Keynote Speaker โดย Assoc. Prof. Teeradaj Racharak, Ph.D. Tohoku University ชื่อเรื่อง การสร้างความเชื่อมั่นใน AI: อัลกอริทึม ข้อมูล และกระบวนการ (Building Trust in AI: Algorithms, Data, and Process) โดยสรุปเนื้อหาดังนี้
ในปัจจุบัน ระบบปัญญาประดิษฐ์ (AI) ถูกนำไปใช้งานเพิ่มมากขึ้น ทั้งในงานสำคัญที่มีผลกระทบสูงและการใช้งานในชีวิตประจำวัน การสร้าง “ความน่าเชื่อถือ” ให้กับ AI จึงกลายเป็นความท้าทายสำคัญอย่างยิ่ง AI ที่น่าเชื่อถือไม่ได้หมายถึงเพียงการมีความแม่นยำในการทำนายสูงเท่านั้น แต่ยังต้องสามารถอธิบายเหตุผลของผลลัพธ์ได้อย่างโปร่งใส มีความทนทานต่อความเปลี่ยนแปลง ใช้ข้อมูลอย่างเป็นธรรม และผ่านกระบวนการประเมินที่ผู้เกี่ยวข้องสามารถไว้วางใจได้ การบรรยายนี้นำเสนอแนวคิดแบบองค์รวมเกี่ยวกับ AI ที่สามารถตรวจสอบและเชื่อถือได้ (Verifiable and Trustable AI) โดยแบ่งออกเป็น 3 มิติหลัก ได้แก่ ความเชื่อมั่นในอัลกอริทึม (Trust in Algorithms) ความเชื่อมั่นในข้อมูล (Trust in Data) และความเชื่อมั่นในกระบวนการ (Trust in Process)
ในส่วนแรก จะกล่าวถึงแนวทางการสร้างความน่าเชื่อถือให้กับอัลกอริทึม โดยเน้นโมเดลที่สามารถอธิบายและตีความผลลัพธ์ได้ ทั้งในด้าน Machine Learning, Computer Vision, Natural Language Processing และการแทนความรู้ (Knowledge Representation) ตัวอย่างที่นำเสนอ ได้แก่ การอธิบายเหตุผลเชิงตรรกะสำหรับการอนุมานแบบออนโทโลยี (Ontological Reasoning) ตัวจำแนกแบบ Neuro-symbolic ที่อ้างอิงทฤษฎีการโต้แย้ง (Argumentation Theory) ความสามารถในการรับมือกับประโยคปฏิเสธในระบบตอบคำถาม และการสร้างคำอธิบายที่มนุษย์เข้าใจง่ายจากโครงสร้างเชิงรูปแบบ
ในส่วนที่สอง จะกล่าวถึงความเชื่อมั่นในข้อมูล โดยมุ่งเน้นประเด็นอคติของอัลกอริทึม (Algorithmic Bias) ความเป็นธรรม (Fairness) และความเป็นส่วนตัว (Privacy) ผ่านกรณีศึกษาเกี่ยวกับอคติทางเพศใน Word Embeddings และ Knowledge Graphs รวมถึงแนวทางการเรียนรู้ที่คำนึงถึงความเป็นส่วนตัว เช่น Federated Learning และ Knowledge Distillation ซึ่งสะท้อนให้เห็นว่าคุณภาพและรูปแบบของข้อมูลมีผลอย่างมากต่อพฤติกรรมของ AI
สุดท้าย ผู้บรรยายเสนอว่าความเชื่อมั่นใน AI ไม่ควรถูกสร้างขึ้นเฉพาะในระดับของโมเดลเท่านั้น แต่ต้องเกิดขึ้นในระดับ “กระบวนการ” ด้วย โดยแนะนำแนวทาง Metamorphic Testing และการวิเคราะห์ Underspecification ในฐานะเครื่องมือสำคัญสำหรับประเมินระบบ AI ในกรณีที่ชุดทดสอบหรือเกณฑ์มาตรฐานแบบดั้งเดิมไม่เพียงพอ วิธีการเหล่านี้แสดงให้เห็นว่า แม้โมเดลหลายตัวจะมีค่าความแม่นยำใกล้เคียงกัน แต่กลับอาจพึ่งพาคุณลักษณะที่แตกต่างกันอย่างสิ้นเชิง หรือบางครั้งอาจอาศัยข้อมูลที่ไม่เกี่ยวข้องอย่างแท้จริง (Spurious Features) ซึ่งสะท้อนข้อจำกัดของการประเมินที่ยึดเพียงค่าความแม่นยำเป็นหลัก
โดยสรุป การบรรยายนี้เสนอแนวคิดในการพัฒนาและนำ AI ไปใช้งานอย่างมีหลักการ โดยให้องค์ประกอบด้านการอธิบายผล การตรวจสอบ และการทดสอบอย่างเป็นระบบ ทำงานร่วมกัน เพื่อสนับสนุนการสร้างระบบ AI ที่มีความรับผิดชอบ โปร่งใส และได้รับความไว้วางใจจากผู้ใช้งานอย่างแท้จริง