# การพิจารณาความปลอดภัยของ AI: การปกป้องข้อมูลด้วย AI

> บริษัทของคุณรวบรวมข้อมูลสำหรับ AI แต่การรวบรวมข้อมูลแบบไม่เลือกปฏิบัติยังคงยั่งยืนอยู่หรือไม่? รายงานวิชาการของสแตนฟอร์ดเตือนว่า อันตรายโดยรวมมีมากกว่าอันตรายส่วนบุคคล คำแนะนำสำคัญสามประการ ได้แก่ เปลี่ยนจากการเลือกไม่รับข้อมูลเป็นการเลือกเข้าร่วม สร้างความมั่นใจในความโปร่งใสตลอดห่วงโซ่อุปทานข้อมูล และสนับสนุนกลไกการกำกับดูแลแบบใหม่ กฎระเบียบในปัจจุบันยังไม่เพียงพอ องค์กรที่นำแนวทางที่มีจริยธรรมมาใช้จะได้รับประโยชน์ในการแข่งขันผ่านความไว้วางใจและความยืดหยุ่นในการดำเนินงาน

Source: https://www.electe.net/th/post/considerazioni-sulla-sicurezza-dellia-proteggere-i-dati-sfruttando-lia

Site guide: https://www.electe.net/th/llms.txt

# ความปลอดภัยและความเป็นส่วนตัวของข้อมูลในยุค AI: มุมมองที่ได้รับข้อมูลจากเอกสารไวท์เปเปอร์ของสแตนฟอร์ด

เนื่องจากองค์กรต่างๆ นำโซลูชันปัญญาประดิษฐ์มาใช้มากขึ้นเรื่อยๆ เพื่อส่งเสริมประสิทธิภาพและนวัตกรรม ปัญหาด้านความปลอดภัยและความเป็นส่วนตัวของข้อมูลจึงกลายเป็นสิ่งสำคัญอันดับต้นๆ ดังที่ระบุไว้ [ในบทสรุปผู้บริหารของเอกสาร white paper ของ Stanford เรื่องความเป็นส่วนตัวและการปกป้องข้อมูลในยุคปัญญาประดิษฐ์ (2023),](https://hai.stanford.edu/policy/white-paper-rethinking-privacy-ai-era-policy-provocations-data-centric-world) "ข้อมูลคือรากฐานของระบบปัญญาประดิษฐ์ทั้งหมด" และ "การพัฒนาปัญญาประดิษฐ์จะยังคงเพิ่มความต้องการข้อมูลฝึกอบรมจากนักพัฒนา ผลักดันให้เกิดการแย่งชิงข้อมูลที่รุนแรงยิ่งกว่าที่เคยเห็นมาในทศวรรษที่ผ่านมา" แม้ปัญญาประดิษฐ์จะมอบโอกาสมหาศาล แต่ก็นำมาซึ่งความท้าทายที่เป็นเอกลักษณ์ซึ่งต้องการการทบทวนแนวทางการปกป้องข้อมูลของเราใหม่ตั้งแต่รากฐาน บทความนี้จะพิจารณาข้อควรพิจารณาด้านความปลอดภัยและความเป็นส่วนตัวหลักๆ สำหรับองค์กรที่นำระบบปัญญาประดิษฐ์มาใช้ และให้แนวทางปฏิบัติสำหรับการปกป้องข้อมูลที่ละเอียดอ่อนตลอดวงจรชีวิตของปัญญาประดิษฐ์

## ทำความเข้าใจภูมิทัศน์ความปลอดภัยและความเป็นส่วนตัวของ AI

ดังที่เน้นย้ำไว้ในบทที่ 2 ของเอกสารวิชาการของมหาวิทยาลัยสแตนฟอร์ด เรื่อง "การคุ้มครองข้อมูลและความเป็นส่วนตัว: แนวคิดหลักและภูมิทัศน์ด้านกฎระเบียบ" การจัดการข้อมูลในยุค AI จำเป็นต้องมีแนวทางที่คำนึงถึงมิติที่เชื่อมโยงกัน ซึ่งครอบคลุมมากกว่าแค่ความปลอดภัยทางเทคนิคเพียงอย่างเดียว จากบทสรุปผู้บริหาร มีข้อเสนอแนะสำคัญสามประการสำหรับการลดความเสี่ยงด้านความเป็นส่วนตัวของข้อมูลที่เกิดจากการพัฒนาและการนำ AI มาใช้:

