งจะยิ่งทำให้ความเหลื่อมล้ำที่มีอยู่รุนแรงขึ้น ในระบบเศรษฐกิจแบบวางแผน การเปลี่ยนแปลงนี้จะสามารถจัดการได้อย่างมีประสิทธิภาพมากขึ้น แต่ในระบบทุนนิยมปัจจุบัน มักจะนำไปสู่ความไม่มั่นคงและความไม่แน่นอนในขณะที่โครงสร้างการผลิตกำลังปรับตัว
อคติทางอัลกอริทึมและการเลือกปฏิบัติ
อัลกอริทึมเรียนรู้จากข้อมูลในอดีต ซึ่งมักสะท้อนถึงอคติ ความไม่เท่าเทียม และโครงสร้างอำนาจที่มีอยู่หากไม่แก้ไขอคติเหล่านี้ ระบบก็จะสร้างและขยายอคติเหล่านั้นต่อไปในกระบวนการจ้างงาน การอนุมัติสินเชื่อ การจัดการประกันภัย และแม้แต่ระบบยุติธรรม
เราทราบมาแล้วว่ามีกรณีที่แบบจำลองการคัดเลือกบุคลากรลงโทษผู้หญิงอย่างเป็นระบบเพราะพวกเธอได้รับการฝึกอบรมโดยใช้แบบแผนที่เน้นผู้ชายเป็นหลัก หรือเครื่องมือประเมินความเสี่ยงทางอาญามีอคติทางเชื้อชาติ การลดความเสี่ยงนี้ต้องอาศัยการตรวจสอบอิสระ ทีมพัฒนาที่หลากหลาย และข้อมูลการฝึกอบรมที่สมดุลและได้รับการตรวจสอบแล้ว
ความเป็นส่วนตัว การเฝ้าระวัง และสิทธิขั้นพื้นฐาน
ปัญญาประดิษฐ์ (AI) ทำงานได้ดีขึ้นเมื่อมีข้อมูลมาก ซึ่งกระตุ้นให้เกิดการรวบรวมข้อมูลส่วนบุคคลจำนวนมหาศาล ระบบจดจำใบหน้า การติดตามออนไลน์ การสร้างโปรไฟล์พฤติกรรมโดยละเอียด และการวิเคราะห์สื่อสังคมออนไลน์ อาจละเมิดความเป็นส่วนตัว และหากตกอยู่ในมือผู้ไม่หวังดี ก็อาจกลายเป็นเครื่องมือสอดแนมได้
กฎหมายของยุโรป (รวมถึงกฎหมาย AI ที่กำลังจะออกมา) มุ่งเน้นไปที่การจำกัดการใช้งานที่มีความเสี่ยงสูง เช่นการระบุตัวตนด้วยระบบไบโอเมตริกจำนวนมาก หรือการตัดสินใจอัตโนมัติโดยปราศจากการกำกับดูแลจากมนุษย์ถึงกระนั้น อันตรายจากการละเมิดยังคงมีอยู่ โดยเฉพาะในบริบทที่มีการกำกับดูแลจากฝ่ายประชาธิปไตยน้อยกว่า
ความปลอดภัย การโจมตีทางไซเบอร์ และการใช้งานอันเป็นอันตราย
ปัญญาประดิษฐ์ (AI) เปรียบเสมือนดาบสองคม: ในขณะที่มันช่วยป้องกัน ตรวจจับ และตอบสนองต่อภัยคุกคามทางไซเบอร์ได้ดีขึ้นมันก็อาจเพิ่มขีดความสามารถของผู้โจมตีได้เช่นกัน ความเสี่ยงบางประการ ได้แก่ การสร้างแคมเปญฟิชชิงอัตโนมัติ การสร้างมัลแวร์ที่ซับซ้อนมากขึ้น หรือการหลีกเลี่ยงระบบตรวจจับโดยใช้ตัวอย่างที่เป็นอันตราย
ในแวดวงการทหารและความมั่นคงแห่งชาติ ผลกระทบของอาวุธไร้คนขับ ระบบป้องกันอัตโนมัติ และสงครามไซเบอร์ที่ใช้ปัญญาประดิษฐ์ กำลังเป็นที่ถกเถียงกันอยู่ ประชาคมระหว่างประเทศยังคงห่างไกลจากฉันทามติที่แข็งแกร่งเกี่ยวกับขอบเขตทางจริยธรรมและกฎหมายของการใช้งานเหล่านี้
