PDPC ออกแนวทาง AI: Consent เป็นทางเลือกสุดท้าย ทีมไทยเขียน LIA อย่างไร
แนวทาง AI ของ PDPC ลงราชกิจจานุเบกษา 2 พ.ย. 2026 ชี้ว่า Consent เป็นทางเลือกสุดท้าย บทความนี้สรุปวิธีเขียน LIA และเช็ก prompt-log-embedding ก่อนข้อมูลลูกค้ากลายเป็นข้อมูลฝึก AI
สารบัญ

บทนำ: อ่านบทความนี้แล้วคุณจะได้อะไร
ถ้าทีมของคุณกำลังฝึกโมเดล ทำ RAG หรือปล่อย AI Agent ให้ตอบลูกค้า บทความนี้จะช่วยให้คุณเข้าใจแนวทาง AI ฉบับแรกของคณะกรรมการคุ้มครองข้อมูลส่วนบุคคล หรือ PDPC แบบไม่ต้องตีความเองเกินจำเป็น คุณจะได้คำตอบว่า ทำไม Consent หรือความยินยอมจึงถูกวางไว้เป็นทางเลือกสุดท้าย เมื่อไรควรใช้ฐานประโยชน์โดยชอบด้วยกฎหมาย หรือ Legitimate Interest และจะเขียน Legitimate Interests Assessment หรือ LIA อย่างไรให้ใช้งานได้จริง
ที่สำคัญกว่านั้น คุณจะได้เช็กลิสต์สำหรับงานที่ทีมไทยพลาดบ่อยที่สุด นั่นคือ prompt, log และ embedding เพราะข้อมูลลูกค้าอาจหลุดเข้าไปอยู่ในระบบ AI โดยที่ไม่มีใครตั้งใจให้เป็นข้อมูลฝึกโมเดล บทความนี้ไม่ได้เป็นคำแนะนำทางกฎหมายเฉพาะราย แต่เป็นแผนที่สำหรับทีมพัฒนา ทีมข้อมูล ทีมผลิตภัณฑ์ และ DPO ที่ต้องทำงานร่วมกัน
ข้อควรทราบตั้งแต่ต้น แนวทางนี้เป็นแนวทางของ PDPC ไม่ใช่กฎหมายฉบับใหม่ที่มีโทษโดยตรง แต่เป็นคำอธิบายว่า พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 หรือ PDPA ที่ใช้อยู่แล้ว จะนำมาใช้กับ AI อย่างไร ดังนั้น ทีมไม่ควรมองว่า แนวทางไม่ผูกพันแล้วแปลว่าไม่ต้องทำอะไร
แนวทาง AI ของ PDPC คืออะไร และสถานะทางกฎหมายเป็นอย่างไร
แนวทางฉบับนี้มีชื่อเต็มว่า แนวทางการดำเนินการด้านการคุ้มครองข้อมูลส่วนบุคคลเกี่ยวกับการพัฒนาและการใช้งานเทคโนโลยีปัญญาประดิษฐ์ พ.ศ. 2569 โดยมีเอกสารแนวทาง Version 1.0 แนบท้ายประกาศของ PDPC ตามรายงานของสำนักงานกฎหมายที่สรุปแนวทางนี้ ประกาศดังกล่าวออกตามมาตรา 16(3) แห่ง PDPA และลงราชกิจจานุเบกษาเมื่อวันที่ 2 พฤศจิกายน 2569 หรือ ค.ศ. 2026
ขอบเขตของแนวทางครอบคลุมวงจรชีวิตของ AI ตั้งแต่การวางแผน ออกแบบ เตรียมข้อมูล ฝึกโมเดล ทดสอบ นำไปใช้งาน จนถึงเลิกใช้งาน และครอบคลุม AI หลายรูปแบบ ทั้ง Analytic AI, Generative AI และ Agentic AI นั่นหมายความว่า ต่อให้ทีมของคุณไม่ได้สร้างโมเดลพื้นฐานเอง แต่ใช้โมเดลของคนอื่นมาทำแชตบอต สรุปเอกสาร หรือให้ Agent ทำงานแทน ก็ยังอยู่ในขอบเขตที่ต้องคิดเรื่อง PDPA
สิ่งที่ต้องแยกให้ชัดมี 2 ชั้น
- ชั้นกฎหมาย: PDPA มาตรา 24, 26, 28, 29, 32, 33 และบทบัญญัติอื่นที่เกี่ยวข้อง ยังเป็นฐานบังคับหลัก
