Latest posts four columns

ออกแบบ Human Oversight อย่างไร ให้ AI ทำงานได้จริงและองค์กรยังควบคุมได้บริษัทแห่งหนึ่งประกาศว่า “ทุกการตัดสินใจสำคัญจาก AI ต้องผ่านมนุษย์” แต่ไม่ได้บอกว่างานใดถือว่าสำคัญ ใครตรวจ และผู้ตรวจต้องเห็นข้อมูลอะไร เมื่อเกิดข้อผิดพลาด ทุกฝ่ายจึงเข้าใจหน้าที่ไม่ตรงกัน นโยบายที่ดูดีบนกระดาษจึงยังไม่ใช่ระบบกำกับดูแลที่ใช้ได้จริงเริ่มจากกระบวนงานหนึ่งก่อนสมมติองค์กรใช้ AI ช่วยตอบข้อร้องเรียนลูกค้า ให้เขียนขั้นตอนตั้งแต่รับเรื่อง ค้นข้อมูล ร่างคำตอบ ตรวจสอบ ส่งข้อความ และจัดเก็บหลักฐาน ระบุว่า AI เข้าถึงข้อมูลอะไร มีสิทธิทำอะไร และขั้นตอนใดอาจกระทบสิทธิ เงิน หรือข้อมูลส่วนบุคคล จากนั้นจึงกำหนดผู้รับผิดชอบในแต่ละจุดแบ่งระดับการตรวจตามความเสี่ยงข้อสอบถามทั่วไปอาจให้ AI ร่างและสุ่มตรวจ แต่ข้อร้องเรียนเกี่ยวกับการคืนเงิน การใช้ข้อมูลส่วนบุคคล หรือข้อพิพาทสำคัญควรส่งให้ผู้มีอำนาจพิจารณา ระดับการตรวจต้องอิงความเสียหายที่อาจเกิดขึ้น ความย้อนกลับได้ และความสามารถของผู้ตรวจ ไม่ใช่เพียงจำนวนข้อความที่ระบบผลิตทำให้ผู้ตรวจตัดสินใจได้จริงหน้าจอควรแสดงข้อมูลต้นทาง ข้อเท็จจริงที่ยืนยันได้ ข้อจำกัดของ AI และทางเลือกในการแก้ไข ผู้ตรวจควรปฏิเสธ ขอข้อมูลเพิ่ม หรือส่งต่อผู้เชี่ยวชาญได้โดยไม่ต้องฝ่าขั้นตอนยุ่งยาก การให้คนเห็นเพียงคำตอบสำเร็จรูปแล้วกดตกลงไม่เพียงพอสำหรับงานที่มีผลกระทบสูงวัดคุณภาพการกำกับดูแลแทนที่จะนับจำนวนครั้งที่กดอนุมัติ ให้วัดจำนวนข้อผิดพลาดที่พบก่อนส่ง จำนวนข้อผิดพลาดที่หลุดไปถึงลูกค้า เวลาจัดการกรณีเสี่ยง ความสามารถในการหยุดคำสั่งผิด และคุณภาพหลักฐานตรวจสอบ ควรมีการทดสอบด้วยกรณีข้อมูลไม่ครบ...