1. **ยกเลิกการเก็บข้อมูลแบบเริ่มต้น** โดยเปลี่ยนจากระบบ opt-out ไปเป็น opt-in
2. **มุ่งเน้นที่ห่วงโซ่อุปทานข้อมูลของปัญญาประดิษฐ์** เพื่อปรับปรุงความเป็นส่วนตัวและการปกป้องข้อมูล
3. **เปลี่ยนแนวทางในการสร้างและจัดการข้อมูลส่วนบุคคล** โดยสนับสนุนการพัฒนากลไกการกำกับดูแลใหม่ๆ

มิติเหล่านี้ต้องใช้แนวทางเฉพาะที่ก้าวข้ามแนวปฏิบัติด้านความปลอดภัยทางไซเบอร์แบบเดิมๆ

## การคิดใหม่เกี่ยวกับการรวบรวมข้อมูลในยุค AI

ดังที่เอกสารไวท์เปเปอร์ของมหาวิทยาลัยสแตนฟอร์ดระบุไว้อย่างชัดเจนว่า "การเก็บรวบรวมข้อมูลโดยไม่จำกัดขอบเขตส่วนใหญ่ก่อให้เกิดความเสี่ยงด้านความเป็นส่วนตัวเฉพาะตัวที่ขยายวงกว้างเกินกว่าระดับบุคคล โดยรวมกันก่อให้เกิดอันตรายต่อสังคมที่ไม่สามารถแก้ไขได้ด้วยการใช้สิทธิข้อมูลส่วนบุคคลเพียงอย่างเดียว" นี่คือข้อสังเกตที่สำคัญที่สุดประการหนึ่งของบทสรุปสำหรับผู้บริหาร และเรียกร้องให้มีการทบทวนกลยุทธ์การปกป้องข้อมูลของเราอย่างเป็นพื้นฐาน

### ทำให้การรวบรวมข้อมูลเริ่มต้นเป็นปกติ

อ้างโดยตรงจากข้อเสนอแนะแรกในบทสรุปผู้บริหารของสแตนฟอร์ด:

- **การเปลี่ยนจาก opt-out เป็น opt-in**: "ยกเลิกการเก็บข้อมูลแบบเริ่มต้นโดยเปลี่ยนจากรูปแบบ opt-out ไปเป็น opt-in ผู้เก็บรวบรวมข้อมูลต้องอำนวยความสะดวกให้เกิดการลดข้อมูลอย่างแท้จริงผ่านกลยุทธ์ 'privacy by default' และนำมาตรฐานทางเทคนิคและโครงสร้างพื้นฐานมาใช้เพื่อกลไกการยินยอมที่มีความหมาย"
- **การลดข้อมูลอย่างมีประสิทธิผล**: นำ "privacy by default" มาใช้โดยเก็บเฉพาะข้อมูลที่จำเป็นอย่างเคร่งครัดสำหรับกรณีการใช้งานที่เฉพาะเจาะจง ตามที่แนะนำในบทที่ 3 ของเอกสาร white paper "Provocations and Predictions"
- **กลไกการยินยอมที่มีความหมาย**: นำมาตรฐานทางเทคนิคและโครงสร้างพื้นฐานมาใช้ที่ช่วยให้เกิดการยินยอมที่ได้รับข้อมูลอย่างแท้จริงและมีความละเอียด

> **คำแนะนำในการนำไปปฏิบัติ**: นำระบบการจัดประเภทข้อมูลมาใช้ที่ติดป้ายกำกับองค์ประกอบที่ละเอียดอ่อนโดยอัตโนมัติ และบังคับใช้การควบคุมที่เหมาะสมตามระดับความละเอียดอ่อน โดยมีการตั้งค่าเริ่มต้นเป็นไม่เก็บรวบรวมข้อมูล