- ชั้นแนวทาง: แนวทางของ PDPC เป็นคำอธิบายและข้อเสนอแนะ ไม่ได้สร้างโทษใหม่เอง แต่เป็นสัญญาณว่า PDPC จะมองเรื่องเหล่านี้อย่างไรเมื่อตรวจสอบ
ดังนั้น วิธีคิดที่ปลอดภัยคือ ใช้กฎหมายเป็นเกณฑ์ขั้นต่ำ แล้วใช้แนวทางเป็นเช็กลิสต์ออกแบบระบบ อย่าสลับกัน
ทำไม Consent จึงเป็นทางเลือกสุดท้าย
หลายทีมคุ้นเคยกับสูตรว่า ถ้าจะใช้ข้อมูลก็ขอ Consent ไว้ก่อน จะได้จบ แต่แนวทาง AI ของ PDPC กลับบอกว่า Consent ควรเป็นทางเลือกสุดท้าย ไม่ใช่ทางเลือกแรก เพราะ Consent มีต้นทุนที่ซ่อนอยู่
เมื่อเจ้าของข้อมูลถอนความยินยอม องค์กรอาจต้องหยุดประมวลผล หรืออาจต้องลบข้อมูลออกจากชุดข้อมูลฝึก ซึ่งในงานโมเดลจริง การลบแบบนี้ทำได้ยากและอาจกระทบโมเดลที่ฝึกไปแล้ว การออกแบบโดยพึ่ง Consent ตั้งแต่ต้นจึงอาจสร้างภาระที่แก้ทีหลังได้ยาก
แนวทางยังวางกับดักสำคัญไว้ว่า ถ้าองค์กรเลือกขอ Consent แล้วถูกปฏิเสธหรือถูกถอนความยินยอม จะย้อนกลับไปอ้างฐานประโยชน์โดยชอบด้วยกฎหมายตามมาตรา 24(5) สำหรับกิจกรรมเดียวกันไม่ได้ ดังนั้น การเลือกฐานทางกฎหมายไม่ใช่การลองไปก่อนแล้วค่อยเปลี่ยนใจ
วิธีเลือกฐานทางกฎหมายก่อนเริ่มโครงการ
ก่อนเขียนโค้ดหรือดึงข้อมูล ให้ทีมตอบคำถามเหล่านี้ให้ครบ
- วัตถุประสงค์ที่ชัดเจนของงาน AI คืออะไร เช่น ตอบคำถามลูกค้า สรุปเอกสารภายใน ตรวจจับทุจริต
- ข้อมูลที่จำเป็นจริงมีอะไรบ้าง และข้อมูลไหนตัดออกได้โดยไม่เสียคุณภาพงาน
- ข้อมูลนี้เก็บมาตั้งแต่แรกเพื่อวัตถุประสงค์อะไร และวัตถุประสงค์ใหม่สอดคล้องกับวัตถุประสงค์เดิมหรือไม่
- มีฐานทางกฎหมายอื่นตามมาตรา 24 หรือมาตรา 26 ที่รองรับหรือไม่
- ถ้าไม่มีฐานอื่นเลย จึงค่อยพิจารณา Consent เป็นทางเลือกสุดท้าย
ถ้าข้อมูลเป็นข้อมูลอ่อนไหวตามมาตรา 26 ต้องระวังเป็นพิเศษ เพราะฐานประโยชน์โดยชอบด้วยกฎหมายตามมาตรา 24(5) ไม่ได้เป็นฐานสำหรับข้อมูลอ่อนไหวโดยอัตโนมัติ ต้องดูข้อยกเว้นเฉพาะของมาตรา 26 แยกต่างหาก อย่าเหมารวมว่า LIA หนึ่งฉบับครอบคลุมทุกอย่าง
LIA คืออะไร และต่างจาก DPIA อย่างไร
LIA คือเอกสารประเมินว่า การประมวลผลโดยอ้างประโยชน์โดยชอบด้วยกฎหมายนั้นสมเหตุสมผลและสมดุลกับสิทธิของเจ้าของข้อมูลหรือไม่ ส่วน DPIA คือการประเมินผลกระทบด้านการคุ้มครองข้อมูลส่วนบุคคล ซึ่งเหมาะกับงานที่มีความเสี่ยงสูง เช่น การประมวลผลข้อมูลอ่อนไหวจำนวนมาก การใช้ AI ตัดสินใจเรื่องสำคัญ หรือการให้ Agent ทำงานโดยอัตโนมัติโดยมนุษย์แทบไม่ได้ตรวจสอบ
พูดง่ายๆ คือ
- LIA ตอบว่า เรามีสิทธิใช้ข้อมูลนี้ด้วยฐานนี้หรือไม่