มีมนุษย์ตรวจสอบ AI แล้ว เหตุใดองค์กรยังมีความเสี่ยงโรงพยาบาลใช้ AI ช่วยร่างข้อความแจ้งนัดหมายผู้ป่วย เจ้าหน้าที่ตรวจวันนัด ชื่อผู้รับ และภาษาอย่างรอบคอบก่อนส่ง แต่ระหว่างประมวลผล ระบบได้ส่งประวัติสุขภาพไปยังบริการภายนอกโดยไม่มีการประเมินความเหมาะสม แม้ข้อความสุดท้ายจะถูกต้อง การตรวจโดยมนุษย์ก็อาจไม่พบความเสี่ยงที่เกิดขึ้นก่อนหน้านั้นตรวจคำตอบไม่เท่ากับตรวจทั้งกระบวนการองค์กรต้องแยกการตรวจคุณภาพผลลัพธ์ออกจากการตรวจว่าระบบใช้ข้อมูลและเครื่องมืออย่างไร AI อาจตอบถูกแต่เรียกใช้ข้อมูลเกินจำเป็น ส่งข้อมูลผิดที่ หรือทำงานด้วยสิทธิที่กว้างเกินไป การกำกับดูแลจึงต้องมองตั้งแต่ข้อมูลนำเข้า การประมวลผล การเรียกเครื่องมือ ไปจนถึงการจัดเก็บหลักฐานและการจัดการเหตุผิดปกติPDPA เกี่ยวข้องอย่างไรเมื่อมีการประมวลผลข้อมูลส่วนบุคคล องค์กรต้องพิจารณาพระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 ตามข้อเท็จจริง เช่น วัตถุประสงค์และฐานกฎหมายตามมาตรา 24 หรือมาตรา 26 สำหรับข้อมูลอ่อนไหวตามกรณี หน้าที่แจ้งข้อมูลตามมาตรา 23 มาตรการรักษาความมั่นคงปลอดภัยตามมาตรา 37 และความสัมพันธ์กับผู้ประมวลผลข้อมูลตามมาตรา 40 หากมีการส่งข้อมูลไปต่างประเทศต้องพิจารณาบทบัญญัติที่เกี่ยวข้องเพิ่มเติม การมีคนตรวจผลลัพธ์ไม่ได้เป็นฐานกฎหมายใหม่สำหรับการใช้หรือเปิดเผยข้อมูลความเสี่ยงของบันทึกการตรวจสอบการบันทึกคำสั่งและผลลัพธ์ทุกอย่างเพื่อใช้ตรวจสอบอาจทำให้เกิดคลังข้อมูลส่วนบุคคลอีกชุดหนึ่ง หากไม่มีการจำกัดผู้เข้าถึงหรือระยะเวลาเก็บรักษา บันทึกนั้นเองอาจเป็นแหล่งความเสี่ยง องค์กรจึงต้องออกแบบหลักฐานให้เพียงพอต่อการตรวจสอบโดยไม่เก็บข้อมูลเกินความจำเป็นมาตรการหลายชั้นนอกจากการตรวจของคน ควรมีการจำกัดสิทธิการเข้าถึง แยกสภาพแวดล้อมทดสอบ ตรวจการส่งข้อมูลออก ป้องกันคำสั่งแฝงในเอกสารภายนอก และกำหนดวิธีหยุดหรือย้อนกลับระบบ มาตรการเหล่านี้ต้องทดสอบร่วมกัน เพราะการควบคุมหนึ่งอย่างอาจล้มเหลวได้ความรับผิดชอบไม่จบที่ปุ่มอนุมัติหากเกิดเหตุ องค์กรควรตอบได้ว่าระบบเข้าถึงข้อมูลใด ใครเป็นผู้อนุมัติ มีการส่งข้อมูลไปที่ใด และมีขั้นตอนจัดการเหตุอย่างไร การบอกว่า...

AI Agent ควรตัดสินใจเองได้แค่ไหน และเมื่อใดต้องขออนุมัติ ลองนึกถึง AI Agent ที่ช่วยฝ่ายจัดซื้อ ระบบค้นผู้ขาย เปรียบเทียบราคา ร่างใบสั่งซื้อ และอาจกดสั่งซื้อได้เอง ประโยชน์คือประหยัดเวลาทำงานหลายขั้นตอน แต่เมื่อ Agent เปลี่ยนจาก “เสนอ” เป็น “ลงมือทำ” คำถามเรื่องอำนาจและความรับผิดชอบก็เปลี่ยนไปทันที AI Agent ต่างจากแชตบอตอย่างไร AI Agent ในบทความนี้หมายถึงระบบ AI ที่สามารถทำงานต่อเนื่องตามเป้าหมายและเรียกใช้เครื่องมือภายนอก เช่น ฐานข้อมูล อีเมล หรือระบบจัดซื้อได้ ความสามารถดังกล่าวไม่ใช่สิทธิในการกระทำทุกอย่างที่เครื่องมือเปิดให้ใช้ องค์กรต้องแยกสิ่งที่ระบบทำได้ในเชิงเทคนิคออกจากสิ่งที่ได้รับอนุญาตให้ทำในทางธุรกิจ แบ่งอำนาจเป็นช่วง ในตัวอย่างฝ่ายจัดซื้อ องค์กรอาจให้ Agent อ่านราคาและจัดทำตารางเปรียบเทียบได้ ให้ร่างคำสั่งซื้อได้แต่ยังไม่ส่ง และให้ดำเนินการซื้อจริงได้เฉพาะเมื่อผ่านเงื่อนไขหรืออำนาจอนุมัติที่กำหนดล่วงหน้า ธุรกรรมมูลค่าต่ำอาจใช้การอนุมัติอัตโนมัติภายใต้เพดานที่ชัดเจน ส่วนธุรกรรมมูลค่าสูงหรือมีความเสี่ยงควรส่งให้ผู้มีอำนาจตัดสินใจ อนุมัติการกระทำ ไม่ใช่อนุมัติแบบกว้าง ๆ ผู้อนุมัติควรเห็นรายการสินค้า จำนวน ราคา ผู้ขาย ผู้รับเงิน และผลกระทบที่คาดหมาย หาก Agent เปลี่ยนผู้ขาย...

