คณะนักวิจัยด้านวิทยาการคอมพิวเตอร์จากมหาวิทยาลัยแคลิฟอร์เนีย ซานดิเอโก และมหาวิทยาลัยวิสคอนซิน-แมดิสัน ชี้ให้เห็นว่า การพึ่งพาโมเดลการเรียนรู้ของเครื่อง (ML) เพียงตัวเดียวที่ถูกพิจารณาว่า “ดีที่สุด” ในการตัดสินใจที่มีผลกระทบสูง — เช่น การพิจารณาสินเชื่อ หรือการตัดสินใจรับเข้าทำงาน — อาจนำไปสู่การรับรู้ว่าการตัดสินใจนั้นไม่เป็นธรรมในสายตาประชาชน งานวิจัยนี้ ซึ่งนำเสนอในการประชุม ACM CHI 2025 ศึกษาทัศนคติของประชาชนทั่วไปในสถานการณ์ที่โมเดลการเรียนรู้ของเครื่องหลายตัว ให้ผลลัพธ์แตกต่างกันสำหรับผู้สมัครรายเดียวกัน ทั้งที่แต่ละโมเดลมีความแม่นยำสูง และพบว่าผู้เข้าร่วมการสำรวจคัดค้านการเลือกใช้โมเดลเดียวโดยไม่มีการอธิบาย รวมถึงการแก้ไขปัญหาด้วยการสุ่มผลลัพธ์ โดยส่วนใหญ่แล้ว ผู้เข้าร่วมต้องการให้มีการสำรวจโมเดลที่หลากหลายมากขึ้น มีความโปร่งใส และให้มนุษย์เป็นผู้ชี้ขาดเมื่อโมเดลเกิดความขัดแย้ง รายงาน UC San Diego และบทความของผู้เขียนเรื่อง Perceptions of the Fairness Impacts of Multiplicity in Machine Learning (CHI 2025) นำเสนอผลการทดลองและคำแนะนำโดยละเอียด
ทำไมเรื่องนี้จึงสำคัญสำหรับคนไทย
ระบบ ML ถูกนำมาใช้ในภาคส่วนที่มีความสำคัญสูงในประเทศไทยแล้ว เช่น การให้กู้ยืมเงินดิจิทัล การให้คะแนนเครดิตอัตโนมัติ แพลตฟอร์มสรรหางาน และการให้บริการภาครัฐ โดยหน่วยงานกำกับดูแลด้านการเงินของไทยกำลังเร่งร่างแนวทางบริหารความเสี่ยงด้าน AI อยู่ในขณะนี้ ซึ่งธนาคารกลางของไทย ได้เปิดรับฟังความคิดเห็นสาธารณะเกี่ยวกับร่างแนวทางบริหารความเสี่ยงด้าน AI สำหรับผู้ให้บริการทางการเงิน เมื่อช่วงกลางปี 2025 ซึ่งถือว่าสอดคล้องกับประเด็นสำคัญที่งานวิจัยนี้ชี้ให้เห็น สรุปร่างแนวทาง ธปท. โดย Tilleke & Gibbins หากภาคการกำหนดนโยบายและภาคอุตสาหกรรมละเลยประเด็น “multiplicity” — คือโมเดลหลายชุดที่แม้จะมีความแม่นยำใกล้เคียงกัน แต่ก็ให้ผลลัพธ์ที่แตกต่างกัน — ผู้ขอสินเชื่อ หรือผู้สมัครงานในประเทศไทย อาจได้รับผลการตัดสินใจที่ไม่สอดคล้องกัน เพียงเพราะองค์กรเลือกใช้โมเดลชุดใดชุดหนึ่งในการประมวลผล
พื้นคิดทางวิชาการ: ปรากฏการณ์ “Rashomon” ใน ML