- DPIA ตอบว่า ความเสี่ยงคืออะไร และเราจะลดความเสี่ยงอย่างไร
โครงการ AI หนึ่งโครงการอาจต้องมีทั้งสองอย่าง หรืออาจเริ่มจาก LIA แล้วพบว่าความเสี่ยงสูงจนต้องทำ DPIA เพิ่ม อย่าเขียน LIA เป็นกระดาษแผ่นเดียวว่า มีประโยชน์ต่อธุรกิจ จึงสมเหตุสมผล เพราะแบบนั้นแทบไม่มีน้ำหนักเมื่อถูกตรวจสอบ
วิธีเขียน LIA สำหรับงานฝึกโมเดล ทำ RAG และ Agent แบบใช้งานได้จริง
LIA ที่ดีต้องเขียนแยกตามกิจกรรม ไม่ใช่เขียนรวมทั้งบริษัทในฉบับเดียว เช่น การฝึกโมเดลกับการทำ RAG ตอบลูกค้า เป็นคนละกิจกรรม มีข้อมูลคนละชุด มีความเสี่ยงคนละแบบ จึงควรมี LIA คนละฉบับ หรืออย่างน้อยแยกส่วนประเมินให้ชัด
ขั้นที่ 1 ระบุประโยชน์โดยชอบด้วยกฎหมายให้เฉพาะเจาะจง
อย่าเขียนกว้างๆ ว่า เพื่อพัฒนาบริการ ให้เขียนว่า เพื่อให้แชตบอตตอบคำถามสถานะคำสั่งซื้อได้ถูกต้องโดยไม่ต้องให้พนักงานค้นหาข้อมูลซ้ำ หรือ เพื่อตรวจจับธุรกรรมผิดปกติในงานที่มนุษย์ตรวจสอบไม่ทัน
ประโยชน์ต้องเป็นประโยชน์ที่มีอยู่จริง วัดได้ และเกี่ยวข้องกับกิจกรรมนั้น ไม่ใช่ประโยชน์ในอนาคตที่ยังไม่มีแผนชัดเจน
ขั้นที่ 2 ระบุความจำเป็นและความได้สัดส่วน
ตอบให้ได้ว่า ทำไมต้องใช้ข้อมูลส่วนบุคคลชุดนี้ ทำไมใช้ข้อมูลน้อยกว่านี้ไม่ได้ และทำไมวิธีที่ไม่ใช้ AI หรือใช้กฎง่ายๆ จึงไม่พอ
ตัวอย่างคำถามที่ต้องตอบ
- ถ้าตัดชื่อ เบอร์โทร เลขสมาชิก หรือข้อความต้นฉบับออก โมเดลยังทำงานได้หรือไม่
- ถ้าใช้ข้อมูลสังเคราะห์หรือข้อมูลตัวอย่างแทนได้หรือไม่
- ระยะเวลาเก็บข้อมูลสั้นที่สุดที่ยังทำงานได้คือเท่าไร
- มีวิธีลดความเสี่ยง เช่น การปกปิดข้อมูล การตัดทอนข้อมูล หรือการจำกัดสิทธิ์เข้าถึง หรือไม่
ถ้าทีมตอบไม่ได้ แปลว่ายังไม่พร้อมอ้างฐานประโยชน์โดยชอบด้วยกฎหมาย
ขั้นที่ 3 ประเมินผลกระทบและความคาดหวังของเจ้าของข้อมูล
นี่คือหัวใจของ LIA ที่ทีมเทคนิคชอบมองข้าม ต้องถามว่า เจ้าของข้อมูลคาดหวังหรือไม่ว่าข้อมูลของเขาจะถูกนำมาใช้แบบนี้
ข้อมูลที่ลูกค้าส่งมาเพื่อขอแก้ปัญหาคำสั่งซื้อ ไม่ได้แปลว่าเขาคาดหวังว่าข้อความนั้นจะกลายเป็นข้อมูลฝึกแชตบอต การใส่ข้อความไว้ใน Privacy Notice อย่างเดียวอาจไม่พอ ถ้าบริบทจริงทำให้คนทั่วไปไม่คาดคิดว่าจะถูกนำไปใช้แบบนั้น
ประเด็นที่ต้องประเมิน
- ข้อมูลมีความอ่อนไหวหรือไม่ เช่น ข้อมูลสุขภาพ การเงิน ความคิดเห็นทางการเมือง ข้อมูลเด็ก
- ข้อมูลถูกเก็บจากแหล่งเปิดหรือจากความสัมพันธ์โดยตรง
- เจ้าของข้อมูลเป็นกลุ่มเปราะบางหรือไม่ เช่น เด็ก ผู้ป่วย ลูกจ้าง
- ผลเสียถ้าข้อมูลรั่วหรือโมเดลจำข้อมูลแล้วตอบหลุดออกมา
