May 28, 2018 Articles No Comments

สมัยที่ผมไปเรียนต่อปริญญาโทด้านโทรคมนาคม มีวิชาบังคับวิชาหนึ่งที่ผมไม่ค่อยสนุกกับมันสักเท่าไหร่ นั่นคือวิชานโยบายกำกับการโทรคมนาคมแต่ละประเทศ ซึ่งเกี่ยวกับการกำหนดกรอบหลักการและทิศทางเพื่อช่วยให้ทำงานได้อย่างมีเป้าหมาย แต่ ณ เวลานั้น เรียกได้ว่าผมเป็นสายวิศวะฯ เต็มตัว จึงยังไม่ค่อยเข้าใจแนวคิดและรู้สึกว่าเป็นเรื่องไกลตัวพอสมควร แต่พอเวลาผ่านไป กอปรกับประสบการณ์การทำงานในช่วง 20 กว่าปีที่ผ่านมา ทำให้ผมได้เรียนรู้แนวคิดที่หลากหลาย และเริ่มเห็นความสำคัญของการวางนโยบายในการทำงานมากขึ้น

ผมเริ่มหันมาชื่นชมแนวคิดของนักเศรษฐศาสตร์ที่ใช้หลักการมองด้านการสูญเสียโอกาส (opportunity cost) มาเปรียบเทียบข้อดีและข้อเสียของปัญหา รวมถึงการมองขอบเขตของผลกระทบอย่างรอบคอบเพื่อใช้ในการตัดสินใจ (micro vs macro view) ช่วยให้ผมขยายมุมมองความคิดด้านการบริหารและการวางนโยบายให้กับบริษัทที่ทำอยู่ รวมถึงงานที่ปรึกษานโยบายในระดับประเทศด้วย

จากสิ่งที่ได้เรียนรู้มาทำให้ทราบว่า สิ่งที่ต้องนำมาพิจารณาทุกครั้งในการวางแผนหรือนโยบายต่างๆ นั่นก็คือจะต้องคำนึงถึงผลที่ตามมา (implications) และกลุ่มคนที่เกี่ยวข้องที่จะได้รับผลกระทบนั้น (stakeholders) ซึ่งแนวคิดนี้สามารถนำมาประยุกต์ใช้ในการวางนโยบายเรื่องต่างๆ รวมไปถึงการนำเทคโนโลยี AI มาใช้ก็เช่นกัน ถึงแม้ว่าเทคโนโลยี AI จะเป็นเครื่องมือสำคัญในการสร้างคุณค่าจากการนำข้อมูลมาใช้ ทำให้เกิด automation มากขึ้น และเพิ่มประสิทธิภาพและความแม่นยำในการทำงานในวงกว้าง รวมถึงก่อให้เกิดการขยายตัวของเศรษฐกิจ (อ่านเพิ่มเติมว่า AI ทำอะไรได้บ้าง จากบทความ1,2,3) แต่การนำ AI มาใช้ก็ควรกำหนดนโยบายหรือทิศทางในการทำงานเช่นกัน โดยสามารถใช้วิธีมองผลกระทบที่จะตามมาในหลากหลายมิติ ซึ่งอาจทำให้เราเกิดคำถามที่ต้องคิดหรือวางแผนเตรียมรับสิ่งที่จะเกิดขึ้นได้ ยกตัวอย่างเช่น

 

