ตอนที่ 5/15: 4V of Data Quality for AI: Accuracy, Bias, and Completeness

ในขั้นตอนการเตรียมความพร้อมด้านข้อมูล (Data Preparation) สำหรับเทคโนโลยีปัญญาประดิษฐ์ สิ่งที่สำคัญยิ่งกว่า “ปริมาณ” (Volume) คือ “คุณภาพ” (Quality) ในบทความตอนที่ 5 นี้ AdminTee ขอพาทุกท่านเจาะลึกใน “ส่วนที่ 2: เสาหลักคุณภาพข้อมูล (The Data Foundation)” โดยเน้นไปที่เกณฑ์ชี้วัดคุณภาพ 3 ประการ (3 Dimensions of Data Quality) ที่ส่งผลโดยตรงต่อประสิทธิภาพและความน่าเชื่อถือของโมเดล AI

ส่วนที่ 2: เสาหลักคุณภาพข้อมูล (The Data Foundation)

ตอนที่ 5: 4V of Data Quality for AI: Accuracy, Bias, and Completeness โดยที่ 4V คือ

• Volume (ปริมาณข้อมูล):
  • หมายถึง: ขนาดของข้อมูลที่มีจำนวนมหาศาล ไม่ว่าจะเป็นระดับ Terabytes หรือ Petabytes
  • ในบริบท AI: AI จำเป็นต้องใช้ข้อมูลปริมาณมาก (Big Data) ในการฝึกฝน (Train) เพื่อให้โมเดลมีความฉลาดและแม่นยำ ยิ่งมีตัวอย่างให้เรียนรู้เยอะ ยิ่งเก่ง
• Velocity (ความเร็วของข้อมูล):
  • หมายถึง: อัตราความเร็วที่ข้อมูลถูกสร้างขึ้นและหลั่งไหลเข้ามา รวมถึงความเร็วในการประมวลผลเพื่อให้ได้ผลลัพธ์แบบ Real-time
  • ในบริบท AI: ข้อมูลในยุคปัจจุบันไหลมาเร็วมาก (เช่น ข้อมูลจาก Sensor IoT, Social Media, หรือ Transaction ธนาคาร) ระบบ AI ต้องสามารถรับมือและวิเคราะห์ข้อมูลเหล่านี้ได้ทันท่วงที
• Variety (ความหลากหลายของข้อมูล):
  • หมายถึง: รูปแบบของข้อมูลที่มีหลายประเภท ทั้งแบบมีโครงสร้าง (Structured – เช่น ตาราง Excel, Database) และแบบไม่มีโครงสร้าง (Unstructured – เช่น รูปภาพ, วิดีโอ, เสียง, ข้อความแชท)
  • ในบริบท AI: นี่คือความท้าทายสำคัญ เพราะ AI ยุคใหม่ (Generative AI) ต้องเก่งเรื่องการจัดการข้อมูลที่ “หลากหลาย” ไม่ใช่แค่ตัวเลขในตารางอีกต่อไป
• Veracity หมายถึง คุณภาพของข้อมูล ความแม่นยำ และความโปร่งใส (ซึ่งคือเรื่อง Accuracy, Bias, และ Completeness )

การนำข้อมูลดิบเข้าสู่กระบวนการ Machine Learning โดยปราศจากการตรวจสอบคุณภาพ เปรียบเสมือนการสร้างอาคารบนฐานรากที่ผุกร่อน องค์กรจำเป็นต้องตระหนักถึง 3 มิติดังนี้:

1. ความถูกต้องแม่นยำ (Accuracy) และการจัดการข้อมูลขยะ (Outliers)

• ข้อมูลที่นำมาสอน AI ต้องสะท้อนความเป็นจริง (Reality) อย่างถูกต้อง ปัญหาที่พบบ่อยคือ “ข้อมูลค่าผิดปกติ” (Outliers) เช่น ตัวเลขทางการเงินที่สูงเกินจริงจากการบันทึกผิดพลาด
• ผลกระทบ: ค่าผิดปกติเพียงจำนวนน้อย สามารถดึงค่าเฉลี่ยและการเรียนรู้ของโมเดลให้บิดเบือนไปจากความเป็นจริง (Skewed Model)
• แนวทางแก้ไข: ต้องมีกระบวนการ Anomaly Detection เพื่อตรวจจับและคัดกรองข้อมูลเหล่านี้ออก หรือทำการแก้ไขให้ถูกต้องก่อนนำไปประมวลผล