- ความสัมพันธ์เชิงอำนาจ เช่น นายจ้างกับลูกจ้าง ทำให้การปฏิเสธทำได้ยากหรือไม่
ขั้นที่ 4 กำหนดมาตรการคุ้มครองและทางเลือกให้เจ้าของข้อมูล
มาตรการที่กฎหมายกำหนดอยู่แล้ว ไม่ควรนับเป็นมาตรการเพิ่มเติมเพื่อถ่วงน้ำหนัก เช่น การมีรหัสผ่านพื้นฐานอย่างเดียวไม่พอ ต้องมีมาตรการที่ตรงกับความเสี่ยงของ AI
ตัวอย่างมาตรการที่ควรพิจารณา
- ลดข้อมูลก่อนฝึกและก่อนทำ embedding
- แยกข้อมูลฝึกออกจากข้อมูลใช้งานจริง
- จำกัดสิทธิ์เข้าถึงชุดข้อมูลและโมเดล
- มีช่องทางคัดค้านตามมาตรา 32 ที่ใช้งานได้จริง ไม่ใช่แค่มีอีเมลที่ไม่มีคนตอบ
- มีแผนลบข้อมูลและจัดการคำขอใช้สิทธิตามมาตรา 33
- ทดสอบการจำข้อมูลของโมเดลก่อนปล่อยใช้งานจริง
ขั้นที่ 5 สรุปผล ลงวันที่ ผู้อนุมัติ และกำหนดวันทบทวน
LIA ต้องมีเจ้าของเอกสาร วันที่ประเมิน ผู้อนุมัติ และวันทบทวนครั้งถัดไป เพราะ LIA ที่เขียนครั้งเดียวแล้วไม่เคยทบทวน จะล้าสมัยทันทีเมื่อทีมเปลี่ยนชุดข้อมูล เปลี่ยนโมเดล หรือเพิ่มฟีเจอร์ Agent ใหม่
ตารางต่อไปนี้ช่วยให้ทีมเห็นภาพเร็วว่า LIA ของงานแต่ละแบบต่างกันตรงไหน
| งาน AI | คำถามหลักใน LIA | ความเสี่ยงที่มักถูกมองข้าม |
|---|---|---|
| ฝึกโมเดล | ข้อมูลชุดนี้จำเป็นต่อการฝึกจริงหรือไม่ | โมเดลจำข้อมูลแล้วตอบหลุด |
| RAG | ต้องส่งข้อมูลลูกค้าทั้งเอกสารเข้าโมเดลหรือไม่ | เอกสารที่ดึงมาเกินขอบเขตคำถาม |
| Agent | Agent ควรมีสิทธิ์อ่าน เขียน หรือส่งข้อมูลแค่ไหน | Agent ทำขั้นตอนเกินกว่าที่ผู้ใช้สั่ง |
RAG ไม่ใช่พื้นที่ปลอดภัยอัตโนมัติ
หลายทีมเข้าใจว่า ถ้าไม่ได้ฝึกโมเดลก็ไม่ต้องกังวลเรื่องข้อมูลส่วนบุคคล แต่ RAG ก็ยังมีการประมวลผลข้อมูลส่วนบุคคลหลายจุด ตั้งแต่การนำเอกสารเข้า index การทำ embedding การดึงข้อมูลตามคำถาม และการส่งบริบทเข้าโมเดล
สิ่งที่ต้องเช็กก่อนปล่อย RAG ใช้งานจริง
- แหล่งข้อมูล: เอกสารชุดนี้มีข้อมูลส่วนบุคคลหรือไม่ ใครเป็นเจ้าของข้อมูล และมีฐานทางกฎหมายสำหรับนำมาใช้ใน RAG หรือไม่
- การแบ่งสิทธิ์: ผู้ใช้คนหนึ่งเห็นเอกสารของอีกคนได้หรือไม่ ระบบค้นหาต้องเคารพสิทธิ์การเข้าถึงเท่าเทียมกับระบบต้นทาง
- การตัดข้อมูล: ถามเรื่องเดียว แต่ระบบดึงเอกสารทั้งไฟล์ที่มีข้อมูลไม่เกี่ยวข้องมาด้วยหรือไม่
- การเก็บ prompt และผลลัพธ์: prompt ที่ผู้ใช้พิมพ์อาจมีข้อมูลลูกค้าคนอื่นอยู่ และอาจถูกเก็บใน log แล้วกลายเป็นข้อมูลฝึกในภายหลัง
- การส่งต่อให้ผู้ให้บริการภายนอก: ถ้าโมเดลอยู่นอกองค์กร ต้องดูว่าใครเข้าถึงข้อมูลได้ และมีมาตรการโอนข้อมูลไปต่างประเทศตามมาตรา 28 และ 29 หรือไม่