ผลด้านสังคมและเศรษฐกิจ

  • Workforce Change: AI จะเปลี่ยนแปลงรูปแบบของงานในอนาคต ทำให้คนทำงานได้ดีขึ้นและต้องปรับเปลี่ยนความสามารถให้สอดคล้องกับความเปลี่ยนแปลงที่เกิดขึ้น จากการคาดการณ์ของ McKinsey Global Institute พบว่า 9-32% ของแรงงานในประเทศที่พัฒนาแล้วจะถูกทดแทนโดย AI ในทศวรรษหน้า โดยเฉพาะงานแรงงานที่ทำซ้ำๆ ในอุตสาหกรรมหรือค้าปลีก แต่ขณะเดียวกันก็จะสร้างโอกาสงานใหม่ๆ เช่น งานด้านการศึกษาและการแพทย์ ให้คนได้พัฒนาความสามารถมากขึ้น ดังนั้น เราต้องรับมือด้วยการพัฒนาตัวเองและปรับตัวด้วยการแสวงหาและเรียนรู้ตลอดเวลา (lifelong learning)
  • Model Bias: AI ถูกสอนให้เรียนรู้จากข้อมูล แต่หากข้อมูลที่นำมาใช้สร้าง model นั้นเป็นข้อมูลที่มีการ bias อยู่แล้ว ก็จะทำให้ผลลัพธ์ที่ได้เกิดการ bias ด้วยเช่นกัน ยกตัวอย่างเช่น การฝึกฝน AI ให้จับคนโกงหรือคนทุจริต ข้อมูลที่ได้รับมาอาจพบว่าคนโกงส่วนใหญ่เป็นกลุ่มคนที่มีรายได้น้อยหรือเชื้อชาติจำเพาะ จากนั้นเมื่อเรานำ AI ที่ได้เรียนรู้จากข้อมูลเหล่านั้นมาใช้เพื่อหาคนโกง ผลลัพธ์ที่ได้ก็มักจะชี้ว่าคนในกลุ่มนั้นมีโอกาสหรือแนวโน้มที่จะเป็นคนโกงมากกว่ากลุ่มคนในลักษณะอื่นๆ และเพื่อที่จะป้องกันปัญหาดังกล่าว เราจึงควรที่จะต้องมีการค้นคว้าวิจัยในด้านอื่นๆ ที่เกี่ยวข้องเพิ่มเติม เพื่อนำข้อมูลเหล่านั้นมาช่วยอธิบายการทำงานและเหตุผลของ model ในการตัดสินใจที่ดียิ่งขึ้น (explanable AI)
  • Technological Inequality/Digital Colonization: ในหลายๆ ประเทศ เช่น จีน อเมริกา อังกฤษ แคนาดา เยอรมนี ฝรั่งเศส ได้เริ่มมีการลงทุนอย่างสูงกับงานวิจัยและสร้างคนเพื่อมาช่วยพัฒนาเทคโนโลยี AI เช่น การสร้างแรงจูงใจโดยการให้ Visa และสิทธิพิเศษอื่นแก่บุคคลากรที่มีความรู้จากประเทศอื่นๆ หรือในประเทศอังกฤษมีการวางแผนระยะยาวที่จะผลิต Ph.D. ทางด้าน AI จำนวน 1,000 คนภายในปี ค.ศ. 2025 (ปัจจุบันประเทศอังกฤษมีจำนวนประชากรประมาณ 65 ล้านคนใกล้เคียงกับไทย) ประกอบกับมีการส่งเสริมให้มีการนำ AI มาใช้สร้างแพลตฟอร์มต่างๆทางการค้า เช่น e-commerce, cloud เช่นเดียวกับในประเทศจีน ที่ทางภาครัฐให้การสนับสนุนอย่างมากในการสร้างแพลตฟอร์มที่ใช้ AI เก็บข้อมูลภาพใบหน้า

สำหรับประเทศที่ยังตามเทคโนโลยีหรือพึ่งพาแพลตฟอร์มของประเทศอื่น เช่น ประเทศไทย ก็อาจจะเริ่มมีข้อเสียเปรียบทางเศรษฐกิจและความรู้ความเข้าใจสังคม เพราะคนที่ยิ่งมีอำนาจทางเทคโนโลยีก็ยิ่งได้ประโยชน์จากประเทศที่ด้อยกว่ามากขึ้น

 

ผลด้านข้อมูลข่าวสาร

  • Data Privacy: ถึงแม้ว่าเราจะใช้แพลตฟอร์มต่างๆ เช่น Facebook, Line, Google, WeChat, Alipay ได้โดยไม่ต้องเสียค่าใช้จ่าย (Free Platform) แต่เราก็ต้องแลกกับการให้ข้อมูลส่วนตัวของเราไปโดยปริยาย เพราะความเป็นจริงแล้วคงไม่มีเจ้าของแพลตฟอร์มรายใดที่สามารถรักษาความเป็นส่วนตัวของข้อมูลผู้ใช้ได้เต็มร้อย และเจ้าของแพลตฟอร์มเองก็อาจนำข้อมูลต่างๆ เช่น พฤติกรรมผู้ใช้ ความสนใจ ความชอบ ไลฟ์สไตล์ มาใช้ประโยชน์เพื่อหาแนวทางการโฆษณาและแนะนำสินค้าให้มีประสิทธิภาพ เป็นต้น การที่คนไทยใช้แพลตฟอร์มเหล่านี้ หรือชักชวนให้ต่างชาติเข้ามาลงทุนสร้างแพลตฟอร์มให้ ยังมีสิ่งที่น่าคิดว่าแท้จริงแล้วใครคือผู้ที่จะได้ประโยชน์จากข้อมูลผู้ใช้แพลตฟอร์มเหล่านี้

