การพัฒนา AI ด้วยข้อมูลส่วนบุคคล โดยหลักการของ Federated Learning

การพัฒนา AI ด้วยข้อมูลส่วนบุคคล โดยหลักการของ Federated Learning

25 มิถุนายน 2563
Big Data is watching you

ในปัจจุบันการนำระบบปัญญาประดิษฐ์หรือ AI มาใช้ในด้านการแพทย์และสาธารณสุขนับเป็นก้าวที่สำคัญของวงการ Big Data ไม่ว่าจะเป็นการใช้ AI เพื่อวินิจฉัยอาการป่วย หรือ พยากรณ์การระบาดของโรค ซึ่งถือว่าเป็นเครื่องมือสำคัญโดยเฉพาะในสถานการณ์การแพร่ระบาดของโรค COVID-19  อย่างไรก็ตามในการพัฒนาระบบ AI เหล่านี้จำเป็นต้องมีข้อมูลจำนวนมากเพื่อใช้ในการสอน AI ซึ่งข้อมูลเหล่านี้อาจจะรวมถึงข้อมูลที่อ่อนไหว เช่น ข้อมูลส่วนบุคคล การพัฒนา AI โดยปกป้องความเป็นส่วนตัวของเจ้าของข้อมูลจึงมีความสำคัญอย่างยิ่งสำหรับข้อมูลด้านสุขภาพโดยเฉพาะในปัจจุบันที่มีการบังคับใช้ พรบ. คุ้มครองข้อมูลส่วนบุคคล ถึงแม้ว่าการประกอบชุดข้อมูลเพื่อการวิเคราะห์และพัฒนา AI โดยทั่วไป จะละเว้นข้อมูลส่วนบุคคลที่ระบุตัวตน เช่น ชื่อ ที่อยู่ เบอร์โทรศัพท์ และเลขบัตรประชาชน แต่สำหรับชุดข้อมูลสุขภาพ ข้อมูลทั้งหมดสามารถถือว่าเป็นข้อมูลส่วนบุคคลที่สามารถระบุตัวตนคนไข้ได้ดังนั้น การพัฒนา AI จึงต้องมีหลักการเพื่อปกป้องข้อมูลส่วนบุคคล จึงเป็นที่มาของวิธีการที่เรียกว่า Federated learning ซึ่งเป็นหนึ่งในกลไกการพัฒนา AI ที่สามารถใช้ในการปกปิดข้อมูลส่วนบุคคลได้ (Privacy-preserving Machine Learning) โดย Federated learning เป็นกลไกการเรียนรู้ของ AI ผ่านข้อมูลและโมเดลจากหลากหลายระบบโดยไม่ต้องแลกเปลี่ยนข้อมูลจริงต่อกัน

ในงานสัมมนา CogX ณ กรุงลอนดอน ซึ่งเป็นงานสัมมนาด้าน AI ที่ใหญ่ที่สุดงานหนึ่ง นพ. เอริค โทโป้ล์ แพทย์หัวใจผู้เชี่ยวชาญในงาน AI ทางการแพทย์ ได้ทวีตบทความจากนิตยสาร Nature ที่กล่าวถึงความเป็นไปได้ของการใช้ Federated learning ในการสร้างชุดข้อมูลรูปภาพถ่ายทางการแพทย์ที่มีปริมาณและคุณภาพมากยิ่งขึ้น โดยคุณหมอมีความคิดเห็นว่าการพัฒนากลไกการปกป้องข้อมูลส่วนบุคลลจะมีผลประโยชน์ต่อการสร้างมาตรฐานอุตสาหกรรมที่มีคุณภาพมากยิ่งขึ้นโดยที่สามารถปกปิดข้อมูลภายในแต่ละธุรกิจได้ และสามารถนำข้อมูลไปใช้ปรับปรุงการให้บริการของธุรกิจต่าง ๆ โดยที่ ไม่ต้องเก็บข้อมูลส่วนบุคคลจากลูกค้า

เบลส ทอมสัน CEO ของบริษัท Bitfount ผู้พัฒนาซอฟต์แวร์ด้านการแลกเปลี่ยนข้อมูล ได้กล่าวเพิ่มเติมว่า Federated learning อาจจะมีผลกระทบต่อการค้าผูกขาดในวงการของการพัฒนา AI โดยท่านได้อธิบายว่า Federated learning จะทำให้ผลประโยชน์จากการค้าแบบผูกขาดน้อยลงเพราะการแลกเปลี่ยนข้อมูลเพื่อประกอบการพัฒนา AI จะง่ายขึ้น ซึ่งท่านเป็นผู้ผลักดันกลไกการปกป้องข้อมูลส่วนบุคคลที่เรียกว่า Multi-party computation ซึ่งเป็นการใส่ค่ารบกวนทางสถิติในข้อมูลก่อนนำข้อมูลไปประยุกต์ใช้ต่อ

