การนำ AI ไปใช้ในสังคม กฎหมาย และจริยธรรม

CRISP-DM ประกอบด้วย 6 ขั้นตอน ได้แก่ ความเข้าใจธุรกิจ ความเข้าใจข้อมูล การเตรียมข้อมูล การสร้างแบบจำลอง การประเมินผล และการนำไปใช้งาน ขั้นตอนแรกคือความเข้าใจธุรกิจ ซึ่งกำหนดปัญหาทางธุรกิจที่ต้องแก้ไขและเกณฑ์ว่าอย่างไรจึงเรียกได้ว่าสำเร็จ การตรวจสอบคุณภาพและการกระจายของข้อมูลคือความเข้าใจข้อมูล การจัดการค่าที่ขาดหายและการสร้างลักษณะเฉพาะคือการเตรียมข้อมูล ส่วนการนำเข้าสู่ระบบงานคือขั้นตอนการนำไปใช้งาน ควรจดจำไว้ด้วยว่า 6 ขั้นตอนนี้ไม่ได้ไหลไปทางเดียว แต่ถูกวาดเป็นวงกลมที่ย้อนกลับไปขั้นตอนก่อนหน้าซ้ำ ๆ ได้

PoC คือการพิสูจน์แนวคิด เป็นขั้นตอนที่ทดลองสร้างขนาดเล็กก่อนลงทุนในการพัฒนาเต็มรูปแบบ เพื่อยืนยันว่าจะได้ความแม่นยำที่ต้องการจากข้อมูลนั้นหรือไม่ และถ้าได้ธุรกิจจะดำเนินไปได้หรือไม่ เนื่องจากไม่ใช่จุดประสงค์ที่จะสร้างของสำเร็จรูป จึงต้องกำหนดเงื่อนไขที่จะเดินหน้าต่อและเงื่อนไขที่จะถอยไว้ก่อนเริ่ม ไม่เช่นนั้นจะกลายเป็นการทดลองที่ไม่เห็นผลซ้ำแล้วซ้ำเล่า การเฝ้าติดตามและเรียนรู้ใหม่หลังนำไปใช้งานจริงคือ MLOps การติดป้ายกำกับที่ถูกต้องคือ Annotation ส่วนการออกแบบขั้นตอนการทำงานเองใหม่คือ BPR ทั้งหมดนี้เป็นขั้นตอนที่ต่างจาก PoC

Annotation คืองานที่ติดป้ายกำกับที่ถูกต้องหรือข้อมูลพื้นที่ให้กับข้อมูลดิบด้วยมือ ขาดไม่ได้สำหรับการเรียนรู้แบบมีผู้สอน หากเกณฑ์ในการติดป้ายไม่คงที่ในแต่ละคนทำงาน ขีดจำกัดบนของประสิทธิภาพโมเดลจะถูกกำหนดไว้ตรงนั้น การออกแบบคู่มือการทำงานและการตรวจสอบคุณภาพจึงเป็นจุดสำคัญ ข้อมูลที่รวบรวมข้อความจำนวนมากและจัดระเบียบแล้วคือ Corpus การแบ่งเป็นชุดฝึกและชุดตรวจสอบ รวมถึงการจัดการค่าที่ขาดหายและค่าผิดปกติเป็นงานอื่นในการเตรียมข้อมูล ไม่ใช่การกระทำการติดป้ายกำกับโดยตรง

Data Leakage คือปรากฏการณ์ที่ข้อมูลซึ่งไม่ควรได้มาในเวลาที่ทำการทำนายจริงปะปนเข้าไปในข้อมูลเรียนรู้ ทำให้ความแม่นยำตอนตรวจสอบสูงเกินจริงเมื่อเทียบกับความสามารถจริง เกิดขึ้นได้ในรูปแบบต่าง ๆ เช่น ใส่วันที่รับเรื่องยกเลิกสัญญาเข้าไปในการทำนายการยกเลิก คำนวณค่าเฉลี่ยหรือส่วนเบี่ยงเบนมาตรฐานของการประมวลผลล่วงหน้าจากภาพรวมที่รวมข้อมูลตรวจสอบด้วย หรือแบ่งข้อมูลอนุกรมเวลาแบบสุ่มโดยไม่สนใจเวลา การปรับเข้ากับข้อมูลฝึกมากเกินไปคือ Overfitting ซึ่งสาเหตุไม่ใช่ “ใช้ข้อมูลที่ไม่ควรใช้” แต่คือ “ปรับเข้ากับข้อมูลมากเกินไป” การที่ต้องการข้อมูลเพิ่มขึ้นเมื่อมิติเพิ่มขึ้นคือคำสาปของมิติ ซึ่งมีสาเหตุต่างจาก Leakage