ถึงแม้ปัญหาด้านความปลอดภัยของข้อมูลจะดูแก้ไขได้ยาก แต่ก็ยังพอมีทางออก นั่นคือการนำเทคโนโลยีblockchain มาใช้ ซึ่งจะช่วยดูแลเงื่อนไขการแลกเปลี่ยนและการใช้ข้อมูล ยกตัวอย่างเช่น กฎระเบียบ GDPR(General Data Protection Regulation) ของ EU เป็นแบบอย่างของการช่วยดูแลการเอาข้อมูลส่วนตัวไปใช้ได้อย่างดี

  • Fake News: AIทำได้ทั้งช่วยจับข่าวลวงหรือแม้แต่สร้างข่าวลวงเสียเอง (model ที่สามารถเลียนเสียงคน หรือสร้างวิดีโอตัดต่อที่คล้ายคนที่โดนปลอม) นี่เป็นความท้าทายในอนาคตที่ต้องเตรียมรับมือเกี่ยวกับการตรวจสอบที่มาและความน่าเชื่อถือของแหล่งข่าว ความรู้ความเข้าใจของผู้สร้างสื่อและผู้เสพสื่อในด้าน data journalism (บทความ 1,23 ) และ data literacy ก็เป็นสิ่งสำคัญที่ช่วยทำให้คนในสังคมอยู่อย่างมีวิจารณญาณมากขึ้น นอกจากนี้ เทคโนโลยี blockchain ก็อาจจะมีบทบาทในการสร้างความน่าเชื่อถือของข้อมูลมากขึ้นด้วยในอนาคต

 

ผลด้านความปลอดภัยและความมั่นคง

  • AI Safety: AI สามารถใช้เป็นสมองของ self-driving Car ที่น่าจะช่วยลดอุบัติเหตุที่เกิดขึ้นบนท้องถนน รวมถึงสามารถนำไปใช้ในการทหารและการแพทย์เพื่อทำให้งานวินิจฉัยดีขึ้น แต่สิ่งเหล่านี้ก็ยังจำเป็นต้องมี AI ethical guideline เพื่อดูแลในกรณีที่ AI เจอเหตุการณ์ที่ไม่คาดคิดขึ้น
  • Cyber-security: มีการใช้ AI ในการค้าและทำธุรกรรมต่างๆ เช่น การซื้อขายสินค้าออนไลน์ ช่วยให้แพลตฟอร์มเข้าถึงและเรียนรู้พฤติกรรมของลูกค้า รวมถึงแนะนำสินค้าให้ลูกค้าได้ดีขึ้น แต่ขณะเดียวกัน ก็มีเหล่าผู้ร้ายที่พยายามจะทำหาวิธีแฮ็กเพื่อเอาบัญชีของลูกค้าไปใช้ หรือแม้กระทั่งพยายามจะเข้าถึงระบบในองค์กรด้วย AI แต่ในอีกทางหนึ่งบริษัท security software ก็ใช้ AI ในการตรวจจับการบุกรุกเช่นเดียวกัน มองๆ แล้วก็เหมือนมีตัวละคร AI ฝ่ายร้ายและ AI ฝ่ายดี มาต่อสู้กันอย่างดุเดือดแบบฉากในหนัง

 

ผลกระทบด้านการศึกษา

  • เทคโนโลยี AI จะเปลี่ยนแปลงตลาดแรงงานในอนาคต ทำให้รูปแบบของการศึกษาและเนื้อหาต้องเปลี่ยนไปด้วย ประเทศจีนเริ่มให้เด็กประถมและมัธยมเรียนรู้เกี่ยวกับ programming และ AI เพื่อสร้างแนวคิดเชิงคำนวณ (compuational thinking) การรู้เท่าทันระบบดิจิทัลและข้อมูล (digital & information literacy) และความเข้าใจที่จะใช้ AI ให้เป็นประโยขน์ เพราะ AI เข้ามาเป็นส่วนหนึ่งในชีวิตประจำวันของเราไปแล้ว การสร้างคนกับการเพิ่มทักษะเป็นเรื่องที่สำคัญที่เราต้องเตรียมตัวให้พร้อม