เมื่อมนุษย์เชื่อ AI มากเกินไป ใครจะตรวจสอบความผิดพลาด เจ้าหน้าที่บริการลูกค้าใช้ AI ร่างคำตอบเรื่องการคืนเงิน ระบบตอบอย่างมั่นใจว่า “ไม่สามารถคืนเงินได้” และให้เหตุผลดูน่าเชื่อถือ เจ้าหน้าที่จึงกดส่งทันที ทั้งที่เงื่อนไขฉบับล่าสุดเปิดทางให้คืนเงินในกรณีนั้น เหตุการณ์สมมตินี้สะท้อนความเสี่ยงที่เกิดขึ้นเมื่อมนุษย์ตรวจคำตอบโดยอาศัยความมั่นใจของ AI มากกว่าหลักฐาน Automation bias คืออะไร Automation bias หรืออคติจากการพึ่งพาระบบอัตโนมัติ หมายถึงแนวโน้มที่คนให้น้ำหนักคำแนะนำของระบบมากเกินไป จนอาจละเลยข้อมูลอื่นหรือไม่สังเกตข้อผิดพลาด ปัญหาไม่ได้หมายความว่าทุกคนเชื่อ AI เสมอไป บางคนอาจไม่เชื่อแม้ระบบมีข้อมูลที่ดีด้วย ดังนั้นเป้าหมายคือความไว้วางใจที่เหมาะสมกับความสามารถจริงของระบบ มีคนตรวจ แต่ตรวจได้จริงหรือไม่ การกำหนดให้พนักงานกด “อนุมัติ” ก่อนส่งคำตอบอาจดูเหมือนมีการกำกับดูแล แต่ถ้าหน้าจอไม่แสดงเอกสารต้นทาง ผู้ตรวจไม่มีเวลาหรือไม่มีอำนาจปฏิเสธ การตรวจนั้นอาจไม่มีผลต่อความเสี่ยงที่สำคัญ ยิ่งองค์กรประเมินพนักงานจากความเร็วเพียงอย่างเดียว คนก็อาจเลือกเชื่อคำตอบที่พร้อมส่งมากกว่าการตรวจข้อมูล ออกแบบหน้าจอเพื่อให้คิด ไม่ใช่เพียงกด ระบบควรแยกข้อเท็จจริงออกจากข้อเสนอ แสดงแหล่งอ้างอิงและวันที่ของเอกสาร ระบุสิ่งที่ยังไม่แน่นอน และเปิดทางให้ขอความเห็นผู้เชี่ยวชาญ ในบางงานอาจให้เจ้าหน้าที่ระบุความเห็นเบื้องต้นก่อนเห็นคำแนะนำจาก AI เพื่อลดการยึดติดกับคำตอบแรก วิธีใดเหมาะสมต้องทดสอบกับผู้ใช้จริง ไม่ใช่สมมติว่าการแสดงคำเตือนเพิ่มจะช่วยได้เสมอ ฝึกตรวจข้อผิดพลาดที่สำคัญ การอบรมไม่ควรสอนเพียงวิธีเขียนคำสั่ง แต่ควรใช้กรณี AI อ้างเอกสารที่ไม่มีอยู่จริง ใช้ข้อมูลล้าสมัย...