การจัดการข้อมูลและดีปเฟก
ปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative AI) ทำให้การสร้างวิดีโอ เสียง และภาพปลอมที่ดูสมจริงอย่างมาก หรือที่เรียกว่า deepfake ทำได้ค่อนข้างง่าย สิ่งเหล่านี้สามารถนำไปใช้ในการขู่กรรโชก การบิดเบือนทางการเมือง การโจมตีชื่อเสียง หรือการเผยแพร่ข้อมูลเท็จในวงกว้างได้
ในขณะเดียวกัน อัลกอริทึมที่ปรับแต่งเนื้อหาบนโซเชียลมีเดียอาจดึงผู้ใช้เข้าไปอยู่ในวงจรความคิดซ้ำซากเสริมสร้างมุมมองสุดขั้ว และทำให้เกิดความแตกแยกในสังคมมากขึ้น ปัญญาประดิษฐ์จึงกลายเป็นตัวขยายพลวัตที่มีอยู่แล้ว โดยมีขอบเขตที่ยากจะควบคุม
ความไม่แน่นอนและความซับซ้อนของระบบ
เมื่อแบบจำลองมีความซับซ้อนและเป็นอิสระมากขึ้นพฤติกรรมของพวกมันก็จะมีความโปร่งใสน้อยลง แม้แต่กับผู้สร้างเองก็ตามทำให้ยากที่จะอธิบายว่าเหตุใดจึงตัดสินใจเช่นนั้น ซึ่งเป็นสิ่งสำคัญอย่างยิ่งในสภาพแวดล้อมที่มีกฎระเบียบควบคุม
การมอบหมายหน้าที่สำคัญ (เช่น การดูแลสุขภาพ โครงสร้างพื้นฐาน ความยุติธรรม การขนส่ง) ให้กับระบบที่ไม่โปร่งใส จะเพิ่มความเสี่ยงต่อความล้มเหลวของระบบ ผลกระทบต่อเนื่อง และการสูญเสียการควบคุมของมนุษย์ดังนั้น การออกแบบแบบจำลองที่สามารถอธิบายได้ มีความสามารถในการติดตาม และความสามารถในการแทรกแซงด้วยตนเองจึงมีความสำคัญอย่างยิ่ง
ความท้าทายด้านจริยธรรม กฎระเบียบ และความรับผิด
การพัฒนาของปัญญาประดิษฐ์ (AI) ได้ก่อให้เกิดคำถามที่ซับซ้อนมากมาย เช่นใครจะเป็นผู้รับผิดชอบหากอัลกอริทึมก่อให้เกิดอันตราย? จะรับประกันความเป็นธรรมและความโปร่งใสได้อย่างไร? ควรมีการกำหนดข้อจำกัดอะไรบ้าง?กฎระเบียบแบบดั้งเดิมกำลังล้าหลังนวัตกรรม ทำให้เกิดช่องโหว่ทางกฎหมาย
สหภาพยุโรปกำลังส่งเสริมร่างกฎหมายปัญญาประดิษฐ์ (AI Act) ที่จำแนกประเภทแอปพลิเคชันตามระดับความเสี่ยงและกำหนดข้อกำหนดที่เข้มงวดมากขึ้นสำหรับแอปพลิเคชันที่มีผลกระทบสูง (ด้านสุขภาพ การขนส่ง การจ้างงาน ความยุติธรรม ความปลอดภัย) ซึ่งรวมถึงข้อผูกพันด้านเอกสาร การตรวจสอบ การฝึกอบรม การจัดการข้อมูล และการกำกับดูแลโดยมนุษย์
ประเด็นที่ละเอียดอ่อนเป็นพิเศษคือความรับผิดในกรณีที่เกิดความเสียหายหากรถยนต์ไร้คนขับก่อให้เกิดอุบัติเหตุ หรือระบบอัตโนมัติปฏิเสธการให้สินเชื่ออย่างไม่ถูกต้อง ผู้ผลิตฮาร์ดแวร์ ผู้พัฒนารุ่น บริษัทที่ใช้งาน หรือผู้ใช้ปลายทางจะเป็นผู้รับผิดชอบ? ระบบที่หย่อนยานเกินไปอาจขัดขวางคุณภาพ ในขณะที่ระบบที่เข้มงวดเกินไปอาจบั่นทอนนวัตกรรม
