Synthetic Data คืออะไร ทางออกของ SME ไทยที่อยากฝึก AI โดยไม่รั่วข้อมูลลูกค้า

Synthetic Data หรือ ข้อมูลสังเคราะห์ คือชุดข้อมูลที่ถูกสร้างขึ้นด้วยเทคนิคทางคณิตศาสตร์และ machine learning โดยไม่ได้มาจากการเก็บข้อมูลจริงของบุคคลหรือเหตุการณ์จริง แต่มีคุณสมบัติทางสถิติที่ใกล้เคียงกับข้อมูลจริง เช่น ค่าเฉลี่ย สัดส่วน ความสัมพันธ์ระหว่างตัวแปร ทำให้สามารถใช้ทดแทนข้อมูลจริงได้ในหลายงาน สำหรับ SME ไทย ข้อมูลสังเคราะห์เปรียบเสมือนสนามซ้อมให้ทีมได้ทดลองใช้ AI ทดสอบระบบ และทำ Data Analytics โดยไม่ต้องขอ consent จากลูกค้า หรือเสี่ยงต่อการรั่วไหลภายใต้ พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล (PDPA) ที่มีโทษปรับสูง

Synthetic Data คืออะไร ทำงานอย่างไร?

หลักการทำงานของข้อมูลสังเคราะห์คือการสร้างโมเดลการเรียนรู้จากข้อมูลต้นแบบ (หรือจากกฎที่ผู้เชี่ยวชาญกำหนด) แล้วสุ่มตัวอย่างใหม่จากโมเดลนั้น หากเป็นข้อมูลตารางลูกค้า ก็จะได้ record ใหม่ที่ไม่มีอยู่ในฐานข้อมูลจริง แต่ยังมีความเป็นธรรมชาติเพียงพอที่ระบบจะยอมรับ ในทางเทคนิค ข้อมูลสังเคราะห์สามารถสร้างจาก simple random sampling ที่ปรับแต่งการแจกแจงความน่าจะเป็น หรือจาก generative adversarial networks (GANs) ที่ใช้ตัวสร้างกับตัวจำแนกแข่งขันกันจนได้ข้อมูลที่แยกไม่ออกจากของจริง ตัวอย่างเช่น CTGAN เป็นหนึ่งในโมเดลยอดนิยมในไลบรารี SDV ซึ่งผู้ให้บริการระบุว่าช่วยเก็บรูปแบบความสัมพันธ์ของข้อมูลตารางได้ดี ผลลัพธ์จริงขึ้นกับบริบทและคุณภาพข้อมูลต้นทาง

ทำไม SME ไทยจึงควรใช้ Synthetic Data แทนข้อมูลลูกค้าจริง?

SME ไทยส่วนใหญ่ไม่มีข้อมูลจำนวนมากพอที่จะฝึก AI ที่ดีได้ ประกอบกับ PDPA จำกัดการใช้ข้อมูลส่วนบุคคลโดยไม่ได้รับความยินยอม และการขอ consent จากลูกค้าเพื่อใช้เป็นชุดเทรนนิ่งก็ทำได้ยาก ยิ่งในธุรกิจการเงิน สุขภาพ หรือค้าปลีกออนไลน์ การจะหยิบประวัติการซื้อ แชทจริงไปให้ทีม developer ดูนั้นเสี่ยงต่อการรั่วไหลและค่าปรับสูงถึง 3 ล้านบาท Synthetic Data จึงเป็นตัวเลือกที่ทำให้องค์กรได้ “ข้อมูล” เหมือนของจริง แต่ไม่ต้องเอาความลับลูกค้ามาเสี่ยง อีกมุมหนึ่ง ข้อมูลจริงมักมีความไม่สมดุล เช่น ธุรกรรมฉ้อโกงมีน้อยนิด โมเดลเรียนรู้ไม่เห็นตัวอย่างที่หายากพอ ข้อมูลสังเคราะห์สามารถเพิ่มจำนวนเหตุการณ์ผิดปกติ (oversampling) ได้ สร้างผลลัพธ์ที่สมจริง ช่วยให้โมเดลแม่นยำขึ้น โดยไม่ต้องรอให้ภัยเกิดขึ้นจริง และทำให้ทีมส่งมอบงานได้เร็วขึ้น ลดต้นทุนในการจ้าง vendor เพื่อติดตั้งระบบ

SME ไทยใช้ Synthetic Data ในกรณีใดได้บ้าง?