## การปรับปรุงความโปร่งใสในห่วงโซ่อุปทานข้อมูล AI

ตามคำแนะนำข้อที่สองในบทสรุปผู้บริหารของมหาวิทยาลัยสแตนฟอร์ด ความโปร่งใสและความรับผิดชอบตลอดทั้งห่วงโซ่อุปทานข้อมูลถือเป็นสิ่งจำเป็นสำหรับระบบการกำกับดูแลใดๆ ที่เกี่ยวข้องกับความเป็นส่วนตัวของข้อมูล

### มุ่งเน้นห่วงโซ่อุปทานข้อมูล AI

เอกสารไวท์เปเปอร์ระบุอย่างชัดเจนว่าจำเป็นต้อง "มุ่งเน้นไปที่ห่วงโซ่อุปทานข้อมูล AI เพื่อปรับปรุงความเป็นส่วนตัวและการปกป้องข้อมูล การทำให้ชุดข้อมูลมีความโปร่งใสและมีความรับผิดชอบตลอดวงจรชีวิตต้องเป็นเป้าหมายของระบบกำกับดูแลใดๆ ที่เกี่ยวข้องกับความเป็นส่วนตัวของข้อมูล" ซึ่งประกอบด้วย:

- **การตรวจสอบย้อนกลับอย่างสมบูรณ์**: จัดทำเอกสารโดยละเอียดเกี่ยวกับแหล่งที่มาของข้อมูล การแปลงข้อมูล และการใช้งาน
- **ความโปร่งใสของชุดข้อมูล**: รับประกันความชัดเจนเกี่ยวกับองค์ประกอบและที่มาของข้อมูลที่ใช้ในโมเดล โดยเฉพาะอย่างยิ่งในแง่ของความกังวลที่ถูกหยิบยกขึ้นมาในบทที่ 2 เกี่ยวกับระบบปัญญาประดิษฐ์เชิงสร้างสรรค์
- **การตรวจสอบเป็นประจำ**: ดำเนินการตรวจสอบอิสระเกี่ยวกับกระบวนการจัดหาและการใช้ข้อมูล

> **คำแนะนำในการนำไปปฏิบัติ**: นำระบบการตรวจสอบแหล่งที่มาของข้อมูล (data provenance) มาใช้ที่บันทึกวงจรชีวิตทั้งหมดของข้อมูลที่ใช้ในการฝึกอบรมและการดำเนินงานของระบบปัญญาประดิษฐ์

## การเปลี่ยนแปลงแนวทางในการสร้างและจัดการข้อมูลส่วนบุคคล

ข้อเสนอแนะข้อที่สามในบทสรุปสำหรับผู้บริหารของมหาวิทยาลัยสแตนฟอร์ดระบุว่า “จำเป็นต้องปรับเปลี่ยนแนวทางการสร้างและการจัดการข้อมูลส่วนบุคคล” ดังที่เอกสารระบุว่า “ผู้กำหนดนโยบายควรสนับสนุนการพัฒนากลไกการกำกับดูแลและโครงสร้างพื้นฐานทางเทคนิคใหม่ๆ (เช่น ตัวกลางข้อมูลและโครงสร้างพื้นฐานการอนุญาตข้อมูล) เพื่อสนับสนุนและทำให้การใช้สิทธิและสิทธิพิเศษด้านข้อมูลส่วนบุคคลเป็นไปโดยอัตโนมัติ”