แนวปฏิบัติที่ดีคือ ออกแบบ RAG ให้ดึงข้อมูลน้อยที่สุดเท่าที่ตอบคำถามได้ แยก index ตามระดับสิทธิ์ และมีนโยบายลบ log ที่ชัดเจน อย่าปล่อยให้เอกสารทั้งบริษัทอยู่ใน index เดียวกันโดยไม่มีการควบคุม
AI Agent ต้องควบคุมสิทธิ์ ไม่ใช่แค่ควบคุมคำตอบ
Agent ต่างจากแชตบอตตรงที่ Agent สามารถเรียกเครื่องมือ อ่านระบบ ส่งข้อมูล หรือแก้ไขข้อมูลได้ การประเมินความเสี่ยงจึงต้องดูที่การกระทำ ไม่ใช่แค่ข้อความที่ตอบ
เช็กลิสต์สำหรับ Agent
- Agent แต่ละตัวมีบัญชีเฉพาะและสิทธิ์น้อยที่สุดหรือไม่
- การกระทำที่กระทบสูง เช่น คืนเงิน ลบข้อมูล ส่งข้อมูลออกนอกองค์กร ต้องมีมนุษย์อนุมัติหรือไม่
- มี log ว่า Agent เรียกเครื่องมืออะไร ด้วยข้อมูลอะไร และผลลัพธ์คืออะไร
- ถ้า Agent ทำงานผิดพลาด จะหยุดระบบและย้อนกลับได้อย่างไร
- ผู้ใช้รู้หรือไม่ว่ากำลังคุยกับ Agent และ Agent จะทำอะไรบ้าง
ถ้าทีมยังตอบไม่ได้ว่า Agent เข้าถึงข้อมูลอะไรได้บ้าง แปลว่ายังไม่ควรปล่อย Agent ให้ทำงานกับข้อมูลลูกค้าจริง
เช็ก prompt-log-embedding ก่อนข้อมูลลูกค้ากลายเป็นข้อมูลฝึก AI
นี่คือส่วนที่ทีมไทยควรตรวจเป็นประจำ เพราะข้อมูลมักรั่วจากจุดเล็กๆ ไม่ใช่จากการตัดสินใจครั้งใหญ่
เช็ก Prompt
- prompt มีข้อมูลส่วนบุคคลที่ไม่จำเป็นหรือไม่ เช่น ใส่ประวัติลูกค้าทั้งหมดทั้งที่ถามเรื่องเดียว
- มีเทมเพลต prompt ที่ดึงข้อมูลลูกค้าอัตโนมัติโดยไม่มีการกรองหรือไม่
- ผู้ใช้หรือพนักงานพิมพ์ข้อมูลอ่อนไหวลงใน prompt ได้โดยไม่มีคำเตือนหรือไม่
- มีการแยก prompt สำหรับงานภายในกับงานที่ส่งให้ผู้ให้บริการภายนอกหรือไม่
- มีการตรวจสอบว่า prompt ที่ส่งออกนอกองค์กรไม่รวมข้อมูลที่ห้ามส่งหรือไม่
เช็ก Log
- log เก็บ prompt, output, IP, user ID หรือข้อมูลที่ระบุตัวตนได้นานเท่าไร
- ใครเข้าถึง log ได้บ้าง และ log ถูกใช้เพื่อปรับปรุงโมเดลหรือไม่
- มีการปกปิดข้อมูลใน log ก่อนเก็บหรือไม่
- ถ้าผู้ให้บริการบอกว่า log จะถูกนำไปฝึกโมเดล สัญญาได้ห้ามไว้หรือไม่
- มีวิธีลบ log ตามคำขอใช้สิทธิของเจ้าของข้อมูลหรือไม่
ข้อผิดพลาดที่พบบ่อยคือ ทีมปิดการฝึกโมเดลในหน้าตั้งค่าหลัก แต่ลืมว่า log, feedback, หรือระบบประเมินคุณภาพยังเก็บข้อมูลดิบไว้ และอาจถูกนำไปใช้ต่อในภายหลัง
เช็ก Embedding และ Vector Database
- embedding ยังถือเป็นข้อมูลส่วนบุคคลได้ ถ้าสามารถระบุตัวบุคคลได้ทางตรงหรือทางอ้อม หรือสามารถสกัดข้อมูลกลับมาได้ด้วยวิธีที่เป็นไปได้ในทางปฏิบัติ การแปลงเป็นตัวเลขไม่ได้ทำให้ข้อมูลกลายเป็นนิรนามโดยอัตโนมัติ