มนุษย์กับ AI ทำงานร่วมกัน ดีกว่าทำงานแยกกันจริงหรือไม่ผู้จัดการฝ่ายกฎหมายได้รับข้อเสนอให้นำ AI มาช่วยตรวจสัญญา ผู้ขายระบบบอกว่าจะทำให้งานเร็วขึ้นมาก แต่คำถามที่ควรถามก่อนซื้อไม่ใช่เพียง AI อ่านสัญญาได้เร็วแค่ไหน หากเป็นเมื่อคนและ AI ทำงานร่วมกันแล้ว ผลลัพธ์ดีกว่าวิธีเดิมจริงหรือไม่ความเชื่อที่ต้องทดสอบงานวิจัยของ Vaccaro, Almaatouq และ Malone (2024) วิเคราะห์ผลจากการทดลอง 106 การทดลอง โดยรวบรวมขนาดผล 370 ค่า พบว่าโดยเฉลี่ยทีมมนุษย์ร่วม AI ทำงานได้ดีกว่ามนุษย์ทำงานลำพัง แต่ยังด้อยกว่าฝ่ายที่ทำได้ดีที่สุดระหว่างมนุษย์หรือ AI เมื่อแยกกัน ข้อค้นพบนี้ไม่ได้แปลว่าการร่วมมือไม่มีประโยชน์ แต่เตือนว่า “คนบวก AI” ไม่ใช่สูตรสำเร็จทุกงาน งานวิจัยยังพบความแตกต่างระหว่างงานสร้างเนื้อหากับงานตัดสินใจ และมีข้อจำกัดด้านความหลากหลายของการทดลองและความเป็นไปได้ของอคติในการเผยแพร่เมื่อคนกับ AI ช่วยกันแล้วอาจพลาดสมมติ AI อ่านสัญญาและสรุปว่าไม่มีข้อกำหนดค่าปรับผิดปกติ ผู้ตรวจเห็นข้อสรุปแล้วเชื่อทันทีโดยไม่ได้ดูต้นฉบับ หากระบบมองข้ามข้อกำหนดที่อยู่ในภาคผนวก การทำงานร่วมกันอาจยิ่งทำให้เกิดความมั่นใจผิด ๆ ตรงกันข้าม หากกำหนดให้ผู้เชี่ยวชาญอ่านทุกหน้าใหม่ทั้งหมด ประโยชน์ด้านเวลาก็อาจหายไปแบ่งงานตามจุดแข็ง ไม่ใช่แบ่งคนละครึ่งAI อาจเหมาะกับการค้นข้อความจำนวนมาก จัดกลุ่มประเด็น และชี้ตำแหน่งข้อความที่ควรตรวจ ส่วนคนมีบทบาทประเมินบริบท ความสัมพันธ์ระหว่างข้อสัญญา...