ร้านค้าออนไลน์ – ฝึกแชทบอท ร้านค้าแห่งหนึ่งอยากให้แชทบอทตอบคำถามลูกค้าเกี่ยวกับการจัดส่งและการคืนสินค้า โดยไม่ให้บริษัท AI ภายนอกเห็นข้อความสนทนาจริงของลูกค้า ทีมจึงใช้ Faker สร้างข้อมูลชื่อและที่อยู่ให้สมมติ และใช้เทคนิค rule-based สร้างประโยคสนทนา 20,000 ชุดเป็นแนวคำถาม “สั่งของแล้วเมื่อไหร่จะได้?” “ขอเปลี่ยนไซส์ได้ไหม?” แล้วนำไป fine-tune โมเดลภาษาเล็กๆ ผลลัพธ์คือแชทบอทตอบถูกในสถานการณ์ทั่วไปโดยไม่เคยเห็นชุดสนทนาจริงของลูกค้าเลย

โรงงาน SME – ตรวจจับเครื่องจักรผิดปกติ โรงงานผลิตชิ้นส่วนมีเซนเซอร์บันทึกอุณหภูมิ ความสั่นสะเทือน กระแสไฟฟ้า แต่ข้อมูลที่เครื่องเสียมีเพียง 50 เหตุการณ์ต่อปี ซึ่งไม่พอให้โมเดลเรียนรู้ ทีมใช้ SDV สร้างข้อมูลสังเคราะห์จากข้อมูลปกติและข้อมูลเสีย โดยกำหนด correlation ให้สอดคล้องกับฟิสิกส์ของเครื่องจักร ก่อนฝึกโมเดล classification สุดท้ายโมเดลที่เทรนด้วยข้อมูลผสม (จริง + สังเคราะห์) มีความแม่นยำเพิ่มขึ้นจาก 70% เป็น 85% ในการทดสอบกับข้อมูลจริงย้อนหลัง (ตัวเลขเป็นสมมติฐาน)

ธุรกิจโรงแรม – ทดสอบระบบสำรองห้องพัก ผู้จัดการ IT ของโรงแรมต้องการอัปเกรดระบบ PMS/CRM แต่ไม่กล้านำประวัติการจองของลูกค้าจริงไปไว้ในระบบ sandbox เพราะเกรง PDPA และกลัวข้อมูลสูญหาย เลือกใช้ Faker สร้าง profile ผู้เข้าพักและยอดจอง 500,000 รายการ แล้วส่งเข้าไปรันเทสกับระบบ CRM ใหม่ ผลคือเจอบั๊กช่วง peak season และแก้ไขก่อน deploy โดยไม่มีการแตะต้องข้อมูลจริงแม้แต่รายการเดียว

Synthetic Data ต่างจาก Data Augmentation และ Privacy Masking อย่างไร?

หลายคนเข้าใจว่าการทำ privacy masking หรือการถอดรหัสข้อมูลก็พอ แต่จริงๆ ทั้งสองวิธีต่างจาก Synthetic Data

• Data Augmentation เริ่มจากข้อมูลจริงแล้วนำมาปรับแต่ง เช่น หมุนภาพ เพิ่ม noise กลับด้านข้อความ ทำให้เกิดชุดข้อมูลใหม่มีป้ายกำกับเดิม แต่มันยังสร้างจากตัวอย่างเดิม มีความหลากหลายจำกัด และถ้าเป็นข้อมูลส่วนบุคคล เช่น ชื่อ-อีเมล การบิดเบือนไม่ได้ทำให้คนนั้นหายไปจากข้อมูล
• Privacy Masking เช่น เปลี่ยนชื่อเป็น “นาย A” หรือซ่อนเลขบัตรประชาชนบางหลัก ข้อมูลยังคงเป็น record เดิมที่บ่งถึงบุคคลได้หากมีข้อมูลอื่นช่วยต่อชุด เช่น อายุ + รหัสไปรษณีย์ + เพศ ก็ระบุได้ค่อนข้างแม่นยำ อีกทั้ง masking ทำให้คุณภาพข้อมูลลดลงเพราะ lose semantic
• Synthetic Data สร้าง record ใหม่ทั้งหมดจาก probability distribution ของข้อมูลจริง ไม่มี record ใดตรงกับบุคคลจริง จึงหลีกเลี่ยง re-identification ได้ดีกว่า และยังเก็บความสัมพันธ์เชิงสถิติของตัวแปรไว้ได้ครบ ทำให้งานด้านโมเดลสามารถใช้ได้จริง