 

ผลกระทบด้านกฎหมาย

  • ความเปลี่ยนแปลงที่ฉับไวของเทคโนโลยีและความล้าสมัยของกฎหมาย อาจเป็นอุปสรรคของการสร้างนวัตกรรมใหม่ๆ และก่อให้เกิดความเสียเปรียบของประเทศ ในประเทศจีนและอเมริกา AI ทางด้าน Natural Language Processing (NLP) ที่ใช้ในการประมวลข้อมูลจากเสียงพูดและตัวหนังสือ ก้าวหน้าไปไกลในระดับที่สามารถเข้าใจโครงสร้างภาษา และสรุปใจความได้ นอกจากนี้ยังสามารถช่วยงานทางด้านกฎหมายในการประมวลผลและตัดสินคดีได้

อันที่จริงประเทศไทยเองก็มีการทำวิจัย NLP Thai มานานกว่าหลายสิบปี แต่ยังไม่สามารถผลักดันให้เกิดการต่อยอดได้ เนื่องจากหลายๆ ปัจจัย (ลิขสิทธิ์ของต้นฉบับ ลิขสิทธิ์ในการใช้และเผยแพร่ที่จำกัดนวัตกรรม ไม่มีนักวิจัยและทุนในการวิจัยอย่างต่อเนื่องและเพียงพอ ไม่มี open source/open data model ที่เหมาะสมเพื่อให้นักพัฒนานำไปต่อยอด) งานวิจัยทาง NLP ต้องเริ่มจากเก็บข้อมูลเสียงหรือข้อความแล้วนำมาแปลงให้เหมาะสม ซึ่งถือว่าเป็นงานที่มีการลงทุนสูงและไม่คุ้มที่เอกชนจะลงทุน จึงทำให้การพัฒนางานด้านนี้ล้าหลัง มีแค่เพียงกลุ่มนักพัฒนาอิสระที่สนใจรวมตัวกันและแบ่งปันข้อมูลที่มีอยู่ แต่ก็ยังมีจำนวนไม่มากพอ ถ้าอยากจะทำให้การพัฒนาด้านนี้เกิดผลอย่างจริงจัง ภาครัฐจะต้องมีส่วนช่วยหาวิธีสนับสนุนทั้งด้านทุน เปิดให้ภาคเอกชนเข้ามาช่วยในการบริหารการจัดการงานวิจัยให้มีประสิทธิภาพ (งานวิจัยประยุกต์ หรือ applied research ต้องการนักบริหารมืออาชีพที่เข้าใจตลาดและเปิดกว้างต่อการสร้างนวัตกรรม) และสร้างความร่วมมือของมหาวิทยาลัยและภาคเอกชน ในขณะเดียวกัน เพื่อนำ AI ไปใช้ประโยชน์กับงานด้านกฎหมาย เราต้องมีการแปลงกฎหมายไทยให้อยู่ในรูปแบบดิจิทัลเพื่อให้มีข้อมูลที่สามารถเข้าถึงได้ง่าย และสามารถใช้ได้ในทุกท้องที่

การกำหนดหรือพิจารณาก่อตั้งนโยบายใดๆ ควรจะได้รับความร่วมมือจากคนหลายภาคส่วนทั้งภาครัฐ เอกชน และประชาชน เพื่อให้ครอบคลุมต่อผลกระทบในหลายๆ ส่วนที่อาจจะเกิดขึ้นได้อย่างครบถ้วน และยังเป็นการผลักดันให้เกิดกระบวนการที่จะทำให้กลุ่มคนมีส่วนร่วมและเห็นไปในทิศทางที่สามารถพัฒนาประเทศได้

อ้างอิง: บทความได้รับแรงบันดาลใจกับแนวคิดจาก “What Can Machine Learning Do? Workforce Implications” ของ Prof. Erik Brynjolfsson (MIT) ในงาน ICLR

Written by Sertis Team