MLOps คือแนวคิดที่ไม่จบเพียงแค่นำโมเดลไปวางใช้งาน แต่เฝ้าติดตามการกระจายของข้อมูลอินพุต แนวโน้มการทำนาย ไปจนถึงตัวชี้วัดทางธุรกิจ หากพบความคลาดเคลื่อนก็อัปเดตข้อมูลเรียนรู้เพื่อสร้างใหม่ แล้วนำไปวางใช้งานอีกครั้ง หมุนวงจรนี้เป็นกลไกอย่างต่อเนื่อง เมื่อโลกเปลี่ยน แนวโน้มของอินพุตก็เปลี่ยนตาม ความแม่นยำจะค่อย ๆ ลดลงอย่างเงียบ ๆ การยืนยันเพียงครั้งเดียวจึงไม่เพียงพอ การเช่าทรัพยากรคำนวณคือการใช้คลาวด์ การรวมสภาพแวดล้อมการทำงานให้จำลองซ้ำได้คือบทบาทของ Docker ทั้งสองเป็นเครื่องมือที่สนับสนุน MLOps แต่ตัวมันเองไม่ใช่คำนิยามของ MLOps

BPR คือ Business Process Reengineering เป็นความพยายามที่ไม่ปรับปรุงขั้นตอนการทำงานเดิมเพียงบางส่วน แต่ย้อนกลับไปว่าทำงานนี้ไปเพื่ออะไรแล้วออกแบบขั้นตอนการทำงานทั้งหมดใหม่ หากคงขั้นตอนเดิมไว้แล้วนำ AI มาวางทับ อาจกลายเป็นเพียงเพิ่มขั้นตอนที่คนต้องคัดลอกผลลัพธ์ของ AI โดยไม่เกิดผลอะไร ความสำเร็จของการนำ AI มาใช้จึงมักถูกกำหนดที่จุดนี้มากกว่าความแม่นยำ การรับฟังข้อกำหนดคือการเข้าใจความต้องการของผู้มีส่วนได้ส่วนเสีย การจัดรูปแบบให้เรียนรู้ได้คือการเตรียมข้อมูล ทั้งสองไม่ใช่การออกแบบกระบวนการทางธุรกิจใหม่โดยตรง

Waterfall คือวิธีที่กำหนดขั้นตอนตามลำดับจากการกำหนดข้อกำหนด โดยตั้งอยู่บนสมมติฐานว่าจะไม่ย้อนกลับ แต่การพัฒนา AI มีลักษณะที่ไม่ทราบว่าจะได้ความแม่นยำเท่าใดจนกว่าจะได้ลองเรียนรู้จริง จึงไม่สามารถตรึงผลงานและข้อกำหนดไว้ล่วงหน้าได้ ดังนั้นขั้นตอนการสำรวจและ PoC จึงดำเนินไปในรูปแบบ Agile ที่ทำซ้ำเป็นรอบสั้น ๆ แล้วเมื่อมองเห็นความแม่นยำแล้วจึงตรึงขั้นตอนการพัฒนาเต็มรูปแบบ เป็นการผสมผสานกันแบบนี้ คุณสมบัตินี้ยังส่งผลโดยตรงต่อการออกแบบสัญญาด้วยว่าจะจ้างพัฒนาแบบสัญญาจ้างทำของหรือสัญญามอบหมายงานกึ่งหนึ่ง

Docker คือเทคโนโลยีที่รวมสภาพแวดล้อมการทำงานรวมถึงแอปพลิเคชันและไลบรารีไว้เป็นคอนเทนเนอร์ เนื่องจากสามารถรันคอนเทนเนอร์เดียวกันได้ทั้งบนเครื่องพัฒนาและในการใช้งานจริง จึงลดความคลาดเคลื่อนแบบ “ทำงานได้บนเครื่องของฉัน” ที่เกิดจากความต่างของเวอร์ชันลงได้ การเก็บความคืบหน้าและผลลัพธ์ไว้เป็นเอกสารเดียวพร้อมข้อความอธิบายคือ Jupyter Notebook การทำให้เรียกใช้ผ่าน HTTP ได้คือ Web API การเช่าทรัพยากรคำนวณเท่าที่ต้องการในช่วงเวลาหนึ่งคือการใช้คลาวด์ ทั้งหมดนี้เป็นเครื่องมืออื่นที่ใช้ในการพัฒนา AI

Corpus หมายถึงชุดข้อมูลข้อความจำนวนมากที่ถูกเก็บรวบรวมและจัดระเบียบเพื่อการประมวลผลภาษาธรรมชาติ บางครั้งมีการติดข้อมูลชนิดของคำหรือโครงสร้างประโยคตามความจำเป็นในการใช้งาน ชุดข้อมูลที่เปิดเผยต่อสาธารณะเพื่อการวิจัยและพัฒนาโดยทั่วไปคือ Open Dataset ซึ่งรวมภาพและเสียงด้วย ไม่จำกัดเฉพาะข้อความ การแทนค่าคำด้วยเวกเตอร์เป็นผลผลิตจากการเรียนรู้ ไม่ใช่ชุดข้อมูล ส่วนการวิเคราะห์ทางสัณฐานวิทยาเป็นวิธีการประมวลผลข้อความ ทั้งสองไม่ตรงกับนิยามของ Corpus นอกจากนี้ Corpus ก็มีสัญญาอนุญาตและข้อตกลงการใช้งาน จึงต้องตรวจสอบเป็นรายกรณีว่าใช้เชิงพาณิชย์หรือเผยแพร่ต่อได้หรือไม่