เครื่องมือสร้างข้อมูลสังเคราะห์อะไรที่ SME ใช้ได้จริง?

Faker – สร้างข้อมูลฟอร์มเดียว เช่น ชื่อ ที่อยู่ เบอร์โทร วันเดือนปีเกิด ใช้ภาษาไทยได้ด้วย community provider เหมาะกับงานทดสอบระบบ ทดสอบฟอร์ม ทำข้อมูล dummy เพื่อใส่ใน CRM ทีมไม่ต้องเป็น data scientist ก็ใช้ได้

SDV (Synthetic Data Vault) – โอเพนซอร์สจากบริษัทสร้างข้อมูลสังเคราะห์ (ผู้ให้บริการระบุว่ามีโมเดลแบบ Probabilistic และ GANs สำหรับข้อมูลตาราง) รองรับข้อมูลหลายตารางสัมพันธ์กัน ตั้งค่า constraints เพื่อบังคับกฎธุรกิจ เช่น ราคาขายต้องไม่ติดลบ ใช้ Python code ไม่กี่บรรทัด เหมาะกับธุรกิจที่ต้องการข้อมูลระดับ production

Generative AI และ Large Language Model – ใช้สร้างข้อมูลข้อความ เช่น บทสนทนาแชทบอท, อีเมล, ความเห็นลูกค้า แต่ต้องระวังเรื่อง hallucination และใช้ต้นทุนสูงกว่า เหมาะกรณีต้องการ semantic richness มากกว่าแบบแผนตัวเลข

นอกจากนี้ยังมีบริการคลาวด์ เช่น AWS, Google แต่สำหรับการเริ่มต้นของ SME แนะนำ Faker + SDV เพราะฟรีและมี community หนาแน่น

จะเริ่มต้นสร้างข้อมูลสังเคราะห์ในองค์กรได้อย่างไร?

หากต้องการเริ่มจริง แนะนำให้เริ่มจากขอบเขตเล็กๆ ตาม 6 ขั้นตอน: กำหนดเป้าหมาย, เลือกเครื่องมือ, เตรียม schema, สร้างและตรวจสอบ, ทดสอบ use case, จัดทำ pipeline ระยะยาว รายละเอียดอยู่ในส่วน howTo ข้างบน โดยข้อสำคัญคืออย่าคาดหวังว่าข้อมูลสังเคราะห์จะแทนข้อมูลจริงได้ทุกกรณี และต้องให้คนในธุรกิจมีส่วนร่วมตรวจสอบความสมเหตุสมผล

ข้อควรระวังเมื่อใช้ข้อมูลสังเคราะห์มีอะไรบ้าง?

Bias – ถ้าข้อมูลตั้งต้นดั้งเดิมมีอคติ เช่น ลูกค้าส่วนใหญ่เป็นเพศหญิง ข้อมูลสังเคราะห์ก็จะสะท้อนอคตินั้น อาจทำให้ AI ตัดสินใจเลือกปฏิบัติ ต้องตรวจสอบความเท่าเทียมตามมิติ เช่น อายุ เพศ รายได้ และตั้งเป้าการปิดช่องว่างอคติ

Quality Validation – ต้องตรวจสอบหลายระดับ: ระดับตารางเปรียบเทียบ distribution, ความสัมพันธ์ระหว่างฟีเจอร์, ระดับ downstream performance อบรมโมเดลด้วยข้อมูลสังเคราะห์แล้วทดสอบกับข้อมูลจริงที่แยกไว้ ใช้ metrics เช่น F1, RMSE เพื่อดูว่าแค่ไหน

