หลักการของ Responsible AI
Fairness, Explainability, Privacy และ Robustness
ทำไมถึงต้องแคร์เรื่อง Responsible AI?
คำศัพท์พื้นฐาน: - Responsible AI: แนวทางการพัฒนาและใช้งานปัญญาประดิษฐ์อย่างมีความรับผิดชอบ ปลอดภัย และเป็นธรรมต่อทุกคน
Responsible AI เปรียบเสมือน "กฎจราจรและมาตรฐานความปลอดภัยของรถยนต์" ถึงเครื่องยนต์ (โมเดล AI) จะแรงและทำงานได้เร็วแค่ไหน แต่ถ้าไม่มีเบรกที่ทำงานได้จริง (Robustness) หรือตั้งใจพุ่งชนคนบางกลุ่ม (ไม่มี Fairness) รถคันนั้นก็ไม่ควรนำมาวิ่งบนถนนจริง
AWS ให้ความสำคัญกับเรื่องนี้มากในข้อสอบ AIF-C01 คุณต้องจำ 4 เสาหลักนี้ให้แม่นยำ เพราะมักจะนำมาออกข้อสอบแบบสถานการณ์
สรุป Key Takeaways
- Fairness: ระบบ AI ต้องไม่ลำเอียงหรือเลือกปฏิบัติต่อกลุ่มใดกลุ่มหนึ่ง
- Explainability: สามารถอธิบายได้ว่าทำไม AI ถึงตัดสินใจแบบนั้น (ป้องกันกล่องดำ Black Box)
- Privacy: ปกป้องข้อมูลส่วนบุคคลที่นำมาเทรนหรือใช้งานกับโมเดล
- Robustness: โมเดลมีความเสถียรและทนทานต่อสถานการณ์ที่ไม่คาดคิด
คำถามที่พบบ่อย
มิติของ Responsible AI ที่ต้องท่องมีอะไรบ้าง
ชุดหลักที่ AWS ใช้: Fairness (เป็นธรรม ไม่เลือกปฏิบัติ), Explainability (อธิบายได้ว่าทำไมตัดสินแบบนี้), Privacy & Security, Robustness (ทนต่อ input แปลกๆ), Governance (มีกระบวนการกำกับ), Transparency (เปิดเผยขีดจำกัด) — ข้อสอบให้ scenario แล้วถามว่าละเมิด/ต้องการมิติไหน
เครื่องมือ AWS ตัวไหนช่วยเรื่อง Responsible AI บ้าง
จับคู่ให้แม่น: ตรวจ bias ในข้อมูล/โมเดล + อธิบายการตัดสินใจ = SageMaker Clarify · กรองเนื้อหาอันตราย/PII ใน GenAI = Bedrock Guardrails · เอกสารความโปร่งใสของบริการ = AWS AI Service Cards · ตรวจคุณภาพโมเดลต่อเนื่อง = Model Monitor
Explainability สำคัญกับงานแบบไหนเป็นพิเศษ
งานที่การตัดสินใจกระทบสิทธิ์คน: อนุมัติสินเชื่อ คัดผู้สมัครงาน ประเมินประกัน วินิจฉัยทางการแพทย์ — ทั้งเพราะกฎหมายหลายที่บังคับให้อธิบายได้ และเพื่อจับ bias ข้อสอบมักผูก explainability กับ SageMaker Clarify
ลองทำ Quiz ท้ายบท
คำถามแนวข้อสอบของโมดูลนี้ 2 ข้อ · เฉลยทันที