Open Innovation คือแนวคิดที่ไม่จำกัดอยู่เพียงการวิจัยและพัฒนาภายในบริษัทเท่านั้น แต่นำเทคโนโลยี ความรู้ และบุคลากรจากภายนอกเข้ามาอย่างจริงจังเพื่อสร้างคุณค่า หลักสูตรวางความร่วมมือระหว่างภาคอุตสาหกรรมกับมหาวิทยาลัย และความร่วมมือกับบริษัทหรืออุตสาหกรรมอื่นไว้ในหัวข้อกลางเดียวกัน โดยมีวิธีการเช่นการร่วมวิจัยกับสถาบันวิจัยอย่างมหาวิทยาลัย หรือการจับมือกับคู่ค้าที่มีข้อมูลหรือช่องทางจำหน่ายที่บริษัทเองไม่มี การเปิดเผยผลงานให้ใช้ฟรีคือแนวคิดของโอเพนซอร์ส ซึ่งเป็นทิศทางตรงข้ามกับการนำทรัพยากรจากภายนอกเข้ามา ระบบข้ามแผนกภายในบริษัทและการใช้ชุดข้อมูลสาธารณะ ทั้งสองไม่ได้หมายถึงความร่วมมือกับผู้มีบทบาทภายนอกบริษัทโดยตรง

ข้อมูลที่ผ่านการประมวลผลแบบนิรนามคือข้อมูลที่ถูกประมวลผลจนไม่สามารถระบุตัวบุคคลใดบุคคลหนึ่งได้ และไม่สามารถคืนสภาพกลับไปเป็นข้อมูลส่วนบุคคลเดิมได้ เนื่องจากผ่านการประมวลผลถึงระดับนี้ จึงสามารถให้แก่บุคคลที่สามได้โดยไม่ต้องได้รับความยินยอมจากเจ้าของข้อมูล หากดำเนินตามขั้นตอนที่กำหนดไว้ ในทางกลับกัน ข้อมูลที่ผ่านการประมวลผลแบบนามแฝงคือข้อมูลที่ถูกประมวลผลในระดับที่ไม่สามารถระบุตัวบุคคลได้เว้นแต่จะนำไปเทียบกับข้อมูลอื่น ความยุ่งยากในการประมวลผล เช่น การลบชื่อออก มีน้อยกว่า และยังคงคุณค่าในการวิเคราะห์ไว้ได้ แต่ในทางกลับกันตามหลักแล้วไม่สามารถให้แก่บุคคลที่สามได้ ถูกออกแบบมาให้ใช้ในการวิเคราะห์ภายในองค์กร ควรจำไว้ว่ายิ่งประมวลผลน้อยยิ่งนำออกไปข้างนอกไม่ได้

รหัสระบุตัวบุคคลมี 2 ประเภท ได้แก่ข้อมูลลักษณะทางร่างกาย เช่น ข้อมูลลายนิ้วมือ ข้อมูลจดจำใบหน้า รหัสที่แปลงจากลำดับเบสของ DNA และหมายเลขที่กำหนดให้แต่ละบุคคล เช่น หมายเลขประจำตัวประชาชน (My Number) หมายเลขหนังสือเดินทาง หมายเลขใบขับขี่ สิ่งเหล่านี้ถือเป็นข้อมูลส่วนบุคคลได้ด้วยตัวมันเองเพียงลำพัง ความเข้าใจที่ว่าหากไม่มีชื่อรวมอยู่ด้วยแล้วจะไม่ใช่ข้อมูลส่วนบุคคลจึงผิด การเป็นข้อมูลส่วนบุคคลหรือไม่ไม่ได้ขึ้นอยู่กับว่ามีความยินยอมในการได้มาหรือไม่ และไม่ใช่ว่าต้องทำเป็นฐานข้อมูลก่อนจึงจะเป็นข้อมูลส่วนบุคคล ทั้งนี้ข้อมูลที่ถูกจัดระเบียบอย่างเป็นระบบและสืบค้นได้จะเรียกว่าข้อมูลส่วนบุคคลที่จัดเก็บเป็นฐานข้อมูล ซึ่งมีภาระผูกพันเพิ่มเติม