เมื่อ AI ฉลาดขึ้น ทำไมมนุษย์ยังต้องอยู่ในกระบวนการทำงาน ลองนึกถึงองค์กรที่ใช้ AI ช่วยคัดเลือกผู้สมัครงาน ระบบอ่านใบสมัครหลายพันฉบับได้ในเวลาไม่กี่นาทีและเสนอรายชื่อผู้ที่เหมาะสม แต่หากข้อมูลประสบการณ์ของผู้สมัครบางคนไม่ครบ หรือระบบให้คะแนนต่ำแก่คนที่หยุดงานเพื่อดูแลครอบครัว ใครจะตรวจพบปัญหานั้น และผู้สมัครมีโอกาสให้ทบทวนผลหรือไม่ คำถามนี้คือหัวใจของ Human-in-the-loop AI มนุษย์อยู่ในกระบวนการ หมายถึงอะไร Human-in-the-loop (HITL) หรือการให้มนุษย์มีส่วนร่วมในวงจรการทำงานของปัญญาประดิษฐ์ ไม่ได้หมายความว่าต้องมีคนกดอนุมัติทุกคำตอบ แต่หมายถึงการออกแบบให้มนุษย์มีบทบาทที่จำเป็น เช่น กำหนดวัตถุประสงค์ ตรวจข้อมูล ฝึกหรือแก้ผลของระบบ และทบทวนการตัดสินใจที่มีผลกระทบสำคัญ ในบางระบบคนมีส่วนร่วมขณะทำงาน ในบางระบบคนเฝ้าดูและแทรกแซงเมื่อพบความผิดปกติ การแบ่งประเภทเหล่านี้เป็นคำอธิบายวิธีออกแบบ ไม่ใช่ข้อรับรองว่าระบบปลอดภัยแล้ว ความแม่นยำสูงไม่ได้หมายความว่าถูกต้องทุกครั้ง ระบบที่ทำคะแนนได้ดีในการทดสอบอาจยังผิดพลาดเมื่อเจอข้อมูลที่ไม่เคยพบ หรือเมื่อบริบทการทำงานเปลี่ยนไป ตัวอย่างการคัดเลือกพนักงานข้างต้นแสดงให้เห็นว่า หากเจ้าหน้าที่ตรวจเฉพาะรายชื่อที่ AI เลือกผ่าน ก็อาจไม่มีใครมองเห็นความผิดพลาดที่เกิดกับคนซึ่งถูกคัดออกไปแล้ว การกำกับดูแลจึงต้องครอบคลุมทั้งผลลัพธ์ที่แสดงและสิ่งที่ระบบมองข้าม มนุษย์ควรอยู่ตรงไหน ก่อนใช้งาน ผู้รับผิดชอบต้องกำหนดว่า AI มีหน้าที่อะไร ใช้ข้อมูลใด และความผิดพลาดแบบใดยอมรับไม่ได้ ระหว่างใช้งาน ผู้ตรวจควรเห็นหลักฐานและสามารถแก้ไขหรือหยุดการทำงานได้ หลังใช้งาน องค์กรต้องติดตามข้อร้องเรียน ทดสอบความผิดพลาด และปรับปรุงกระบวนการเมื่อพบผลกระทบที่ไม่คาดคิด ทั้งสามช่วงนี้มีความสำคัญมากกว่าการเพิ่มปุ่มอนุมัติตอนท้ายเพียงปุ่มเดียว ตรวจมากไม่ได้แปลว่าดีกว่าเสมอไป...

กรุงเทพฯ – บริษัท ดีบีซี กรุ๊ป จำกัด (DBC Group) ผู้เชี่ยวชาญด้านที่ปรึกษาและจัดอบรมด้าน การคุ้มครองข้อมูลส่วนบุคคล Data & AI Governance และ Digital transformation  ประกาศความร่วมมือกับ บริษัท ดอทอะไร จำกัด (DotArai) ในการเป็นตัวแทนแนะนำบริการระบบอีเมลองค์กรสัญชาติไทย “Digital MBox” เพื่อยกระดับการจัดการและความปลอดภัยของข้อมูล (Data Governance) ให้กับองค์กรไทย พร้อมแก้ปัญหาต้นทุนและความเสี่ยงในการใช้งานระบบอีเมลต่างชาติ ความร่วมมือในครั้งนี้เกิดขึ้นจากปัญหาที่องค์กรและ SME ไทยต้องเผชิญกับต้นทุนที่สูงขึ้นอย่างต่อเนื่องจากการใช้ระบบอีเมลของต่างประเทศ ที่มีการปรับราคาแพงขึ้น อีกทั้งหลายองค์กรยังมีความเสี่ยงจากการปล่อยให้พนักงานใช้อีเมลฟรีในการทำงาน ซึ่งทำให้บริษัทไม่สามารถดูแลนโยบาย ควบคุมการใช้ข้อมูล หรือรักษาสิทธิ์ในข้อมูลได้   นอกจากนี้ระบบอีเมลของ DotArai ยังถูกออกแบบมาเพื่อให้ข้อมูลถูกจัดเก็บอยู่ภายในประเทศไทย ลดการพึ่งพาระบบอีเมลจากต่างประเทศ ดีบีซี กรุ๊ป ได้นำร่องทดลองใช้งานระบบอีเมลภายใต้โดเมน .th จริงภายในองค์กร จากความสำเร็จในการใช้งานจริง  ดีบีซี กรุ๊ป เตรียมนำอีเมลสัญชาติไทยนี้มาเผยแพร่ ให้ลูกค้าองค์กรที่ตระหนักถึงความเสี่ยงและเปลี่ยนมาใช้อีเมลองค์กรที่ได้มาตรฐาน ภายใต้สัญญาความร่วมมือ ดีบีซี กรุ๊ป จะทำหน้าที่เป็นตัวแทนแนะนำลูกค้า (Lead Generation)...