- มีเอกสารอธิบายว่า embedding มาจากข้อมูลอะไร และมีมาตรการป้องกันการสกัดข้อมูลกลับมาอย่างไร
- มีการลบหรืออัปเดต embedding เมื่อลบเอกสารต้นฉบับหรือไม่ ถ้าลบไฟล์ต้นฉบับแต่ embedding ยังอยู่ ระบบอาจยังตอบจากข้อมูลเดิมได้
- มีการแยก vector index ตามลูกค้า ตามทีม หรือตามระดับสิทธิ์หรือไม่
- มีการทดสอบว่าโมเดลหรือระบบค้นหาสามารถตอบข้อมูลส่วนบุคคลออกมาโดยไม่ควรตอบได้หรือไม่
คำแนะนำที่ใช้ได้จริงคือ ให้ทีมถือว่า embedding คือข้อมูลส่วนบุคคลไว้ก่อน จนกว่าจะพิสูจน์ได้ว่าไม่สามารถระบุตัวบุคคลได้ด้วยวิธีที่เป็นไปได้จริง และมีเอกสารรองรับการประเมินนั้น
ข้อมูลจากเว็บและข้อมูลสาธารณะ ไม่ได้แปลว่าใช้ได้ฟรี
แนวทางของ PDPC ไม่ได้ห้ามการเก็บข้อมูลจากเว็บเพื่อฝึก AI แบบเด็ดขาด แต่ก็ไม่ได้บอกว่าข้อมูลที่อยู่บนอินเทอร์เน็ตใช้ได้โดยไม่มีเงื่อนไข การเก็บข้อมูลจากเว็บควรมี LIA ก่อนเก็บ มีเกณฑ์เลือกแหล่งข้อมูลเป็นลายลักษณ์อักษร และเคารพสัญญาณคัดค้านทางเทคนิค เช่น robots.txt หรือ ai.txt
นอกจากนี้ ต้องระวังข้อมูลอ่อนไหวและข้อมูลเด็กที่ปะปนมาในข้อมูลสาธารณะ และต้องมีกระบวนการคัดข้อมูลที่ไม่เกี่ยวข้องออกและลบโดยเร็ว ถ้าทีมไปฝ่าสิ่งกีดขวางทางเทคนิคเพื่อดึงข้อมูล ทั้งที่เจ้าของเว็บแสดงเจตนาไม่ให้เก็บข้อมูล จะกระทบการประเมินความคาดหวังของเจ้าของข้อมูลอย่างมาก
ถ้าจะเก็บข้อมูลจากแหล่งอื่นที่ไม่ใช่เจ้าของข้อมูลโดยตรง ต้องคิดเรื่องการแจ้งเจ้าของข้อมูลด้วย โดยหลักแล้ว การแจ้งเมื่อเก็บข้อมูลจากแหล่งอื่นควรทำภายใน 30 วัน เว้นแต่มีข้อยกเว้นตามกฎหมาย สำหรับการเก็บข้อมูลจำนวนมาก แนวทางเสนอให้พิจารณาประกาศสาธารณะที่ระบุประเภทแหล่งข้อมูลและช่วงเวลาการเก็บ พร้อมช่องทางคัดค้านที่ใช้งานง่าย
ผู้ให้บริการ AI ฝึกโมเดลด้วยข้อมูลลูกค้า ใครเป็นผู้ควบคุมข้อมูล
ประเด็นนี้สำคัญมากสำหรับทีมที่ซื้อ AI มาใช้ ถ้าผู้ให้บริการนำข้อมูลของลูกค้าไปฝึกโมเดลของตัวเอง ผู้ให้บริการอาจเปลี่ยนสถานะจากผู้ประมวลผลข้อมูลส่วนบุคคลไปเป็นผู้ควบคุมข้อมูลส่วนบุคคลสำหรับกิจกรรมนั้น
สิ่งที่ทีมจัดซื้อและทีมกฎหมายต้องเช็กในสัญญา
- ผู้ให้บริการจะนำ prompt, ไฟล์, log หรือ output ไปฝึกโมเดลหรือไม่
- ถ้าจะนำไปใช้ ต้องใช้ในรูปแบบใด มีการปกปิดข้อมูลหรือไม่ และมีฐานทางกฎหมายของตัวเองหรือไม่
- มีตัวเลือกไม่ให้ข้อมูลถูกนำไปฝึกโมเดลหรือไม่ และค่าเริ่มต้นเป็นอย่างไร
- ข้อมูลถูกเก็บที่ไหน ใครเข้าถึงได้ และเก็บนานเท่าไร