GDPR คือกฎระเบียบคุ้มครองข้อมูลทั่วไปของ EU เป็นกฎหมายของ EU ที่แยกออกจากกฎหมายคุ้มครองข้อมูลส่วนบุคคลของญี่ปุ่น จุดเด่นคือมีการบังคับใช้นอกอาณาเขต หากมีสถานการณ์ เช่น การเสนอสินค้าหรือบริการให้กับบุคคลในเขต EU หรือการติดตามพฤติกรรมของบุคคลในเขต EU กฎนี้ก็อาจใช้บังคับได้แม้กับผู้ประกอบการที่พัฒนาอยู่ในญี่ปุ่น ดังนั้นจึงไม่สามารถตัดสินเป้าหมายบังคับได้เพียงแค่ว่าฐานตั้งอยู่ใน EU หรือไม่ ไม่ใช่การขยายกฎหมายญี่ปุ่น และไม่ใช่แนวทางที่ไม่มีผลบังคับ ควรจำจุดนี้ไว้ให้แม่นยำ

กฎหมายลิขสิทธิ์ มาตรา 30 ข้อ 4 กำหนดว่าสามารถใช้งานลิขสิทธิ์ในขอบเขตที่จำเป็นได้ หากไม่ได้มีจุดประสงค์เพื่อรับรู้ความคิดหรือความรู้สึกที่แสดงออกในลิขสิทธิ์นั้นด้วยตนเองหรือให้ผู้อื่นรับรู้ การรับรู้ในที่นี้หมายถึงการชื่นชมความคิดหรือความรู้สึกที่แสดงออกในลิขสิทธิ์เพื่อให้ได้รับความพึงพอใจทางปัญญาหรือจิตใจ การกระทำในการอ่านเป็นข้อมูลเพื่อการเรียนรู้ของเครื่องถูกจัดว่าไม่เข้าข่ายนี้ ในมาตราเดียวกันข้อ 2 ระบุการวิเคราะห์ข้อมูลไว้อย่างชัดเจน การสร้างข้อมูลเรียนรู้และการเรียนรู้จึงถูกจัดอยู่ในขอบเขตนี้ การที่เปิดเผยโดยไม่มีค่าใช้จ่าย การที่ไม่ใช่จุดประสงค์เชิงพาณิชย์ และการที่ปริมาณน้อย ล้วนไม่ใช่เงื่อนไขที่บทบัญญัตินี้กำหนดไว้

ในมาตรา 30 ข้อ 4 มีบทบัญญัติข้อยกเว้นว่า หากพิจารณาจากประเภทและวัตถุประสงค์ของลิขสิทธิ์นั้น รวมถึงลักษณะการใช้งาน แล้วเห็นว่าจะก่อให้เกิดความเสียหายต่อผลประโยชน์ของเจ้าของลิขสิทธิ์อย่างไม่เป็นธรรม บทบัญญัตินี้จะไม่ถูกนำมาใช้ ดังนั้นจึงไม่สามารถกล่าวได้ว่า “หากเป็นการเรียนรู้ของ AI แล้วการใช้งานใดก็ตามเป็นอิสระ” ตัวอย่างเช่น หากคัดลอกฐานข้อมูลที่จำหน่ายเพื่อการวิเคราะห์ข้อมูลโดยไม่ซื้อมาใช้เพื่อการเรียนรู้ จะถือว่าก่อให้เกิดความเสียหายต่อตลาดของฐานข้อมูลนั้น จึงเข้าข่ายบทบัญญัติข้อยกเว้นนี้ นอกจากนี้ แม้ขั้นตอนอินพุตคือการเรียนรู้จะถูกต้องตามกฎหมาย แต่หากผลงานที่สร้างขึ้นคล้ายกับลิขสิทธิ์ที่มีอยู่ ก็อาจเป็นปัญหาการละเมิดลิขสิทธิ์แยกต่างหากในขั้นตอนเอาต์พุตคือการสร้างและการใช้งาน อินพุตและเอาต์พุตถูกประเมินแยกจากกัน การซื้อด้วยเงินหรือไม่ไม่ใช่เกณฑ์ในการตัดสินการบังคับใช้บทบัญญัตินี้

ลิขสิทธิ์เป็นระบบที่คุ้มครองการแสดงออกเชิงสร้างสรรค์ของมนุษย์ ดังนั้นสิ่งที่ AI สร้างขึ้นเองโดยอัตโนมัติเพียงอย่างเดียวจะไม่ถือเป็นลิขสิทธิ์ ในทางกลับกัน หากมนุษย์เข้าไปมีส่วนร่วมในระดับที่กล่าวได้ว่าให้ลักษณะสำคัญในเชิงการแสดงออก ก็มีความเป็นไปได้ที่จะได้รับการยอมรับว่าเป็นลิขสิทธิ์ กุญแจสำคัญในการตัดสินคือการมีส่วนร่วมเชิงสร้างสรรค์ ซึ่งจะพิจารณาเป็นรายกรณีจากความเฉพาะเจาะจงของคำสั่งและการลองผิดลองถูก รวมถึงระดับการเลือกและแก้ไขผลงานที่สร้างขึ้น ดังนั้นทั้งความเข้าใจที่ว่าจะไม่ถือเป็นลิขสิทธิ์เสมอ และความเข้าใจที่ว่าผู้ออกคำสั่งจะได้รับสิทธิ์เสมอ ล้วนผิด นอกจากนี้ แยกจากกฎหมายลิขสิทธิ์ ข้อตกลงการใช้งานของบริการที่ใช้บางครั้งก็กำหนดการจัดการผลงานที่สร้างขึ้นไว้ด้วย จึงจำเป็นต้องตรวจสอบทั้งสองอย่าง