### กลไกการกำกับดูแลข้อมูลใหม่

- **ตัวกลางข้อมูล**: สนับสนุนการพัฒนาหน่วยงานที่สามารถทำหน้าที่เป็นผู้ดูแลผลประโยชน์ในนามของบุคคล ตามที่ได้แนะนำอย่างชัดเจนในเอกสาร white paper
- **โครงสร้างพื้นฐานการอนุญาตข้อมูล**: สร้างระบบที่ช่วยให้บุคคลสามารถแสดงความต้องการอย่างละเอียดเกี่ยวกับการใช้ข้อมูลของตน
- **การทำให้สิทธิของแต่ละบุคคลเป็นอัตโนมัติ**: พัฒนากลไกที่ทำให้การใช้สิทธิของแต่ละบุคคลเกี่ยวกับข้อมูลเป็นอัตโนมัติ โดยตระหนักว่า ตามที่เน้นย้ำในบทที่ 3 สิทธิของแต่ละบุคคลเพียงอย่างเดียวไม่เพียงพอ

> **คำแนะนำในการนำไปปฏิบัติ**: นำมาตรฐานเปิดมาใช้หรือมีส่วนร่วมในการพัฒนามาตรฐานเปิดสำหรับการอนุญาตข้อมูล ซึ่งช่วยให้เกิดการทำงานร่วมกันระหว่างระบบและบริการที่แตกต่างกัน

## การปกป้องโมเดลปัญญาประดิษฐ์

โมเดล AI เองต้องมีการป้องกันที่เฉพาะเจาะจง:

- **ความปลอดภัยของโมเดล**: ปกป้องความสมบูรณ์และความลับของโมเดลผ่านการเข้ารหัสและการควบคุมการเข้าถึง
- **การนำไปใช้งานอย่างปลอดภัย**: ใช้การทำ containerization และการลงลายเซ็นโค้ดเพื่อรับประกันความสมบูรณ์ของโมเดล
- **การติดตามตรวจสอบอย่างต่อเนื่อง**: นำระบบติดตามตรวจสอบมาใช้เพื่อตรวจจับการเข้าถึงโดยไม่ได้รับอนุญาตหรือพฤติกรรมที่ผิดปกติ

> **คำแนะนำในการนำไปปฏิบัติ**: กำหนด "ประตูความปลอดภัย" ในไปป์ไลน์การพัฒนาที่ต้องมีการตรวจสอบความถูกต้องด้านความปลอดภัยและความเป็นส่วนตัวก่อนที่โมเดลจะเข้าสู่การใช้งานจริง

## การป้องกันการโจมตีของศัตรู

ระบบ AI เผชิญกับเวกเตอร์การโจมตีที่เป็นเอกลักษณ์:

- **การวางยาพิษข้อมูล**: ป้องกันการปั่นแปรข้อมูลฝึกอบรม
- **การดึงข้อมูลที่ละเอียดอ่อน**: ป้องกันเทคนิคที่อาจดึงข้อมูลฝึกอบรมออกจากคำตอบของโมเดล
- **การอนุมานสมาชิกภาพ**: ป้องกันการระบุว่าข้อมูลเฉพาะเจาะจงเป็นส่วนหนึ่งของชุดข้อมูลฝึกอบรมหรือไม่

> **คำแนะนำในการนำไปปฏิบัติ**: นำเทคนิคการฝึกฝนแบบปฏิปักษ์ (adversarial training) มาใช้ ซึ่งเปิดโอกาสให้โมเดลเผชิญกับเวกเตอร์การโจมตีที่อาจเกิดขึ้นโดยเฉพาะในระหว่างขั้นตอนการพัฒนา

## ข้อควรพิจารณาเฉพาะอุตสาหกรรม

ความต้องการด้านความเป็นส่วนตัวและความปลอดภัยแตกต่างกันอย่างมากในแต่ละอุตสาหกรรม:

### การดูแลสุขภาพ

- การปฏิบัติตามข้อกำหนด HIPAA สำหรับข้อมูลสุขภาพที่ได้รับการคุ้มครอง
- การคุ้มครองพิเศษสำหรับข้อมูลจีโนมและข้อมูลชีวมาตร
- การสร้างสมดุลระหว่างประโยชน์ใช้สอยด้านการวิจัยกับการคุ้มครองความเป็นส่วนตัว