งานวิจัยนี้ต่อยอดงานวิจัยเดิมที่ชี้ให้เห็นว่าในระบบการเรียนรู้ของเครื่อง มักมีโมเดลหลายชุดที่ให้ความแม่นยำใกล้เคียงกัน แต่กลับให้ผลการคาดการณ์ที่แตกต่างกันสำหรับแต่ละกรณีเฉพาะ งานวิจัยก่อนหน้านี้ได้เตือนว่า ปรากฏการณ์ multiplicity อาจแฝงเร้นความลำเอียงและนำไปสู่ผลลัพธ์ที่ไม่เป็นธรรมได้ แต่สำหรับงานวิจัยที่นำเสนอในการประชุม CHI ครั้งนี้ ได้ก้าวไปอีกขั้นด้วยการสอบถามประชาชนโดยตรงว่า ต้องการให้องค์กรต่างๆ จัดการกับสถานการณ์ที่โมเดลให้ผลลัพธ์ไม่ตรงกันอย่างไร งานวิจัยที่เกี่ยวข้องเรื่อง multiplicity
ผลการศึกษาสำคัญที่ควรทราบ
จากการทดลองหลายชุดกับผู้เข้าร่วมหลายพันคนสรุปว่า:
- ประชาชนมีแนวโน้มที่จะต่อต้านแนวปฏิบัติในปัจจุบัน ที่เลือกใช้โมเดลเพียงตัวเดียวโดยไม่มีคำอธิบายใดๆ เมื่อมีโมเดลหลายชุดให้ผลลัพธ์ที่ขัดแย้งกัน
- ผู้เข้าร่วมปฏิเสธการตัดสินใจด้วยวิธีการสุ่ม (เช่น การเลือกผลลัพธ์จากโมเดลด้วยการโยนเหรียญ) โดยเห็นว่าไม่เป็นที่ยอมรับได้ในบริบทที่มีผลกระทบสูง เช่น การพิจารณารับเข้าทำงาน หรือการให้สินเชื่อ
- ประชาชนสนับสนุนมาตรการที่สามารถนำไปปฏิบัติได้จริง เช่น การสำรวจโมเดลที่หลากหลายมากขึ้น เพื่อค้นหาโมเดลที่สอดคล้องกับวัตถุประสงค์ด้านความเป็นธรรม รวมถึงการให้มนุษย์เข้ามาเป็นผู้ชี้ขาดเมื่อเกิดความขัดแย้ง แทนที่จะปล่อยให้การตัดสินใจเป็นเพียงเรื่องของอัลกอริทึมในกล่องดำ รายละเอียดจากบทความ CHI
ผลข้างเคียงต่อแนวปฏิบัติทางวิชาการและอุตสาหกรรม
ผลงานวิจัยนี้ท้าทายแนวปฏิบัติบางประการในวงการ ML ซึ่งมักเลือกใช้โมเดลที่ถูกพิจารณาว่า “ดีที่สุด” โดยอิงตามเมตริกต่างๆ โดยไม่ได้มีการตรวจสอบอย่างรอบด้านก่อนนำไปใช้งานจริง แม้จะมีบางแนวคิดในวงการที่เสนอให้ใช้วิธีการสุ่มเป็นทางออกที่เป็นกลาง แต่ผลการศึกษาเผยว่า ประชาชนทั่วไปมองว่าวิธีการสุ่มนั้นไม่ยุติธรรมและไม่ชอบธรรม เมื่อใช้ในการตัดสินใจที่มีผลกระทบสูง และคาดหวังให้องค์กรต่างๆ แสดงความรับผิดชอบต่อกระบวนการ และให้มนุษย์เข้ามาตรวจสอบทบทวนเมื่อผลลัพธ์มีความแตกต่างกัน
ข้อเสนอเชิงนโยบายและแนวปฏิบัติที่แนะนำสำหรับไทย
นักวิชาการและนักวิจัยเสนอแนวทางที่องค์กรต่างๆ ในประเทศไทยสามารถนำไปปรับใช้ได้ทันที เช่น:
- ขยายขอบเขตการสำรวจโมเดล: ไม่ควรยึดติดกับโมเดล “ตัวเดียวที่ดีที่สุด” เพียงชุดเดียว แต่ควรสำรวจชุดโมเดลที่หลากหลาย (หรือ Rashomon set) เพื่อตรวจสอบว่ามีโมเดลอื่นที่ให้ผลลัพธ์และการกระจายตัวของผลลัพธ์ที่แตกต่างกันหรือไม่
- ดำเนินการตรวจสอบ ‘multiplicity’ ในกระบวนการพัฒนา: ควรมีการวัดความผันผวนของผลลัพธ์ และค้นหากรณีที่การเลือกใช้โมเดลส่งผลให้ผลการตัดสินใจเปลี่ยนแปลงไปอย่างสิ้นเชิง