- มีผู้รับจ้างช่วงหรือไม่ และมีการแจ้งให้ทราบหรือไม่
- เมื่อเลิกสัญญา ข้อมูลและ embedding จะถูกลบอย่างไร
อย่าเชื่อแค่คำว่า เราไม่ฝึกโมเดลด้วยข้อมูลของคุณ ให้ขอหลักฐานเป็นเอกสาร หน้าตั้งค่า และข้อสัญญาที่ตรวจสอบได้ ถ้าสัญญาเขียนคลุมเครือ ให้ถือว่ายังมีความเสี่ยงอยู่
คำขอใช้สิทธิของเจ้าของข้อมูลในโลก AI ทำอย่างไร
เจ้าของข้อมูลมีสิทธิหลายอย่างตาม PDPA เช่น สิทธิคัดค้านตามมาตรา 32 และสิทธิขอให้ลบ ทำลาย หรือทำให้เป็นข้อมูลนิรนามตามมาตรา 33 การที่ข้อมูลอยู่ในโมเดลไม่ได้ทำให้สิทธินี้หายไป แต่ทำให้การดำเนินการยากขึ้น
ทีมควรออกแบบตั้งแต่ต้นว่า
- ถ้าลูกค้าขอคัดค้านการใช้ข้อมูลเพื่อฝึกโมเดล จะหยุดกิจกรรมนั้นได้อย่างไร
- ถ้าลูกค้าขอลบข้อมูล จะลบจากฐานข้อมูลต้นฉบับ RAG index และ log ได้หรือไม่
- ถ้าลบออกจากโมเดลที่ฝึกแล้วไม่ได้ทันที จะมีมาตรการชั่วคราว เช่น การกรองผลลัพธ์ หรือการไม่ให้โมเดลตอบข้อมูลนั้น จนกว่าจะมีการฝึกโมเดลรอบถัดไปหรือไม่
- ใครเป็นผู้รับผิดชอบคำขอ และระยะเวลาดำเนินการคือเท่าไร
แนวทางอ้างถึงกรอบเวลา 90 วันสำหรับการดำเนินการตามคำขอลบตามมาตรา 33 ในบางบริบท และเสนอมาตรการชั่วคราว เช่น การกรองผลลัพธ์ จนกว่าจะมีการอัปเดตโมเดลครั้งถัดไป แต่มาตรการชั่วคราวไม่ใช่คำตอบสุดท้ายโดยอัตโนมัติ ต้องประเมินตามข้อเท็จจริงของแต่ละกรณี
แผนทำงาน 14 วันสำหรับทีมที่เพิ่งเริ่ม
ถ้าทีมยังไม่มี LIA เลย ให้เริ่มจากแผนสั้นๆ แบบนี้
วันที่ 1-2: ทำบัญชีงาน AI ทั้งหมด แยกตามกิจกรรม เช่น ฝึกโมเดล RAG Agent สรุปเอกสาร และระบุว่าแต่ละงานใช้ข้อมูลส่วนบุคคลอะไร
วันที่ 3-4: ระบุบทบาทของแต่ละฝ่าย ว่าใครเป็นผู้ควบคุมข้อมูล ใครเป็นผู้ประมวลผล และผู้ให้บริการรายไหนอาจกลายเป็นผู้ควบคุมข้อมูลสำหรับกิจกรรมฝึกโมเดล
วันที่ 5-7: เขียน LIA สำหรับงานเสี่ยงสูงสุดก่อน เริ่มจากงานที่ใช้ข้อมูลลูกค้าจริง ไม่ใช่งานที่ใช้ข้อมูลตัวอย่าง
วันที่ 8-10: ตรวจสอบ prompt-log-embedding และสัญญาผู้ให้บริการ ปิดช่องที่ข้อมูลลูกค้าถูกส่งไปฝึกโมเดลโดยไม่ตั้งใจ
วันที่ 11-12: ทดสอบ RAG และ Agent เรื่องสิทธิ์การเข้าถึง การดึงข้อมูลเกินจำเป็น และการตอบข้อมูลส่วนบุคคลหลุด
วันที่ 13-14: สรุปมาตรการที่ยังขาด กำหนดเจ้าของงานและวันทบทวน แล้วนำเสนอผู้บริหารพร้อมความเสี่ยงที่ยังค้างอยู่
แผนนี้ไม่ได้ทำให้ทีมสมบูรณ์แบบในสองสัปดาห์ แต่ทำให้ทีมเห็นภาพความเสี่ยงและหยุดการรั่วไหลที่แก้ได้เร็วที่สุดก่อน
ข้อควรระวังที่ทีมไทยมักพลาด
- เขียน LIA แบบครอบจักรวาลฉบับเดียว แล้วใช้กับทุกงาน