ในขณะเดียวกัน จริยธรรมของ AI เรียกร้องให้ก้าวไปไกลกว่าการปฏิบัติตามกฎหมายอย่างเป็นทางการ องค์กร นักพัฒนา และหน่วยงานกำกับดูแลต้องเห็นพ้องต้องกันในหลักการของความเป็นธรรม การไม่เลือกปฏิบัติ การเคารพในความเป็นอิสระ และการลดผลกระทบและสิ่งนี้ย่อมต้องอาศัยการถกเถียงสาธารณะอย่างรอบด้าน ซึ่งไม่เพียงแต่เกี่ยวข้องกับบริษัทและรัฐบาลเท่านั้น แต่ยังรวมถึงประชาชนและกลุ่มที่ได้รับผลกระทบด้วย
การกำกับดูแล AI ในองค์กร: จากความวุ่นวายสู่กรอบงานร่วมกัน
ในหลายบริษัท การนำ AI มาใช้เริ่มต้นอย่างไม่เป็นทางการ: แต่ละแผนกทดสอบโมเดลของตนเอง หรือบูรณาการบริการภายนอกด้วยตนเองแผนกการตลาดใช้โปรแกรมสร้างข้อความ แผนกปฏิบัติการฝึกฝนโปรแกรมจำแนกเหตุการณ์ แผนกทรัพยากรบุคคลทดลองใช้เครื่องมือคัดกรองประวัติย่อ...
แนวทาง "การสร้างแบบจำลองจากแบบจำลองหนึ่งไปยังอีกแบบจำลองหนึ่ง" นี้มีข้อดีคือความรวดเร็ว แต่ในระยะกลางจะนำไปสู่การแตกแยกทางเทคโนโลยี การทำงานซ้ำซ้อน และการขาดการควบคุมโซลูชันที่แยกส่วนจำนวนมากเกิดขึ้นโดยไม่มีกลยุทธ์ร่วมกัน การตรวจสอบย้อนกลับ หรือตัวชี้วัดต้นทุนและมูลค่าร่วมกัน
ความเสี่ยงกำลังเพิ่มสูงขึ้น: ไม่ทราบจำนวนโมเดลที่ใช้งานอยู่ ข้อมูลที่ใช้ หรือใครเป็นผู้ดูแลรักษาบันทึกการตัดสินใจไม่สมบูรณ์ ทำให้การตรวจสอบภายในหรือการตรวจสอบจากหน่วยงานกำกับดูแลเป็นไปได้ยาก และค่าบริการคลาวด์ก็เพิ่มขึ้นเรื่อยๆ โดยที่ไม่มีใครเห็นผลตอบแทนที่ชัดเจน
ทางเลือกอื่นคือการมุ่งไปสู่กรอบการกำกับดูแลแบบรวมศูนย์ที่อนุญาตให้มีการทดลองอย่างต่อเนื่อง แต่บนพื้นฐานเดียวกัน ได้แก่ แคตตาล็อกโมเดล นโยบายข้อมูล การควบคุมการเข้าถึง เครื่องมือตรวจสอบร่วมกัน การตรวจสอบย้อนกลับ และการประเมินความเสี่ยง สถาปัตยกรรมเฉพาะทาง เช่น แพลตฟอร์ม AI ระดับองค์กร มีเป้าหมายเพื่อผสานความคล่องตัวในระดับท้องถิ่นเข้ากับการควบคุมในระดับโลกอย่างแม่นยำ
หากปราศจากระเบียบวินัยนี้ ปัญญาประดิษฐ์จะกลายเป็นแหล่งที่มาของภาระทางเทคนิค ความไม่แน่นอนทางกฎหมาย และค่าใช้จ่ายที่เกินงบประมาณแต่หากมีระเบียบวินัยนี้ ปัญญาประดิษฐ์จะกลายเป็นอีกหนึ่งชั้นเชิงกลยุทธ์ที่เทียบเท่ากับความปลอดภัยทางไซเบอร์หรือการจัดการข้อมูล ซึ่งสามารถสร้างความได้เปรียบในการแข่งขันอย่างยั่งยืนได้
การประยุกต์ใช้ AI ในการจัดการความเสี่ยงขององค์กร
