การติดตั้ง AI ไว้บน Private Cloud หรือโครงสร้างพื้นฐานขององค์กรอาจช่วยลดการส่งข้อมูลออกไปยังระบบสาธารณะ แต่ยังตอบไม่ได้ว่าองค์กรใช้ข้อมูลนั้นอย่างถูกวัตถุประสงค์หรือไม่ ใครเข้าถึงได้บ้าง เก็บไว้นานเท่าใด และสามารถแสดงหลักฐานการควบคุมได้หรือเปล่า
นี่คือช่องว่างสำคัญระหว่าง Private AI กับการเตรียมความพร้อมด้าน PDPA เพราะความเป็นส่วนตัวไม่ได้ขึ้นอยู่กับตำแหน่งของเซิร์ฟเวอร์เพียงอย่างเดียว แต่เกิดจากการออกแบบคน กระบวนการ และเทคโนโลยีให้ทำงานร่วมกัน บทความนี้ไม่ใช่คำแนะนำทางกฎหมาย แต่เป็นกรอบสำหรับผู้บริหารใช้ตั้งคำถามและกำกับโครงการ AI ร่วมกับฝ่ายกฎหมาย ความปลอดภัย และเจ้าของข้อมูล
Private AI ลดความเสี่ยงส่วนไหน และยังเหลืออะไรให้บริหาร
Private AI คือระบบ AI ที่องค์กรกำหนดขอบเขตการประมวลผล การเชื่อมต่อข้อมูล สิทธิ์การเข้าถึง และนโยบายการใช้งานได้ตามความต้องการ อาจติดตั้งภายในองค์กร บน Private Cloud หรือใช้สถาปัตยกรรมแบบแยกสภาพแวดล้อมโดยเฉพาะ จึงไม่ได้หมายถึง On-Premises เท่านั้น
สิ่งที่ Private AI ช่วยได้คือการเพิ่มอำนาจควบคุม เช่น จำกัดปลายทางที่รับข้อมูล แยกข้อมูลระหว่างหน่วยงาน ปิดการนำข้อมูลไปฝึกโมเดลภายนอก และกำหนดผู้มีสิทธิ์ดูประวัติการใช้งาน อย่างไรก็ตาม เทคโนโลยีนี้ไม่ได้สร้างฐานกฎหมายในการประมวลผล ไม่ได้ตัดสินว่าควรเก็บข้อมูลประเภทใด และไม่ได้ทำให้นโยบายลบข้อมูลเกิดขึ้นโดยอัตโนมัติ
ผู้บริหารจึงควรแยกคำถามออกเป็นสองส่วน ได้แก่ ระบบควบคุมข้อมูลได้หรือไม่ และ องค์กรมีเหตุผล กระบวนการ และหลักฐานรองรับการใช้ข้อมูลหรือไม่ การตอบได้เพียงส่วนแรกยังไม่เพียงพอ
เริ่มจาก Data Flow ไม่ใช่เริ่มจากโมเดล
ก่อนเลือกโมเดลภาษาหรือผู้ให้บริการ ควรทำแผนผังการไหลของข้อมูล หรือ Data Flow ให้เห็นว่าข้อมูลมาจากไหน ผ่านระบบใด ถูกส่งให้ใคร และเกิดข้อมูลใหม่อะไรขึ้นบ้าง ตัวอย่างเช่น AI Assistant สำหรับฝ่ายบุคคลอาจรับข้อมูลจากระเบียบพนักงาน ประวัติการสนทนา และระบบสิทธิประโยชน์ ขณะที่คำตอบหรือ Log ที่ระบบสร้างขึ้นก็อาจกลายเป็นข้อมูลส่วนบุคคลชุดใหม่
แผนผังที่ใช้ตัดสินใจได้ควรระบุอย่างน้อย:
- แหล่งข้อมูล: ระบบต้นทาง เจ้าของข้อมูล และผู้รับผิดชอบทางธุรกิจ
- ประเภทข้อมูล: ข้อมูลทั่วไป ข้อมูลส่วนบุคคล หรือข้อมูลที่ต้องควบคุมเป็นพิเศษตามบริบท
- วัตถุประสงค์: ใช้ตอบคำถาม สรุปเอกสาร จัดหมวดหมู่ หรือสนับสนุนการตัดสินใจ
- จุดประมวลผล: โมเดล ฐานข้อมูล ระบบค้นคืน และบริการภายนอกที่เกี่ยวข้อง
- ข้อมูลที่ระบบสร้าง: Prompt, คำตอบ, Feedback, Log และข้อมูลชั่วคราว
- ระยะเวลาเก็บ: รวมถึงวิธีลบ แก้ไข หรือจำกัดการเข้าถึงเมื่อจำเป็น
ประโยชน์ทางธุรกิจของขั้นตอนนี้ไม่ได้จำกัดอยู่ที่ PDPA แต่ยังช่วยลดการเชื่อมระบบเกินความจำเป็น ทำให้งบประมาณด้าน Security ชัดขึ้น และลดเวลาตรวจสอบเมื่อเกิดเหตุผิดปกติ