ดร.อุดมธิปก ไพรเกษตรผู้ก่อตั้งสื่อ PDPA Thailandประธานเจ้าหน้าที่บริหาร บริษัท ดีบีซี กรุ๊ป จำกัดนายกสมาคมผู้ตรวจสอบและให้คำปรึกษาการคุ้มครองข้อมูลส่วนบุคคลไทย (TPDPA)ดัชนี GIRAI 2026 บอกอะไรเกี่ยวกับจุดแข็งและช่องว่างในการกำกับดูแล AI ของประเทศในช่วงที่ประเทศไทยกำลังเร่งผลักดันการใช้ปัญญาประดิษฐ์ทั้งในภาครัฐ ธุรกิจ การศึกษา สุขภาพ และการทำงาน คำถามสำคัญอาจไม่ใช่เพียงว่า ไทยใช้ AI มากเพียงใด แต่คือไทยมีระบบกำกับดูแล AI ที่คุ้มครองประชาชนได้ดีเพียงใดผลการประเมิน Global Index on Responsible AI หรือ GIRAI 2026 ให้คำตอบที่น่าสนใจ ประเทศไทยได้คะแนนรวม 36.99 คะแนน อยู่ในอันดับ 60 จาก 135 ประเทศและเขตอำนาจ เป็นอันดับ 15 ของภูมิภาคเอเชียและโอเชียเนีย และอันดับ 12 ในกลุ่มประเทศรายได้ปานกลางระดับบน คะแนนไทยสูงกว่าค่าเฉลี่ยภูมิภาคประมาณ 4 คะแนน และสูงกว่าค่าเฉลี่ยประเทศรายได้ระดับเดียวกันประมาณ 5.1 คะแนนอย่างไรก็ตาม เมื่อเปรียบเทียบกับอีกสามประเทศในอาเซียน...

ATLAS คืออะไร และทำงานอย่างไร เจาะทุกประเด็นสำคัญในโลกของ AI ATLAS คือเว็บเบราว์เซอร์ใหม่ของ OpenAI ที่ฝัง ChatGPT ไว้ในตัว ทำให้เราพูดคุย สรุป เปรียบเทียบ หรือให้ AI ลงมือช่วยงานบนหน้าเว็บได้โดยตรงผ่านแถบด้านข้าง (sidebar) โดยจุดเด่นคือ Agent Mode ซึ่งให้ AI “คลิก-พิมพ์-ทำงาน” บางอย่างแทนเราในหน้าเว็บ เช่น ค้นหาทริป ช้อปปิ้ง กรอกฟอร์ม หรือลองร่างอีเมล โดยรุ่นแรกเปิดให้ใช้บน macOS และประกาศว่าจะตามมาบน Windows / iOS / Android ต่อไป ATLAS ต่างจากเบราว์เซอร์เดิมยังไง (ยกตัวอย่างทริปเที่ยว) ถ้าใช้เบราว์เซอร์เดิม เวลาเราหาข้อมูลเที่ยวเชียงใหม่ เราต้องเปิดหลายแท็บ—รีวิวที่พัก ตารางเที่ยว รถเช่าแผนที่—แล้วสลับไปมาเองทั้งหมด แต่ ATLAS มีผู้ช่วยอยู่ข้าง ๆ (เหมือนมีเพื่อนเก่ง ๆ นั่งช่วย) เราพิมพ์คุยกับเขาในแถบด้านข้างได้ทันที...