- กำหนดให้มีการชี้ขาดโดยมนุษย์สำหรับกรณีที่มีผลกระทบสูง หรือกรณีที่ผลลัพธ์มีความก้ำกึ่ง: ควรมีขั้นตอนการตรวจสอบทบทวนที่โปร่งใสและสามารถตรวจสอบย้อนหลังได้
- บันทึกและเปิดเผยกระบวนการตัดสินใจ: ควรแจ้งให้ผู้ที่ได้รับผลกระทบทราบว่ามีการพิจารณาโมเดลหลายชุดหรือไม่ และมีวิธีการแก้ไขความขัดแย้งของโมเดลอย่างไร
การนำแนวทางเหล่านี้ไปปรับใช้จะสอดคล้องกับข้อเสนอแนะในบทความ CHI และแนวปฏิบัติสากลด้านการกำกับดูแล AI ที่มีประสิทธิภาพ [บทความ CHI และงานวิจัย multiplicity](https:>; <https:)
คำแนะนำสำหรับผู้บริโภคและผู้สมัครในไทย
หากคุณถูกปฏิเสธจากระบบอัตโนมัติเมื่อยื่นขอสินเชื่อ สมัครงาน หรือสมัครเรียน ควรพิจารณาดำเนินการตามแนวทางดังต่อไปนี้:
- สอบถามว่ามีการใช้ระบบอัลกอริทึมในการตัดสินใจหรือไม่ และกระบวนการใดที่ถูกนำมาใช้เพื่อตัดสินผลลัพธ์เมื่อโมเดลไม่สอดคล้องกัน
- ร้องขอให้มีการตรวจสอบทบทวนโดยมนุษย์ และขอคำอธิบายที่ชัดเจนถึงเหตุผลเบื้องหลังการตัดสินใจนั้น
- ใช้ช่องทางรับฟังความคิดเห็นสาธารณะ เช่น การแสดงความคิดเห็นต่อร่างแนวทางของธนาคารกลาง เพื่อเรียกร้องการคุ้มครองเชิงนโยบายในประเด็น multiplicity สรุปร่างแนวทาง ธปท. โดย Tilleke & Gibbins
ข้อควรระวังและคำถามที่ยังเปิดอยู่
แม้ว่างานวิจัยนี้จะสะท้อนความคาดหวังของสังคมต่อความเป็นธรรม แต่ก็ไม่ใช่กฎเกณฑ์ทางเทคนิคที่จะรับประกันความเป็นธรรมได้เสมอไป การสำรวจโมเดลที่หลากหลายมากขึ้นอาจช่วยเปิดโอกาสให้พบทางเลือกที่ยุติธรรมกว่า แต่ก็อาจเพิ่มความซับซ้อนและความเสี่ยงอื่นๆ เช่น ปัญหา overfitting (การเรียนรู้ข้อมูลมากเกินไปจนใช้กับข้อมูลใหม่ได้ไม่ดี) หรือความเปราะบางในการใช้งานจริง การให้มนุษย์เข้ามาเป็นผู้ชี้ขาดแม้จะช่วยลดความเป็นอัตโนมัติลง แต่ก็มีความเสี่ยงที่จะเกิดอคติและความไม่สม่ำเสมอ หากไม่มีแนวทางและกลไกการตรวจสอบที่ดี นักวิจัยด้านความเป็นธรรมของ ML ยังคงเดินหน้าพัฒนาวิธีการวัด multiplicity การเลือกโมเดลโดยคำนึงถึงความเป็นธรรม และการออกแบบกระบวนการชี้ขาดที่ผสานรวมคำอธิบายจากอัลกอริทึมเข้ากับการตัดสินใจของมนุษย์ [งานวิจัยที่เกี่ยวข้อง](https:>; <https:)
แนวทางต่อไปสำหรับไทย