ในทางตรงกันข้าม ภัยคุกคามหลายอย่างที่เกี่ยวข้องกับ AI สามารถบรรเทาได้โดยการใช้ AI เป็นพันธมิตรในการจัดการความเสี่ยงภายในองค์กร ในด้านต่างๆ เช่น ความเสี่ยงด้านการดำเนินงาน การปฏิบัติตามกฎระเบียบ การป้องกันการฟอกเงิน และความปลอดภัยของข้อมูล AI กำลังถูกนำไปใช้แล้วและให้ผลลัพธ์ที่ดี
ในอีกด้านหนึ่ง อัลกอริทึมช่วยให้สามารถวิเคราะห์ข้อมูลภายในและภายนอกจำนวนมากได้ในเวลาอันสั้นมากตรวจจับรูปแบบพฤติกรรมที่ผิดปกติ แนวโน้มที่น่าเป็นห่วง หรือการรวมกันของปัจจัยต่างๆ ที่มักเกิดขึ้นก่อนเหตุการณ์ที่เกี่ยวข้อง
แบบจำลองการพยากรณ์มีคุณค่าอย่างยิ่งเนื่องจากช่วยคาดการณ์การเกิดขึ้นของความเสี่ยงบางอย่างโดยอิงจากแนวโน้มในอดีต ซึ่งช่วยให้สามารถวางแผนมาตรการป้องกัน เสริมสร้างการควบคุม หรือปรับความคุ้มครองประกันภัยได้
ในด้านการป้องกันการทุจริต AI สามารถตรวจสอบธุรกรรม การเข้าถึงระบบ และความเคลื่อนไหวทางการเงิน แบบเรียล ไทม์ ระบุการดำเนินการที่น่าสงสัยซึ่งมนุษย์มองข้ามไปได้ ในทำนองเดียวกัน ในการจัดการความเสี่ยงด้านการปฏิบัติตามกฎระเบียบ อัลกอริทึมการแบ่งกลุ่มช่วยให้สามารถจำแนกประเภทลูกค้า ผลิตภัณฑ์ หรือเขตอำนาจศาลตามโปรไฟล์ความเสี่ยงได้
แน่นอนว่าทั้งหมดนี้ต้องอาศัยข้อมูลที่มีคุณภาพสูง มีการจัดการที่ดี และเป็นตัวแทนที่เหมาะสมหากปราศจากรากฐานข้อมูลที่มั่นคง โมเดลจะสร้างผลลัพธ์ที่ผิดพลาด ความลำเอียง และการตัดสินใจที่ไม่ถูกต้อง เทคโนโลยีไม่ได้เข้ามาแทนที่การตัดสินใจของผู้เชี่ยวชาญ แต่เป็นการเสริมและทำให้การตัดสินใจมีประสิทธิภาพมากขึ้น
ในช่วงไม่กี่ปีที่ผ่านมา โซลูชันเฉพาะที่ใช้ปัญญาประดิษฐ์เชิงสร้างสรรค์ (AI) ก็ได้เกิดขึ้นมาเช่นกัน โดยทำหน้าที่เป็นผู้ช่วยในการจัดการความเสี่ยงช่วยระบุ อธิบาย และประเมินภัยคุกคามตามกฎระเบียบที่เกี่ยวข้อง ภาคอุตสาหกรรม และกระบวนการของแต่ละบริษัท เมื่อบูรณาการเข้ากับแพลตฟอร์มที่แข็งแกร่งพร้อมการควบคุมที่เหมาะสม ผู้ช่วยเหล่านี้จะช่วยเพิ่มประสิทธิภาพการทำงานของทีมบริหารความเสี่ยงได้อย่างมาก
การรวมกันของทุกสิ่งที่กล่าวมาข้างต้นทำให้เกิดภาพที่ขัดแย้งกัน: ปัญญาประดิษฐ์มีศักยภาพมหาศาลในการปรับปรุงวิธีการผลิต การตัดสินใจ และการใช้ชีวิตของเรา แต่ก็ยังขยายความไม่เท่าเทียม ความผิดพลาด และความขัดแย้งหากนำไปใช้โดยปราศจากเกณฑ์หรือการควบคุม การหาจุดสมดุลต้องอาศัยการลงทุนในการฝึกอบรม การเสริมสร้างกฎระเบียบ การนำกรอบการกำกับดูแลที่แข็งแกร่งมาใช้ และการให้ความสำคัญกับผู้คนเป็นศูนย์กลางของการตัดสินใจเสมอ โดยใช้ปัญญาประดิษฐ์เป็นเครื่องมือ ไม่ใช่เป็นเป้าหมายในตัวเอง