- ขอ Consent ไว้ก่อนโดยไม่คิดเรื่องการถอนความยินยอมและการลบข้อมูลออกจากโมเดล
- คิดว่า Privacy Notice เขียนไว้แล้วแปลว่าเจ้าของข้อมูลคาดหวังทุกอย่าง
- คิดว่า embedding หรือการแปลงข้อมูลเป็นตัวเลขทำให้ข้อมูลไม่เป็นข้อมูลส่วนบุคคลแล้ว
- คิดว่าใช้ข้อมูลสาธารณะแล้วไม่ต้องทำ LIA
- คิดว่าแค่ผู้ให้บริการบอกว่าไม่ฝึกโมเดลก็เพียงพอ โดยไม่มีหลักฐานในสัญญา
- เก็บ log ที่มีข้อมูลลูกค้าไว้นานเกินจำเป็น และไม่มีเจ้าของดูแล
- ปล่อย Agent ให้มีสิทธิ์กว้างเกินงาน แล้วค่อยมาแก้ตอนเกิดเหตุ
สรุป
แนวทาง AI ของ PDPC ไม่ได้บอกให้ทีมหยุดใช้ AI แต่บอกให้ทีมเลือกฐานทางกฎหมายให้ถูกตั้งแต่ต้น และออกแบบระบบให้รับผิดชอบได้จริง Consent เป็นทางเลือกสุดท้าย ไม่ใช่ทางลัด และเมื่อเลือก Consent แล้ว จะย้อนกลับไปอ้างประโยชน์โดยชอบด้วยกฎหมายสำหรับกิจกรรมเดียวกันไม่ได้
LIA ที่ดีไม่ใช่เอกสารเพื่อผ่านการตรวจสอบ แต่เป็นเครื่องมือตัดสินใจว่า ข้อมูลชุดนี้ควรใช้หรือไม่ ใช้แค่ไหน และต้องมีมาตรการอะไรรองรับ ส่วน prompt-log-embedding คือจุดที่ข้อมูลลูกค้ามักหลุดไปเป็นข้อมูลฝึก AI โดยไม่รู้ตัว ทีมที่เช็กสามจุดนี้สม่ำเสมอ จะลดความเสี่ยงได้มากกว่าทีมที่เขียนนโยบายสวยแต่ไม่เคยตรวจระบบจริง
เริ่มต้นจากงานเดียวที่มีความเสี่ยงสูงสุด เขียน LIA ให้เฉพาะเจาะจง ตรวจสัญญาผู้ให้บริการ และตั้งวันทบทวนให้ชัด แล้วค่อยขยายไปงานอื่น แบบนี้ทีมจะเดินหน้าทำ AI ได้เร็วโดยไม่ต้องเดาเอาเองว่า PDPC จะมองอย่างไร
แหล่งข้อมูลอ้างอิง
- PDPC - ประกาศและแนวทางคุ้มครองข้อมูลส่วนบุคคลเกี่ยวกับการพัฒนาและการใช้งาน AI
- Tilleke & Gibbins - Thailand Issues Personal Data Protection Guidelines for AI Systems
- Formichella & Sritawat - Thailand’s PDPC AI Guidance: What Existing Law Requires—and What the Regulator Recommends
ข้อจำกัดของบทความนี้: แนวทางฉบับเต็มเป็นภาษาไทยและมีรายละเอียดเชิงเทคนิคจำนวนมาก บทความนี้สรุปจากแหล่งทุติยภูมิที่น่าเชื่อถือและเนื้อหาสาระสำคัญที่ตรวจสอบได้ ทีมควรอ่านประกาศและแนวทางฉบับเต็มของ PDPC ประกอบก่อนนำไปใช้กับกรณีเฉพาะขององค์กร และปรึกษาผู้เชี่ยวชาญด้าน PDPA เมื่อเกี่ยวข้องกับข้อมูลอ่อนไหว ข้อมูลเด็ก หรือการตัดสินใจที่มีผลกระทบสำคัญ
เนื้อหาที่จัดทำโดยมี AI ช่วยจะมีป้ายกำกับ "เรียบเรียงโดยมี AI ช่วย" เพื่อให้คุณทราบอย่างชัดเจน เราถือว่าความโปร่งใสเรื่องการใช้ AI เป็นสิ่งสำคัญต่อความไว้วางใจของผู้อ่าน
ความคิดเห็น (0)
ยังไม่มีความคิดเห็น — มาเป็นคนแรกกันเถอะ!