2. ความครบถ้วนสมบูรณ์ (Completeness) และการจัดการข้อมูลสูญหาย

• ชุดข้อมูลที่มีช่องว่าง (Missing Data) หรือค่า Null จำนวนมาก จะทำให้ AI ไม่สามารถมองเห็นรูปแบบความสัมพันธ์ของข้อมูลได้ครบทุกมิติ
• แนวทางแก้ไข: องค์กรต้องกำหนดนโยบายการจัดการข้อมูลสูญหายที่ชัดเจน ได้แก่
• การตัดทิ้ง (Deletion): กรณีข้อมูลหายไปจำนวนมากและไม่สามารถกู้คืนได้
• การแทนค่า (Imputation): การใช้ค่าเฉลี่ย (Mean) หรือค่ามัธยฐาน (Median) มาเติมเต็มช่องว่าง เพื่อรักษารูปแบบของข้อมูลไว้

3. ความปราศจากอคติ (Bias/Fairness) ในชุดข้อมูลฝึกฝน

• (Highlight) ประเด็นนี้ถือเป็นความท้าทายทางจริยธรรมที่สำคัญที่สุด ข้อมูลในอดีต (Historical Data) มักแฝงไปด้วยอคติจากการตัดสินใจของมนุษย์ หรือความไม่สมดุลของกลุ่มตัวอย่าง (Sampling Bias)
• ตัวอย่าง: หากชุดข้อมูลการคัดเลือกบุคคลเข้าทำงานในอดีต มีสัดส่วนเพศชายมากกว่าเพศหญิงอย่างมีนัยสำคัญ AI อาจเรียนรู้ที่จะ “เลือกปฏิบัติ” โดยให้คะแนนผู้สมัครเพศชายน้อยกว่า
• แนวทางแก้ไข: ต้องมีการตรวจสอบความสมดุลของข้อมูล (Data Balancing) และใช้เครื่องมือตรวจจับ Bias ก่อนนำโมเดลไปใช้งานจริง เพื่อให้มั่นใจว่า AI จะให้บริการประชาชนได้อย่างเสมอภาคและเป็นธรรม

---

บทสรุป

คุณภาพของข้อมูล คือเพดานบินของประสิทธิภาพ AI การลงทุนเวลาและทรัพยากรในการทำความสะอาดข้อมูล (Data Cleansing) และตรวจสอบความลำเอียง (Bias Audit) ตามหลักการ 3V ข้างต้น จะเป็นหลักประกันว่าระบบ AI ของหน่วยงาน จะทำงานได้อย่าง “เก่ง” และ “ดี” มีมาตรฐานทางจริยธรรมที่ยอมรับได้

---

คำถามเพื่อการมีส่วนร่วม (Engagement Questions)

• หน่วยงานของท่านมีกระบวนการตรวจสอบข้อมูล (Data Audit) ก่อนนำเข้าระบบสารสนเทศหรือไม่ และทำบ่อยเพียงใด?
• ท่านคิดว่านโยบายการจัดการข้อมูลส่วนที่ขาดหายไป (Missing Data) แบบใด เหมาะสมกับบริบทงานของท่านที่สุด (ตัดทิ้ง หรือ เติมค่า)?
• ท่านมีความกังวลเรื่องความลำเอียงของ AI ในด้านใดมากที่สุด หากนำมาใช้ในการตัดสินใจแทนมนุษย์?

---

ลิงก์ที่เกี่ยวข้อง (Related Links)

• Google Cloud: Data Preparation for AI
• NIST: Towards a Standard for Identifying and Managing Bias in AI

Hashtags: #AdminTee #OncBlog #NavyITBlog #DataGovernance #DataQuality #AIFairness #DigitalGovernment

รวมตอบคำถามชิงรางวัล เมื่อจบ Serries (ตอนที่ 15 มอบรางวัล)
https://docs.google.com/forms/d/e/1FAIpQLSfX2j6aY7UYcV8G1I692huNofJJT2zkgCqt-nZZGCNzAHDTDg/viewform?usp=preview