Control Model ที่เชื่อม PDPA กับวงจรชีวิต AI
แทนที่จะมีนโยบายความเป็นส่วนตัวแยกจากทีม AI องค์กรควรผูกมาตรการควบคุมเข้ากับวงจรชีวิตของ Use Case ตั้งแต่การนำข้อมูลเข้าไปจนถึงการยุติระบบ
ก่อนนำข้อมูลเข้า: Purpose และ Data Minimization
กำหนดวัตถุประสงค์ของ Use Case ให้เฉพาะเจาะจง และใช้ข้อมูลเท่าที่จำเป็นต่อผลลัพธ์ หาก AI ต้องตอบคำถามเกี่ยวกับนโยบายการลา ก็อาจไม่จำเป็นต้องเข้าถึงประวัติเงินเดือนทั้งหมด การลดข้อมูลตั้งแต่ต้นช่วยลดทั้งผลกระทบเมื่อข้อมูลรั่วไหลและภาระในการดูแลระบบ
ระหว่างใช้งาน: Identity, Access และ Isolation
ระบบควรรู้ว่าผู้ใช้คือใคร มีบทบาทอะไร และได้รับอนุญาตให้เข้าถึงเอกสารใด การใช้ RAG หรือ Retrieval-Augmented Generation ซึ่งเป็นวิธีให้ AI ค้นข้อมูลจากแหล่งที่กำหนดก่อนตอบ ต้องสืบทอดสิทธิ์จากระบบต้นทาง ไม่ใช่เปิดคลังความรู้ทั้งหมดให้ผู้ใช้ทุกคน นอกจากนี้ควรแยกสภาพแวดล้อมสำหรับพัฒนา ทดสอบ และใช้งานจริง เพื่อลดการนำข้อมูลจริงไปใช้ผิดพื้นที่
หลังประมวลผล: Retention, Logging และการตอบสนอง
องค์กรต้องตัดสินใจว่า Prompt คำตอบ และ Log ใดจำเป็นต้องเก็บเพื่อความปลอดภัยหรือการตรวจสอบ และรายการใดไม่ควรถูกบันทึก การเก็บทุกอย่างไว้ตลอดไปไม่ใช่คำตอบที่ปลอดภัยกว่าเสมอไป Log ควรช่วยระบุผู้ใช้งาน เวลา แหล่งข้อมูล และเหตุการณ์สำคัญ โดยป้องกันไม่ให้กลายเป็นคลังข้อมูลส่วนบุคคลที่ไม่มีผู้ดูแล
เมื่อเปลี่ยนหรือยุติระบบ: Portability และ Secure Deletion
ควรกำหนดล่วงหน้าว่าจะส่งออกข้อมูลอย่างไร ลบสำเนาและข้อมูลสำรองอย่างไร รวมถึงตรวจสอบการลบจากผู้ประมวลผลหรือผู้ให้บริการที่เกี่ยวข้อง ขั้นตอนนี้ลดความเสี่ยงจาก Vendor Lock-in และช่วยให้การย้ายระบบไม่ทิ้งข้อมูลไว้โดยไม่มีเจ้าของ
เลือกมาตรการตามความเสี่ยงของ Use Case
AI สำหรับค้นหาคู่มือสาธารณะย่อมมีความเสี่ยงต่างจาก AI ที่สรุปประวัติลูกค้า หรือช่วยประเมินเรื่องที่กระทบสิทธิของบุคคล การกำกับทุกโครงการด้วยมาตรการระดับเดียวกันอาจทำให้ Use Case ความเสี่ยงต่ำเดินช้า ขณะที่โครงการสำคัญกลับไม่ได้รับการทบทวนเพียงพอ
องค์กรสามารถจัดระดับ Use Case จากปัจจัย เช่น ความอ่อนไหวของข้อมูล จำนวนระบบที่เชื่อมต่อ ขอบเขตผู้ใช้ การส่งข้อมูลให้บุคคลภายนอก และผลกระทบหากคำตอบผิด จากนั้นกำหนด Gate การอนุมัติให้เหมาะสม เช่น การทบทวนโดยฝ่ายกฎหมาย การทดสอบสิทธิ์ การตรวจช่องโหว่ หรือ Human Review ก่อนนำผลลัพธ์ไปใช้ตัดสินใจ
แนวทางนี้ทำให้ Compliance เป็นส่วนหนึ่งของ Portfolio Management ผู้บริหารจึงมองเห็นว่าโครงการใดควรทดลองได้เร็ว โครงการใดต้องเพิ่มมาตรการ และโครงการใดยังไม่ควรใช้ข้อมูลจริง
คำถามก่อนอนุมัติ Private AI
