🎯 เป้าหมาย
- ระบุแหล่งที่มาของ bias ในระบบ AI
- อธิบายผลกระทบต่อกลุ่มคนด้วยตัวอย่าง
- เชื่อมกับหลัก privacy และ fairness เชิงปฏิบัติ
1. Bias ไม่ได้มาจาก “AI ใจร้าย”
อคติมักฝังในข้อมูล ประวัติการตัดสินใจของมนุษย์ และการออกแบบวัตถุประสงค์ เช่น ข้อมูลมีกลุ่มหนึ่งน้อยเกินไป ป้ายกำกับสะท้อนอคติเดิม หรือนิยาม “ความสำเร็จ” ที่แคบ
ตัวอย่าง: ระบบคัดกรองใบสมัครที่ฝึกจากประวัติจ้างงานอดีต อาจลดคะแนนกลุ่มที่เคยมีสัดส่วนน้อยในองค์กร · ระบบรู้จำใบหน้าที่ฝึกจากใบหน้ากลุ่มเดียว อาจผิดพลาดกับกลุ่มอื่นมากกว่า
2. Fairness ในทางปฏิบัติ
หมายถึงการไม่เอื้อหรือทำร้ายกลุ่มใดอย่างไม่สมเหตุสมผล ต้องวัดผลแยกตามกลุ่มที่เกี่ยวข้อง ไม่ดูแค่ตัวเลขรวม
ระบบที่ “แม่นโดยรวม” อาจยังไม่เป็นธรรม หากพลาดหนักกับกลุ่มใดกลุ่มหนึ่ง
3. Privacy และข้อมูลส่วนบุคคล
เก็บเท่าที่จำเป็น ขอความยินยอมอย่างรอบรู้ ปกป้องข้อมูลอ่อนไหว และให้สิทธิเข้าถึง/ลบเมื่อกฎหมายกำหนด แนวทางเช่น GDPR ในยุโรปเป็นตัวอย่างกรอบคุ้มครองที่หลักสูตรหลายแห่งอ้างถึง
แนวปฏิบัติสำหรับนักเรียน: ไม่ใส่เลขบัตรประชาชน ที่อยู่ หรือรูปผู้อื่นโดยไม่ได้รับอนุญาตลงในเครื่องมือออนไลน์ · ตรวจสิทธิ์กล้อง/ไมโครโฟนของแอป · อ่านนโยบายสั้น ๆ ก่อนกดยอมรับ
อ้างอิง: หลัก fairness ในเอกสาร AI ethics · GDPR / แนวทางคุ้มครองข้อมูลยุโรป · ประเด็นสังคมในหลักสูตร AI
กิจกรรม: วิเคราะห์แอป 1 อย่างที่คุณใช้ ว่าเก็บข้อมูลอะไรบ้าง และสิทธิ์ใดที่คุณสามารถปิดได้โดยไม่เสียฟังก์ชันหลัก
✅ สรุป
- Bias มาจากข้อมูลและการออกแบบ
- ต้องวัด fairness อย่างจริงจัง
- ปกป้องความเป็นส่วนตัวเป็นส่วนหนึ่งของการใช้ AI อย่างรับผิดชอบ
📝 แบบฝึกหัดท้ายบท (5 ข้อ)
1. Bias ในระบบ AI มักมาจากอะไร?
2. Fairness ในบริบทนี้เน้นอะไร?
3. แนวทางลด bias เบื้องต้นคืออะไร?
4. ข้อมูลส่วนบุคคลควรจัดการอย่างไร?
5. ทำไม fairness จึงสำคัญในระบบคัดกรอง?