ฮาซาน มาหมุด นักวิชาการด้าน AI และ Machine learning อาวุโสที่ Digital Catapult ณ สหราชอาณาจักร ซึ่งเป็นองค์กรรัฐที่มีภารกิจด้านการผลักดัน Startup เช่น เดียวกับสำนักงานส่งเสริมเศรษฐกิจดิจิทัล หรือ depa ในประเทศไทย ได้บรรยายว่าหลักการของ Federated learning คือการพัฒนาเครือข่าย AI จาก AI ย่อยหลาย ๆ ตัว โดยแต่ละ AI ย่อยจะมีการพัฒนาขนานกันด้วยชุดข้อมูลเฉพาะของ AI ย่อยนั้น ๆ ส่วนระบบเครือข่ายมีไว้เพื่อเรียนรู้ลักษณะของ AI ย่อยแต่ละตัวเพื่อประกอบเป็น AI หลัก ปัญหาหลักของ Federated learning คือการเชื่อมต่อและการแลกเปลี่ยนข้อมูลระหว่างระบบ AI ย่อยที่มีการพัฒนาในรูปแบบที่แตกต่างกัน เช่น Google Nvidia WeBank ฯลฯ ดังนั้น คุณ ฮาซาน มาหมุด และทีมจึงมีการทำนำร่องระบบ Federated learning และได้กล่าวว่า “ถึงเวลาที่พวกเราจะสร้างระบบกลางที่ทุกคนสามารถเชื่อถือและใช้ได้”

หลักการทำงานของ Federated Learning
(i) สร้าง AI เริ่มต้นจากข้อมูล AI ระบบกลาง
(ii) สอน AI ด้วยข้อมูลบนเครื่องผู้ใช้งาน
(iii) ส่งผลการเรียนรู้ของ AI บนเครื่องให้กับ AI ระบบกลาง

อย่างไรก็ตาม โอลิเวียร์ ซมิท ผู้อำนวยการด้านยุทธศาสตร์และหัวหน้าด้านจริยธรรม Health Moonshot บริษัทลูกของ Telefonica Innovation Alpha ซึ่งเป็นบริษัทโทรคมนาคมของประเทศสเปน และทีมของเขาได้ทดลองพัฒนา AI โดยปกป้องข้อมูลส่วนบุคคลมาแล้ว 6 โครงการ ท่านมีให้ข้อสรุปว่า “ความฝันของผมที่พวกเราจะได้ใช้เทคโนโลยีเดียวสำหรับทุกโครงการนั้น ไม่เป็นความจริงได้” โดยการประยุกต์ใช้กลไกการปกป้องข้อมูลส่วนบุคคลจะต้องเปลี่ยนไปตามความเหมาะสมกับชุดข้อมูลและโจทย์ แต่ถึงกระนั้น ท่านเห็นถึงความเป็นไปได้ของการพัฒนา AI ด้วยข้อมูลส่วนบุคคลและกล่าวว่า “ทุกกลไกที่เราได้ทดลองใช้ มีหลักการทางคณิตศาสตร์ที่พิสูจน์ได้ว่า ข้อมูลไม่สามารถระบุตัวตนของเจ้าของข้อมูลได้ เพราะฉะนั้นเรามาในถูกทางแล้ว เราแค่ต้องไปให้ถึง”

จะเห็นได้ว่าการพัฒนาระบบ AI ที่ต้องอาศัยข้อมูลส่วนบุคคลนั้น จะต้องมีการพิจารณาอย่างถี่ถ้วนถึงกระบวนการในการปกปิดความเป็นส่วนตัวของข้อมูล ซึ่งกระบวนการ Federated Learning นับเป็นตัวเลือกที่มีความเป็นไปได้ในการจัดการปัญหานี้ ในอนาคตเราอาจจะได้เห็น AI ที่จะช่วยอำนวยความสะดวกให้เราในหลากหลายรูปแบบ โดยไม่ต้องกังวลว่าข้อมูลส่วนบุคคลของเราจะถูกเผยแพร่ออกไป

แหล่งที่มา : https://fortune.com/2020/06/16/privacy-preserving-a-i-is-the-future-of-a-i/


Vice President Research and Innovations Division (RIN)
Big Data Institute (Public Organization), BDI

แบ่งปันบทความ

กลุ่มเนื้อหา

แท็กยอดนิยม

แจ้งเรื่องที่อยากอ่าน

คุณสามารถแจ้งเรื่องที่อยากอ่านให้เราทราบได้ !
และเราจะนำไปพัฒนาบทความให้มีเนื้อหาที่น่าสนใจมากขึ้น

ไอคอน PDPA

เราใช้คุกกี้เพื่อพัฒนาประสิทธิภาพ และประสบการณ์ที่ดีในการใช้เว็บไซต์ของคุณ คุณสามารถศึกษารายละเอียดได้ที่ “นโยบายคุ้กกี้” และสามารถจัดการความเป็นส่วนตัวเองได้ของคุณได้เองโดยคลิกที่ “ตั้งค่า”