สิ่งประดิษฐ์ในหน้าที่หมายถึงสิ่งประดิษฐ์ที่ลูกจ้างทำขึ้นในหน้าที่การงาน สิทธิในการขอรับสิทธิบัตรตามหลักแล้วจะเกิดขึ้นกับลูกจ้างผู้เป็นผู้ประดิษฐ์ แต่หากกำหนดไว้ล่วงหน้าในระเบียบการทำงานเป็นต้น ก็สามารถให้สิทธินั้นตกเป็นของนายจ้างตั้งแต่เวลาที่เกิดขึ้นได้ ในกรณีนั้น ลูกจ้างจะได้รับสิทธิที่จะได้รับผลประโยชน์ทางเศรษฐกิจอันสมเหตุสมผล ไม่ว่าจะเป็นเงินหรืออื่น ๆ จึงไม่ใช่ระบบที่ริบสิทธิไปโดยไม่มีสิ่งตอบแทน นอกจากนี้ ไม่ใช่ว่าสิทธิจะตกเป็นของนายจ้างเสมอ และก็ไม่ใช่ว่าไม่มีช่องทางให้ตกเป็นของนายจ้างได้เลย การจัดการจะเปลี่ยนไปตามว่ามีการกำหนดไว้หรือไม่ ซึ่งเป็นจุดสำคัญ

ข้อกำหนด 3 ประการของความลับทางการค้า ได้แก่ การถูกจัดการเป็นความลับ (การจัดการความลับ) การเป็นข้อมูลทางเทคนิคหรือทางธุรกิจที่มีประโยชน์ต่อกิจกรรมทางธุรกิจ (ประโยชน์ในการใช้งาน) และการไม่เป็นที่รู้จักโดยทั่วไป (การไม่เป็นที่รู้จักโดยทั่วไป) จะได้รับการคุ้มครองก็ต่อเมื่อตรงตามทั้งสามข้อ ความใหม่และขั้นตอนการประดิษฐ์เป็นข้อกำหนดสำหรับการได้รับสิทธิบัตร ไม่ใช่ข้อกำหนดของความลับทางการค้า ในขณะที่สิทธิบัตรเป็นระบบที่ได้รับสิทธิผูกขาดแลกกับการเปิดเผยเนื้อหา ความลับทางการค้าเป็นระบบที่ปกป้องโดยการไม่เปิดเผย ดังนั้นข้อมูลที่ไม่ต้องการเปิดเผย เช่น น้ำหนักของโมเดลที่เรียนรู้แล้วหรือเทคนิคการประมวลผลล่วงหน้า จึงได้รับการปกป้องด้วยวิธีนี้

ข้อมูลที่ให้แก่ผู้อื่นแบบจำกัดหมายถึงข้อมูลที่ให้แก่บุคคลเฉพาะเจาะจงในฐานะธุรกิจ ซึ่งถูกสะสมไว้เป็นปริมาณมากด้วยวิธีการทางแม่เหล็กไฟฟ้าและมีการจัดการ เป็นหมวดหมู่ที่ถูกกำหนดขึ้นเพื่อคุ้มครองการซื้อขายหรือแบ่งปันข้อมูล มีความหมายตรงที่ได้รับการคุ้มครองแม้จะไม่ตรงตามข้อกำหนด 3 ประการของความลับทางการค้าครบถ้วนก็ตาม เพราะเมื่อให้แก่หลายฝ่าย ก็ไม่จำเป็นต้องตรงตามการไม่เป็นที่รู้จักโดยทั่วไปอย่างเคร่งครัดเสมอไป ข้อมูลที่ปิดไว้เป็นความลับภายในบริษัทเท่านั้นเป็นเรื่องที่ได้รับการคุ้มครองในฝั่งความลับทางการค้า และหมวดหมู่นี้ก็ไม่เกี่ยวข้องกับการยื่นขอหรือการจดทะเบียนสิทธิบัตรแต่อย่างใด