บริษัท ดีบีซี กรุ๊ป จำกัด ได้รับขึ้นทะเบียนเป็น “ที่ปรึกษา ประเภทนิติบุคคล ระดับ 1” ซึ่งถือเป็นระดับสูงสุด จากศูนย์ข้อมูลที่ปรึกษา กระทรวงการคลัง มีผลตั้งแต่วันที่ 17 มีนาคม 2568 เป็นต้นไป ความสำเร็จครั้งนี้ถือเป็นเครื่องพิสูจน์ถึงความมุ่งมั่นและความเชี่ยวชาญของเรา ในการให้บริการ Solutions ด้านการคุ้มครองข้อมูลส่วนบุคคล PDPA ตอกย้ำความมั่นใจ เพื่อให้ทุกท่านได้รับบริการที่ดีที่สุดจากเรา DBC Group

บริษัท ดีบีซี กรุ๊ป จำกัด DBC Group (PDPA Thailand) ภายใต้การนำทีมของ ดร.อุดมธิปก ไพรเกษตร ได้รับการรับรอง “องค์กรที่ทำหน้าที่ให้บริการฝึกอบรม” จาก สถาบันคุณวุฒิวิชาชีพ (องค์การมหาชน) ในหลักสูตร.. 1. อบรมเจ้าหน้าที่คุ้มครองข้อมูลส่วนบุคคลภาคปฏิบัติ: DPO in Action – สาขาวิชาชีพอุตสาหกรรมดิจิทัล สาขาความมั่นคงปลอดภัยทางคอมพิวเตอร์และส่วนบุคคล อาชีพนักจัดการคุ้มครองข้อมูลส่วนบุคคล ระดับ 7 2. อบรมการบริหารจัดการธุรกิจ e-commerce เบื้องต้น – สาขาวิชาชีพอุตสาหกรรมดิจิทัล สาขาธุรกิจดิจิทัลและพาณิชย์อิเล็กทรอนิกส์ อาชีพนักพาณิชย์อิเล็กทรอนิกส์ ระดับ 6 “DBC Group เราพร้อมพัฒนาคุณภาพบริการให้ดียิ่งขึ้น ควบคู่กับมาตรฐานสู่ระดับสากล” ติดตามเราไว้ เพื่อไม่ให้พลาดทุกข่าวสาร ความรู้ และบริการด้านกฎหมายคุ้มครองข้อมูลส่วนบุคคล (PDPA)

ทำไมองค์กรต้องมีข้อบังคับการใช้ Generative AI (GenAI) ที่ชัดเจน     สืบเนื่องจากความก้าวหน้าของเทคโนโลยีดิจิทัล โดยเฉพาะการมี Generative AI (ต่อไปนี้เรียกว่า “Gen AI”) ที่สามารถสร้างสรรค์เนื้อหาใหม่ ๆ เช่น ข้อความ รูปภาพ หรือข้อมูลสังเคราะห์ ส่งผลให้หลายบริษัทได้นำเทคโนโลยีนี้ไปเพิ่มประสิทธิภาพในการทำงาน ทั้งแบบฟรีและแบบมีค่าใช้จ่าย อย่างไรก็ตาม Gen AI ยังคงมีความเสี่ยง เช่น การสร้างข้อมูลที่ไม่ถูกต้อง (Hallucination) หรือข้อมูลที่มีอคติ (Bias)ดังนั้นเพื่อให้สามารถใช้เทคโนโลยีนี้ได้อย่างมีประสิทธิภาพ องค์กรควรกำหนดหลักเกณฑ์และแนวทางในการใช้งาน Gen AI ให้เป็นไปเพื่อประโยชน์ของบริษัท พนักงาน ลูกค้า และผู้เกี่ยวข้อง โดยคำนึงถึงประสิทธิภาพ ความปลอดภัย และการปฏิบัติตามกฎหมายที่เกี่ยวข้องPDPA Thailand ภายใต้การบริหารงานโดย DBC Group จัดทำตัวอย่าง ร่าง (Template) ข้อบังคับว่าด้วยการใช้งาน Generative AI สำหรับบุคลากรบริษัทขึ้น ซึ่งประกอบไปด้วยหัวข้อที่สำคัญไม่ว่าจะเป็น หลักการใช้อย่างปลอดภัย, บทบาทหน้าที่ผู้ดูแล, วัตถุประสงค์การใช้,...