การเก็บบันทึกที่มา (Data Provenance) – ควรบันทึกเวอร์ชันข้อมูลต้นแบบ, โมเดลที่ใช้, พารามิเตอร์, วันที่สร้าง และการแปลงที่ทำ “data contract” ไว้เพื่อให้ภายหลังตรวจสอบได้ และสามารถสร้างใหม่ซ้ำได้ ถ้าพบความผิดปกติ ซึ่งสำคัญมากในบริบท PDPA

Synthetic Data มีผลต่อ PDPA อย่างไร?

คำถามยอดนิยมคือ Synthetic Data ถือเป็นข้อมูลส่วนบุคคลตาม PDPA หรือไม่ คำตอบสั้นๆ คือ ถ้าเป็นข้อมูลสังเคราะห์ที่ไม่มีทางระบุตัวบุคคลจริงได้ ก็ไม่เข้าข่ายข้อมูลส่วนบุคคล เว้นแต่ยังเชื่อมโยงได้ เช่น กรณีสร้างข้อมูลโดยใช้ GAN ที่ memorize ข้อมูลจริงเข้าไปแล้วเกิด record คล้ายมากจนระบุคนเจอ

แนวปฏิบัติลดความเสี่ยง:

1. ถ้าต้องใช้ข้อมูลจริงเพื่อเทรน generative model ให้ทำ privacy impact assessment ก่อน และเลือกใช้ข้อมูลที่ anonymize หรือมี consent ครอบคลุม
2. ใช้เทคนิค differential privacy ระหว่าง training เพื่อจำกัดการรั่วไหลของข้อมูลส่วนบุคคล (เช่น ใช้ lib ที่รองรับ DP-SGD)
3. ตรวจสอบ re-identification risk ของข้อมูลสังเคราะห์ด้วยเครื่องมือ เช่น บทดลสอบว่า record ที่ใกล้ที่สุดในชุดข้อมูลจริงมีระยะห่างเท่าไร ถ้าไม่สูงพอ ให้ปรับพารามิเตอร์
4. เอกสารกำกับ generative process ไว้เป็น evidence ให้สำนักงาน PDPA ตรวจสอบได้

ที่สำคัญทีมกฎหมายและ IT ต้องคุยกันตั้งแต่ต้น เพื่อให้เข้าใจว่า Synthetic Data ลดภาระของ personal data แต่ไม่ได้กำจัดความรับผิดชอบทั้งหมด

สรุป: ก้าวแรกของ SME ไทยสู่ข้อมูลสังเคราะห์

Synthetic Data ไม่ใช่เทคโนโลยีไกลตัวอีกต่อไป ด้วยเครื่องมือฟรีอย่าง Faker และ SDV ทีมเล็กๆ ก็สามารถสร้างข้อมูลทดสอบและเทรน AI ได้ โดยไม่ต้องเสี่ยง PDPA และลดค่าใช้จ่าย

SME ไทยที่เริ่มต้นควรตั้งทีมเล็กๆ มองหาจุดที่เจ็บปวดที่สุด เช่น อยากพัฒนาแชทบอทหรือทดสอบระบบ ERP ก่อนทำ Proof-of-Concept เล็กภายใน 1-2 สัปดาห์ แล้วค่อยขยาย ระลึกเสมอว่าข้อมูลสังเคราะห์เป็นเครื่องมือเสริม ไม่ใช่แทนข้อมูลจริงทั้งหมด ต้องควบคุมคุณภาพ ระวังอคติ และเก็บบันทึกที่มาอย่างเป็นระบบ เพื่อให้ AI ที่สร้างมาทำงานจริงบนโลกธุรกิจได้อย่างน่าเชื่อถือ

ถ้าเริ่มตอนนี้ ทั้งเรื่องหุ่นยนต์สนทนา ระบบวิเคราะห์ข้อมูล หรือแอปพลิเคชันองค์กร ธุรกิจของคุณจะพร้อมขึ้นกับยุค AI อย่างมีความรับผิดชอบ