ตั้งค่าความเป็นส่วนตัว

คุณสามารถเลือกการตั้งค่าคุกกี้โดยเปิด/ปิด คุกกี้ในแต่ละประเภทได้ตามความต้องการ ยกเว้น คุกกี้ที่จำเป็น

ยอมรับทั้งหมด
จัดการความเป็นส่วนตัว
  • คุกกี้ที่มีความจำเป็น (Strictly Necessary Cookies)
    เปิดใช้งานตลอด

    คุกกี้ประเภทนี้มีความจำเป็นต่อการให้บริการเว็บไซต์ของ สำนักงานคณะกรรมการคุ้มครองข้อมูลส่วนบุคคล เพื่อให้ท่านสามารถเข้าใช้งานในส่วนต่าง ๆ ของเว็บไซต์ได้ รวมถึงช่วยจดจำข้อมูลที่ท่านเคยให้ไว้ผ่านเว็บไซต์ การปิดการใช้งานคุกกี้ประเภทนี้จะส่งผลให้ท่านไม่สามารถใช้บริการในสาระสำคัญของ สำนักงานคณะกรรมการคุ้มครองข้อมูลส่วนบุคคล ซึ่งจำเป็นต้องเรียกใช้คุกกี้ได้
    รายละเอียดคุกกี้

  • คุกกี้เพื่อการวิเคราะห์และประเมินผลการใช้งาน (Performance Cookies)

    คุกกี้ประเภทนี้ช่วยให้ BDI ทราบถึงการปฏิสัมพันธ์ของผู้ใช้งานในการใช้บริการเว็บไซต์ของ BDI รวมถึงหน้าเพจหรือพื้นที่ใดของเว็บไซต์ที่ได้รับความนิยม ตลอดจนการวิเคราะห์ข้อมูลด้านอื่น ๆ BDI ยังใช้ข้อมูลนี้เพื่อการปรับปรุงการทำงานของเว็บไซต์ และเพื่อเข้าใจพฤติกรรมของผู้ใช้งานมากขึ้น ถึงแม้ว่า ข้อมูลที่คุกกี้นี้เก็บรวบรวมจะเป็นข้อมูลที่ไม่สามารถระบุตัวตนได้ และนำมาใช้วิเคราะห์ทางสถิติเท่านั้น การปิดการใช้งานคุกกี้ประเภทนี้จะส่งผลให้ BDI ไม่สามารถทราบปริมาณผู้เข้าเยี่ยมชมเว็บไซต์ และไม่สามารถประเมินคุณภาพการให้บริการได้

  • คุกกี้เพื่อการใช้งานเว็บไซต์ (Functional Cookies)

    คุกกี้ประเภทนี้จะช่วยให้เว็บไซต์ของ BDI จดจำตัวเลือกต่าง ๆ ที่ท่านได้ตั้งค่าไว้และช่วยให้เว็บไซต์ส่งมอบคุณสมบัติและเนื้อหาเพิ่มเติมให้ตรงกับการใช้งานของท่านได้ เช่น ช่วยจดจำชื่อบัญชีผู้ใช้งานของท่าน หรือจดจำการเปลี่ยนแปลงการตั้งค่าขนาดฟอนต์หรือการตั้งค่าต่าง ๆ ของหน้าเพจซึ่งท่านสามารถปรับแต่งได้ การปิดการใช้งานคุกกี้ประเภทนี้อาจส่งผลให้เว็บไซต์ไม่สามารถทำงานได้อย่างสมบูรณ์

  • คุกกี้เพื่อการโฆษณาไปยังกลุ่มเป้าหมาย (Targeting Cookies)

    คุกกี้ประเภทนี้เป็นคุกกี้ที่เกิดจากการเชื่อมโยงเว็บไซต์ของบุคคลที่สาม ซึ่งเก็บข้อมูลการเข้าใช้งานและเว็บไซต์ที่ท่านได้เข้าเยี่ยมชม เพื่อนำเสนอสินค้าหรือบริการบนเว็บไซต์อื่นที่ไม่ใช่เว็บไซต์ของ BDI ทั้งนี้ หากท่านปิดการใช้งานคุกกี้ประเภทนี้จะไม่ส่งผลต่อการใช้งานเว็บไซต์ของ BDI แต่จะส่งผลให้การนำเสนอสินค้าหรือบริการบนเว็บไซต์อื่น ๆ ไม่สอดคล้องกับความสนใจของท่าน

บันทึกการตั้งค่า
ไซต์นี้ลงทะเบียนกับ wpml.org ในฐานะไซต์พัฒนา สลับไปยังไซต์การผลิตโดยใช้รหัส remove this banner.