ก่อนลงนามในโครงการหรือสัญญากับผู้ให้บริการ คณะทำงานควรตอบคำถามสำคัญให้ได้:
- ข้อมูลขององค์กรถูกส่งไปยังระบบหรือภูมิภาคใด และมีผู้ประมวลผลรายอื่นเกี่ยวข้องหรือไม่
- ข้อมูลจะถูกใช้ฝึกหรือปรับปรุงโมเดลหรือไม่ และองค์กรควบคุมเงื่อนไขนี้ได้อย่างไร
- สิทธิ์จากระบบต้นทางถูกบังคับใช้กับผลการค้นหาและคำตอบของ AI หรือไม่
- ใครเข้าถึง Prompt, Output และ Log ได้ พร้อมมีหลักฐานการเข้าถึงหรือไม่
- สามารถกำหนดระยะเวลาเก็บ ลบข้อมูล และจัดการคำขอที่เกี่ยวข้องกับเจ้าของข้อมูลได้อย่างไร
- เมื่อเกิดเหตุผิดปกติ ใครมีอำนาจหยุดระบบ ตรวจสอบผลกระทบ และประสานงานกับฝ่ายที่เกี่ยวข้อง
สำหรับองค์กรที่ต้องเชื่อม AI เข้ากับฐานความรู้และระบบภายใน แนวทางของ MXAI สามารถนำมาใช้วาง Private AI, AI Knowledge Base และ AI Gateway ภายใต้สิทธิ์และนโยบายขององค์กรได้ แต่จุดเริ่มต้นยังควรเป็น Use Case, Data Flow และความรับผิดชอบที่ชัดเจน ไม่ใช่การเลือกเทคโนโลยีก่อนโจทย์
FAQ: คำถามที่ธุรกิจมักสงสัย
Private AI ทำให้องค์กรสอดคล้องกับ PDPA โดยอัตโนมัติหรือไม่
ไม่ Private AI เป็นเครื่องมือเพิ่มการควบคุมข้อมูล แต่ยังต้องมีวัตถุประสงค์และเงื่อนไขการประมวลผลที่เหมาะสม รวมถึงนโยบายสิทธิ์ การเก็บรักษา การลบ และการตรวจสอบ
Private AI ต้องติดตั้ง On-Premises เท่านั้นหรือไม่
ไม่จำเป็น องค์กรอาจใช้ On-Premises, Private Cloud หรือสภาพแวดล้อมเฉพาะบน Cloud ได้ สิ่งสำคัญคือขอบเขตการควบคุมข้อมูล การเข้าถึง การเชื่อมต่อ และเงื่อนไขของผู้ให้บริการ
ข้อมูลส่วนบุคคลสามารถใช้กับ RAG ได้หรือไม่
ขึ้นอยู่กับวัตถุประสงค์ ความจำเป็น เงื่อนไขทางกฎหมาย และมาตรการที่เกี่ยวข้อง ในเชิงเทคนิค RAG ควรค้นคืนเฉพาะข้อมูลที่ผู้ใช้มีสิทธิ์เข้าถึง พร้อมควบคุม Log และข้อมูลที่แสดงในคำตอบ
ควรเก็บ Prompt และคำตอบของ AI ไว้ทั้งหมดหรือไม่
ไม่ควรกำหนดให้เก็บทั้งหมดโดยอัตโนมัติ ควรพิจารณาความจำเป็นด้านการตรวจสอบ ความปลอดภัย และการดำเนินงาน พร้อมกำหนดสิทธิ์และระยะเวลาเก็บที่เหมาะกับแต่ละ Use Case
ฝ่ายใดควรเป็นเจ้าของโครงการ Private AI ตาม PDPA
ควรมี Business Owner รับผิดชอบผลลัพธ์ และทำงานร่วมกับ IT, Security, Legal, Data Governance รวมถึง DPO ในกรณีที่เกี่ยวข้อง ความรับผิดชอบไม่ควรถูกโยนให้ฝ่ายเทคโนโลยีหรือฝ่ายกฎหมายเพียงฝ่ายเดียว
Key Takeaway สำหรับผู้บริหาร
Private AI ที่มีคุณค่าต่อธุรกิจไม่ใช่เพียงระบบที่เก็บข้อมูลไว้ในพื้นที่ปิด แต่เป็นระบบที่ตอบได้ว่าใช้ข้อมูลอะไร เพื่ออะไร ใครเข้าถึงได้ เก็บนานเท่าใด และตรวจสอบย้อนหลังอย่างไร Next Step ที่เหมาะสมคือเลือกหนึ่ง Use Case สำคัญ ทำ Data Flow ให้ครบ แล้วทดสอบ Control Model ตั้งแต่สิทธิ์เข้าถึงจนถึงการลบข้อมูล ก่อนขยายไปทั่วองค์กร