สัญญาจ้างทำของเป็นสัญญาที่รับประกันความสำเร็จของงาน หากไม่สำเร็จก็ไม่สามารถเรียกร้องค่าตอบแทนได้ และต้องรับผิดชอบต่อผลงานที่ไม่ตรงตามสัญญา ส่วนสัญญามอบหมายงานกึ่งหนึ่งเป็นสัญญาที่มอบหมายการดำเนินกิจการ สิ่งที่รับประกันไม่ใช่ความสำเร็จ แต่คือการดำเนินงานด้วยความเอาใจใส่ของผู้จัดการที่ดี เนื่องจากการพัฒนา AI ไม่ทราบว่าจะได้ความแม่นยำเท่าใดจนกว่าจะได้ลองเรียนรู้จริง จึงมักใช้วิธีแบ่งขั้นตอนการสำรวจและ PoC เป็นสัญญามอบหมายงานกึ่งหนึ่ง ส่วนขั้นตอนการพัฒนาที่ข้อกำหนดชัดเจนแล้วเป็นสัญญาจ้างทำของ แนวทางสัญญาว่าด้วยการใช้ AI และข้อมูลของกระทรวงเศรษฐกิจ การค้า และอุตสาหกรรม ก็แสดงรูปแบบการทำสัญญาแยกตามขั้นตอนไว้เช่นกัน

Hard Law คือกฎหมายที่รัฐกำหนดขึ้นและมีผลบังคับต่อการฝ่าฝืน เช่น กฎหมายคุ้มครองข้อมูลส่วนบุคคลและกฎหมายลิขสิทธิ์ ส่วน Soft Law คือกฎเกณฑ์ที่ไม่มีผลผูกพันทางกฎหมาย เช่น แนวปฏิบัติ กฎเกณฑ์ที่อุตสาหกรรมกำหนดขึ้นเอง หรือแนวทางการปฏิบัติของบริษัท เนื่องจาก Soft Law ไม่ใช่กฎหมาย การแบ่งเป็นกฎหมายที่มีบทลงโทษกับไม่มีบทลงโทษจึงใช้ไม่ได้ ไม่ใช่การแบ่งตามในประเทศหรือระหว่างประเทศ และไม่ใช่การแบ่งตามเก่าหรือใหม่ ในสาขาที่เทคโนโลยีเปลี่ยนแปลงเร็ว มักใช้วิธีกำหนดทิศทางด้วย Soft Law ก่อน แล้วค่อยทำเป็นกฎหมายเฉพาะจุดที่จำเป็น นโยบาย AI ของญี่ปุ่นโดยพื้นฐานเน้น Soft Law เป็นหลัก

Risk-Based Approach คือแนวคิดที่เปลี่ยนความเข้มข้นของการกำกับดูแลหรือการรับมือตามขนาดความเสี่ยงที่การใช้งาน AI ก่อให้เกิด แม้จะเป็นเทคโนโลยีจดจำใบหน้าเดียวกัน แต่การปลดล็อกหน้าจอของอุปกรณ์กับการเฝ้าติดตามพื้นที่สาธารณะตลอดเวลาก็ส่งผลกระทบต่อผู้คนต่างกันโดยสิ้นเชิง หากบังคับใช้กฎเกณฑ์ที่เข้มงวดเท่ากันกับทุกการใช้งานโดยไม่แยกแยะ ก็จะไปหยุดการใช้งานที่มีอันตรายน้อยด้วย แต่ถ้าผ่อนปรนเท่ากันทั้งหมดก็จะปล่อยให้การใช้งานที่มีอันตรายมากคงอยู่ต่อไป จึงกำหนดหน้าที่ที่เข้มงวดสำหรับการใช้งานที่มีผลกระทบมาก และกำหนดการปฏิบัติที่เบากว่าสำหรับการใช้งานที่มีผลกระทบน้อย ในฝั่งผู้ประกอบการเองก็ใช้แนวคิดเดียวกันนี้โดยแบ่งประเภทโครงการ AI ภายในองค์กรตามระดับความเสี่ยง แล้วส่งเฉพาะโครงการที่มีความเสี่ยงสูงเข้าสู่การตรวจสอบที่เข้มงวด

Privacy by Design คือแนวคิดที่ฝังการคุ้มครองความเป็นส่วนตัวไว้ตั้งแต่ขั้นตอนวางแผนหรือออกแบบ แทนที่จะเพิ่มมาตรการเข้าไปหลังจากเกิดปัญหาแล้ว การตัดสินใจ เช่น ออกแบบให้ไม่เก็บข้อมูล ลบข้อมูลเมื่อครบระยะเวลาที่จำเป็น หรือประมวลผลในรูปแบบที่ระบุตัวตนไม่ได้ ยิ่งใส่เข้าไปภายหลังยิ่งมีค่าใช้จ่ายสูงขึ้น การเปิดเผยวัตถุประสงค์การใช้งานและการจำกัดสิทธิ์การเข้าถึงเป็นความพยายามที่ถูกต้องในตัวมันเอง แต่ขาดมุมมองว่าจะฝังไว้ตั้งแต่เมื่อใด จึงไม่ใช่คำอธิบายของแนวคิดนี้ Security by Design ที่ฝังมาตรการความปลอดภัยไว้ตั้งแต่ขั้นตอนออกแบบเป็นแนวคิดคู่กัน