การผสมผสานระหว่างความคาดหวังของประชาชน ผลงานวิจัยเชิงเทคนิค และแนวทางการกำกับดูแลของประเทศไทย จะเป็นตัวกำหนดทิศทางในการจัดการกับปัญหา multiplicity อย่างไร การที่ธนาคารกลางได้เปิดพื้นที่รับฟังความคิดเห็น ถือเป็นสัญญาณที่ดีอย่างยิ่ง หากข้อกำหนดขั้นสุดท้ายเน้นย้ำถึงความโปร่งใส การกำกับดูแล และบทบาทของมนุษย์ในการร่วมตัดสินใจในกรณีที่มีความเสี่ยงสูง รวมถึงการกำหนดให้มีการบันทึกการเลือกโมเดลและการตรวจสอบ multiplicity อย่างเป็นระบบ ธนาคารไทยอาจก้าวขึ้นเป็นต้นแบบระดับภูมิภาคในการใช้งาน AI อย่างมีความรับผิดชอบได้ ผู้พัฒนาระบบและบริษัทผู้จำหน่ายเทคโนโลยีจำเป็นต้องปรับปรุงวิธีการพัฒนาให้มีมาตรวัด multiplicity และมีอินเทอร์เฟซที่เอื้อให้ผู้ชี้ขาดซึ่งเป็นมนุษย์ สามารถทำความเข้าใจและแก้ไขความขัดแย้งได้อย่างมีประสิทธิภาพ ขณะเดียวกัน ผู้บริโภคเองก็ควรได้รับการให้ความรู้เกี่ยวกับสิทธิและขอบเขตของการตัดสินใจโดยอัลกอริทึม
สรุป
งานวิจัยที่นำเสนอในการประชุม CHI 2025 ซึ่งนำโดยทีมจากมหาวิทยาลัยแคลิฟอร์เนีย ซานดิเอโก และมหาวิทยาลัยวิสคอนซิน ได้เน้นย้ำถึงมิติทางสังคมของ AI ยุคใหม่: นั่นคือ ผู้คนคาดหวังความรับผิดชอบ ไม่ใช่การสุ่ม เมื่ออัลกอริทึมให้ผลลัพธ์ไม่สอดคล้องกัน สำหรับประเทศไทย ซึ่งมีการประยุกต์ใช้การเงินดิจิทัล บริการภาครัฐ และแพลตฟอร์มหางานที่กำลังเปลี่ยนแปลงวิถีชีวิตประจำวันของประชาชน ข้อสรุปที่ได้มีความชัดเจนว่า หน่วยงานกำกับดูแล สถาบันการเงิน นายจ้าง และผู้ออกแบบระบบ ควรขยายการสำรวจโมเดล กำหนดให้การตรวจสอบ multiplicity เป็นมาตรฐาน ให้มนุษย์เข้ามาตรวจสอบทบทวนในกรณีที่มีข้อพิพาท และมีความโปร่งใสกับผู้ที่ได้รับผลกระทบ ผู้บริโภคเองก็ควรใช้สิทธิในการขอคำอธิบายและขอการตรวจสอบทบทวนจากมนุษย์ เมื่อนำมาตรการเหล่านี้มาประยุกต์ใช้ร่วมกัน ระบบการเรียนรู้ของเครื่องก็จะมีโอกาสเป็นเครื่องมือที่ช่วยสนับสนุนการตัดสินใจที่เป็นธรรม สามารถอธิบายได้ และสอดคล้องกับบริบททางวัฒนธรรมของไทยมากยิ่งขึ้น
แหล่งข้อมูล
- รายงานข่าว UC San Diego เกี่ยวกับบทความ CHI (today.ucsd.edu)
- บทความก่อนพิมพ์และการประชุม CHI สำหรับ Perceptions of the Fairness Impacts of Multiplicity in Machine Learning (arXiv abstract, ACM DL entry)
- วรรณกรรมกว้างขึ้นเกี่ยวกับ Rashomon/multiplicity และความเป็นธรรม (arXiv multiplicity paper, NeurIPS analysis of the Rashomon effect)
- การรายงานเกี่ยวกับร่างแนวทางการจัดการความเสี่ยง AI สำหรับภาคการเงินของธนาคารแห่งประเทศไทย (Tilleke & Gibbins summary)</https:></https:></https:></https:>