### บริการทางการเงิน

- ข้อกำหนด PCI DSS สำหรับข้อมูลการชำระเงิน
- ข้อพิจารณาด้านการปฏิบัติตามกฎหมายป้องกันการฟอกเงิน (AML)
- การจัดการข้อมูลอ่อนไหวของลูกค้าด้วยแนวทาง Differential Privacy

### ภาคส่วนสาธารณะ

- กฎระเบียบด้านการคุ้มครองข้อมูลของประชาชน
- ความโปร่งใสในกระบวนการตัดสินใจของอัลกอริทึม
- การปฏิบัติตามกฎระเบียบด้านความเป็นส่วนตัวทั้งในระดับท้องถิ่น ระดับประเทศ และระดับนานาชาติ

## กรอบการนำไปปฏิบัติจริง

การนำแนวทางที่ครอบคลุมมาใช้ในการรักษาความเป็นส่วนตัวและความปลอดภัยของข้อมูลใน AI ต้องมี:

1. **ความเป็นส่วนตัวและความปลอดภัยตั้งแต่การออกแบบ (Privacy and Security by Design)**
2.
  - ผนวกข้อพิจารณาด้านความเป็นส่วนตัวตั้งแต่ขั้นตอนแรกเริ่มของการพัฒนา
  - ดำเนินการประเมินผลกระทบด้านความเป็นส่วนตัวสำหรับแต่ละกรณีการใช้งาน AI
3. **การกำกับดูแลข้อมูลแบบบูรณาการ**
4.
  - ปรับให้การกำกับดูแล AI สอดคล้องกับโครงการกำกับดูแลข้อมูลในภาพรวมที่กว้างขึ้น
  - ใช้การควบคุมที่สอดคล้องกันในทุกระบบประมวลผลข้อมูล
5. **การเฝ้าติดตามอย่างต่อเนื่อง**
6.
  - นำการเฝ้าติดตามการปฏิบัติตามข้อกำหนดด้านความเป็นส่วนตัวอย่างต่อเนื่องมาใช้
  - กำหนดตัวชี้วัดพื้นฐานเพื่อตรวจจับความผิดปกติ
7. **ความสอดคล้องกับกฎระเบียบ**
8.
  - รับประกันการปฏิบัติตามกฎระเบียบที่มีผลบังคับใช้ในปัจจุบันและที่กำลังพัฒนา
  - จัดทำเอกสารมาตรการด้านความเป็นส่วนตัวสำหรับการตรวจสอบตามกฎระเบียบ

## กรณีศึกษา: การนำไปปฏิบัติในสถาบันการเงิน

สถาบันการเงินระดับโลกนำระบบตรวจจับการฉ้อโกงที่ใช้ AI มาใช้โดยมีแนวทางหลายชั้น:

- **ระดับความเป็นส่วนตัวของข้อมูล**: การแปลงข้อมูลอ่อนไหวของลูกค้าเป็นโทเคนก่อนการประมวลผล
- **การจัดการความยินยอม**: ระบบที่ให้รายละเอียดชัดเจน ซึ่งช่วยให้ลูกค้าควบคุมได้ว่าข้อมูลใดสามารถนำไปใช้ และใช้เพื่อวัตถุประสงค์ใด
- **ความโปร่งใส**: แดชบอร์ดสำหรับลูกค้าที่แสดงให้เห็นว่าข้อมูลของพวกเขาถูกนำไปใช้อย่างไรในระบบ AI
- **การเฝ้าติดตาม**: การวิเคราะห์อย่างต่อเนื่องของอินพุต เอาต์พุต และตัวชี้วัดประสิทธิภาพ เพื่อตรวจจับการละเมิดความเป็นส่วนตัวที่อาจเกิดขึ้น