ลักษณะเฉพาะที่ทำหน้าที่แทนคุณลักษณะที่ละเอียดอ่อนเรียกว่าตัวแปรตัวแทน รหัสไปรษณีย์มีความสัมพันธ์สูงกับเชื้อชาติหรือรายได้ผ่านพื้นที่ที่อยู่อาศัย และประวัติโรงเรียนที่จบหรือกิจกรรมชมรมบางครั้งก็มีความสัมพันธ์กับเพศ ตราบใดที่ลักษณะเฉพาะเหล่านี้ยังคงอยู่ แม้จะตัดช่องเพศหรือเชื้อชาติออกจากอินพุต โมเดลก็จะเรียนรู้การเลือกปฏิบัติแบบเดียวกันโดยอ้อม ดังนั้นการยืนยันความเป็นธรรมจึงไม่ใช่การตัดรายการอินพุตออก แต่คือการรวบรวมเอาต์พุตตามแต่ละคุณลักษณะแล้ววัดความแตกต่าง นอกจากนี้นิยามของความเป็นธรรมยังมีหลายแบบ เช่น การทำให้อัตราการผ่านเท่ากันในแต่ละคุณลักษณะ หรือการทำให้อัตราความผิดพลาดเท่ากัน โดยทั่วไปไม่สามารถตอบสนองทุกนิยามพร้อมกันได้ทั้งหมด จึงจำเป็นต้องเลือกและอธิบายว่าจะใช้นิยามใดตามลักษณะการใช้งาน

Adversarial Attack คือการโจมตีที่เพิ่มการเปลี่ยนแปลงเล็กน้อยที่ตาเปล่าของมนุษย์แทบสังเกตไม่ได้เข้าไปในอินพุต เพื่อทำให้โมเดลที่กำลังทำงานอยู่ตัดสินผิดพลาด เป้าหมายคือขั้นตอนการอนุมาน ตัวโมเดลเองไม่ถูกเขียนทับ การผสมข้อมูลที่ถูกปรับแต่งเข้าไปในข้อมูลเรียนรู้เพื่อบิดเบือนผลการเรียนรู้คือ Data Poisoning ซึ่งเป็นเป้าหมายที่ขั้นตอนการเรียนรู้ การสอบถามจำนวนมากเพื่อสร้างโมเดลเทียบเท่าคือ Model Extraction ส่วนการแก้ไขพารามิเตอร์หรือสิ่งที่เผยแพร่ของโมเดลคือ Model Poisoning แต่ละอย่างมีจุดเวลาและเป้าหมายที่โจมตีต่างกัน การเตรียมรับมือทั้งหมดนี้ดำเนินไปด้วยแนวคิด Security by Design ที่ฝังความปลอดภัยไว้ตั้งแต่ขั้นตอนออกแบบ

Model Extraction คือการโจมตีที่ป้อนอินพุตจำนวนมากให้กับโมเดลเป้าหมายแล้วรวบรวมเอาต์พุต เพื่อสร้างโมเดลที่ทำงานเทียบเท่าขึ้นมาไว้ในมือ สิ่งที่ถูกขโมยคือตัวโมเดลเอง แม้จะให้บริการผ่าน API สาธารณะเท่านั้นก็สามารถเกิดขึ้นได้ ในทางตรงกันข้าม Data Extraction คือการโจมตีที่ดึงข้อมูลซึ่งรวมอยู่ในข้อมูลเรียนรู้ออกมาจากการสังเกตเอาต์พุต สิ่งที่ถูกขโมยคือฝั่งข้อมูล การผสมข้อมูลที่ถูกปรับแต่งเข้าไปในข้อมูลเรียนรู้คือ Data Poisoning การแก้ไขพารามิเตอร์หรือสิ่งที่เผยแพร่ของโมเดลคือ Model Poisoning โดยอย่างแรกเป็นเป้าหมายที่ขั้นตอนการเรียนรู้ อย่างหลังเป็นเป้าหมายที่ขั้นตอนการเรียนรู้หรือการเผยแพร่ หากจัดระเบียบด้วยคำถามว่าอะไรถูกขโมยและเป้าหมายอยู่ที่จุดใดจะไม่สับสน

Filter Bubble คือปรากฏการณ์ที่อัลกอริทึมการแนะนำคัดเลือกข้อมูลตามความชอบของผู้ใช้ ผลที่ตามมาคือผู้ใช้ถูกห่อหุ้มด้วยฟองสบู่จนมองเห็นแต่ข้อมูลที่ตรงกับความชอบของตนเองเท่านั้น สาเหตุอยู่ที่การปรับให้เหมาะสมโดยอัลกอริทึม ผู้ใช้เองไม่รู้ตัวว่าถูกคัดเลือกอยู่ Echo Chamber คือปรากฏการณ์ที่คนที่มีความคิดเห็นเดียวกันเผยแพร่และเห็นพ้องกันซ้ำ ๆ ในพื้นที่ปิด จนเชื่อว่าความคิดเห็นนั้นถูกต้องเพียงหนึ่งเดียว สาเหตุอยู่ที่ธรรมชาติของคนที่มักรวมกลุ่มกับคนที่คล้ายกัน การที่ภาพหรือเสียงปลอมถูกรับรู้ว่าเป็นของจริงคือ Deepfake และ Fake News การที่เหตุผลของการตัดสินใจติดตามไม่ได้คือปัญหา Black Box ซึ่งทั้งหมดนี้เป็นเรื่องของหัวข้อกลางอื่น

Deepfake คือเทคโนโลยีที่ใช้ Deep Learning สร้างภาพหรือเสียงที่ทำให้ดูเหมือนบุคคลจริงพูดในสิ่งที่ไม่ได้พูด หรือทำในสิ่งที่ไม่ได้ทำ รวมถึงตัวผลงานที่สร้างขึ้นนั้นด้วย จุดหลักอยู่ที่การปลอมแปลงเป็นบุคคลจริง ซึ่งต่างจากจุดประสงค์ของการสร้างใบหน้าของบุคคลที่ไม่มีอยู่จริงขึ้นมาใหม่ ถูกใช้ในการหมิ่นประมาท การฉ้อโกง หรือการแทรกแซงการเลือกตั้ง และยังเพิ่มความน่าเชื่อถือของข่าวปลอมอย่างมาก แนวทางรับมือนอกจากการวิจัยเทคโนโลยีตรวจจับแล้ว ยังมีแนวทางฝังข้อมูลที่มาไว้ตั้งแต่ขั้นตอนถ่ายภาพหรือสร้างสรรค์ เพื่อให้สามารถตรวจสอบการดัดแปลงในภายหลังได้ การสรุปข้อความและการแสดงเหตุผลของการตัดสินใจไม่ใช่เรื่องของการใช้ในทางที่ผิด

ที่มาของข้อมูล (Data Provenance) คือบันทึกว่าได้ข้อมูลใดมาจากไหน ประมวลผลอย่างไร แล้วนำมาใช้ในการเรียนรู้ หากไม่มีบันทึกนี้ไว้ เมื่อเกิดปัญหาในเอาต์พุตก็จะตามรอยไปถึงข้อมูลที่เป็นสาเหตุไม่ได้ และไม่สามารถแก้ไขหรืออธิบายได้ ความโปร่งใสไม่ได้หมายถึงเพียงการเปิดเผยภายในของโมเดลเท่านั้น แต่ยังรวมถึงการแสดงว่าใช้เพื่ออะไร สร้างขึ้นจากข้อมูลแบบใด และมีขีดจำกัดตรงไหนตามแต่ละกลุ่มเป้าหมายด้วย การลดทรัพยากรคำนวณ การทำให้การอนุมานเร็วขึ้น และการเพิ่มปริมาณข้อมูล ล้วนไม่ใช่จุดประสงค์ของการบันทึกที่มา และควรจดจำเรื่อง Traceability ที่ทำให้ตามรอยได้ว่าข้อมูลใดผ่านโมเดลใดแล้วให้การตัดสินใจใดออกมาไว้ด้วยกัน

Ethics Assessment คือขั้นตอนที่ระบุและประเมินผลกระทบหรือความเสี่ยงที่คาดว่าจะเกิดขึ้นในขั้นตอนวางแผน AI แล้วเปลี่ยนความเข้มงวดของการตรวจสอบตามผลลัพธ์นั้น การเฝ้าติดตามแนวโน้มเอาต์พุตหรือข้อร้องเรียนหลังเริ่มดำเนินงานคือ Monitoring การยืนยันจากมุมมองที่เป็นอิสระจากแผนกที่รับผิดชอบว่าดำเนินงานตามนโยบายหรือไม่คือการตรวจสอบ (Audit) ของ AI ส่วนเอกสารที่รวบรวมนโยบายของบริษัทเองแล้วแสดงคือ AI Policy ซึ่งทั้งหมดนี้เป็นองค์ประกอบอื่นที่ประกอบกันเป็นการกำกับดูแล AI นอกจากนี้ยังมีการคงการมีส่วนร่วมของมนุษย์ไว้ในจุดสำคัญของการตัดสินใจ ความสามารถในการสร้างโมเดลใหม่ได้ในภายหลัง (Reproducibility) และ Traceability ที่ทำให้ตามรอยเส้นทางการตัดสินใจได้ เรียงอยู่ด้วยกัน