## บทสรุป

> ดังที่ได้ระบุไว้อย่างชัดเจนในบทสรุปสำหรับผู้บริหารของเอกสารไวท์เปเปอร์ของมหาวิทยาลัยสแตนฟอร์ดว่า "แม้ว่ากฎหมายความเป็นส่วนตัวที่มีอยู่และที่เสนอขึ้น ซึ่งอิงตามแนวปฏิบัติด้านข้อมูลที่เป็นธรรม (FIPs) ที่ได้รับการยอมรับทั่วโลก จะควบคุมการพัฒนา AI โดยปริยาย แต่กฎหมายเหล่านี้ไม่เพียงพอที่จะจัดการกับการขโมยข้อมูลและความเสียหายต่อความเป็นส่วนตัวทั้งในระดับบุคคลและระบบ" ยิ่งไปกว่านั้น "แม้แต่กฎหมายที่มีบทบัญญัติที่ชัดเจนเกี่ยวกับการตัดสินใจโดยอัลกอริทึมและรูปแบบอื่นๆ ของ AI ก็ยังไม่มีมาตรการกำกับดูแลข้อมูลที่จำเป็นในการควบคุมข้อมูลที่ใช้ในระบบ AI อย่างมีนัยสำคัญ"

ในยุค AI การปกป้องข้อมูลและความเป็นส่วนตัวจะไม่ถูกมองว่าเป็นเรื่องรองอีกต่อไป องค์กรต่างๆ ต้องปฏิบัติตามคำแนะนำสำคัญสามประการในเอกสารไวท์เปเปอร์:

1. เปลี่ยนจากรูปแบบการเก็บรวบรวมข้อมูลแบบไม่เลือกปฏิบัติ ไปสู่รูปแบบที่อิงตามการยินยอมแบบรู้เท่าทัน (opt-in)
2. รับประกันความโปร่งใสและความรับผิดชอบตลอดทั้งห่วงโซ่ข้อมูล
3. สนับสนุนกลไกการกำกับดูแลรูปแบบใหม่ที่ให้อำนาจแก่บุคคลในการควบคุมข้อมูลของตนเองมากขึ้น

การนำคำแนะนำเหล่านี้ไปปฏิบัติถือเป็นการเปลี่ยนแปลงครั้งสำคัญในวิธีที่เราคิดและจัดการข้อมูลในระบบนิเวศ AI ดังที่การวิเคราะห์เอกสารไวท์เปเปอร์ของสแตนฟอร์ดแสดงให้เห็น แนวปฏิบัติในการเก็บรวบรวมและใช้งานข้อมูลในปัจจุบันนั้นไม่ยั่งยืนและมีความเสี่ยงที่จะบั่นทอนความไว้วางใจของสาธารณชนที่มีต่อระบบ AI ขณะเดียวกันก็สร้างช่องโหว่ในระบบที่ขยายวงกว้างเกินกว่าระดับบุคคล

ภูมิทัศน์ด้านกฎระเบียบกำลังเปลี่ยนแปลงไปเพื่อรับมือกับความท้าทายเหล่านี้ ดังจะเห็นได้จากการหารือระหว่างประเทศที่เพิ่มมากขึ้นเกี่ยวกับความจำเป็นในการควบคุมไม่เพียงแต่ผลลัพธ์ของ AI เท่านั้น แต่ยังรวมถึงกระบวนการรวบรวมข้อมูลที่ขับเคลื่อนระบบเหล่านี้ด้วย อย่างไรก็ตาม การปฏิบัติตามกฎระเบียบเพียงอย่างเดียวนั้นไม่เพียงพอ

องค์กรที่ยึดถือแนวทางการจัดการข้อมูลอย่างมีจริยธรรมและโปร่งใสจะมีความได้เปรียบในการแข่งขันในสภาพแวดล้อมใหม่นี้ โดยได้รับความได้เปรียบทางการแข่งขันจากความไว้วางใจของผู้ใช้และความยืดหยุ่นในการดำเนินงานที่มากขึ้น ความท้าทายคือการสร้างสมดุลระหว่างนวัตกรรมทางเทคโนโลยีกับความรับผิดชอบต่อสังคม โดยตระหนักว่าความยั่งยืนที่แท้จริงของ AI ขึ้นอยู่กับความสามารถในการเคารพและปกป้องสิทธิขั้นพื้นฐานของประชาชนที่ AI ให้บริการ