บทนำ
ในปี 2024 องค์กรต่างๆ เริ่มเปลี่ยนจากความตื่นเต้นในช่วงแรกเกี่ยวกับ ChatGPT ที่เกิดขึ้นในปี 2022 มุ่งสู่LLMที่ใช้งานได้จริง ธุรกิจต่างๆ มุ่งเน้นไปที่การสร้างแอปพลิเคชัน AI ระดับ production ที่ใช้ประโยชน์จากข้อมูลเฉพาะสำหรับงานต่างๆ เช่น การสร้างข้อความเพิ่มเติมจากข้อมูลที่มีอยู่ (retrieval-augmented generation หรือ RAG) และแม้แต่การฝึกอบรมแบบกำหนดเองหรือปรับแต่งโมเดลภาษาขนาดใหญ่ (LLMs) การเปลี่ยนแปลงนี้สะท้อนให้เห็นถึงการผสานรวม AI เข้ากับกระบวนการหลักของธุรกิจมากขึ้น
ความท้าทาย
เมื่อ AI มีบทบาทสำคัญมากขึ้น ความน่าเชื่อถือจึงกลายเป็นประเด็นสำคัญ ผู้ใช้ต้องการทราบข้อมูลเกี่ยวกับกระบวนการที่อยู่เบื้องหลังโมเดล LLM เหล่านี้:
ชุดข้อมูลใด ที่ใช้ฝึกอบรมหรือปรับแต่ง LLM? ชุดข้อมูลเหล่านี้มีเนื้อหาที่สงวนลิขสิทธิ์หรือทรัพย์สินทางปัญญา (IP) ที่ได้รับการคุ้มครองหรือไม่?
ข้อมูลลับ เช่น ข้อมูลส่วนบุคคล (PII) ถูกนำออกก่อนการฝึกอบรมหรือก่อนการเติมข้อมูลลงในฐานข้อมูลการค้นหาเวกเตอร์เพื่อดึงข้อมูลใน prompts หรือไม่?
คำขอของผู้ใช้ ได้รับการประมวลผลด้วย LLM binaries และน้ำหนักที่ถูกต้องหรือไม่? เมื่อใช้บริการ LLM ที่โฮสต์โดยบุคคลที่สาม คุณสามารถมั่นใจได้หรือไม่ว่าบุคคลที่สามไม่ได้แก้ไขการตอบสนองในทางใดทางหนึ่ง?
IP ที่มีความละเอียดอ่อน ถูกส่งไปยังบริการ LLM ของบุคคลที่สามโดยไม่ได้ตั้งใจหรือไม่ เนื่องจากกระบวนการ RAG?
เราจะมีกระบวนการจัดการ อย่างไรเพื่อควบคุมและอนุมัติ prompts ใน codebase หรือ AI agent flows ที่ใช้ชุดข้อมูลขององค์กร?
เราจะรับรองเนื้อหา ว่าเป็นของแท้จากแหล่งข้อมูลขององค์กรและตรวจสอบที่มา (เช่น สำนักพิมพ์ข่าว รายงานทางการเงิน หรือบันทึกสุขภาพส่วนบุคคล) ได้อย่างไร?
LLM ที่ตรวจสอบยืนยันได้
แนวคิดของ LLM ที่ตรวจสอบยืนยันได้ กำลังกลายเป็นรากฐานสำคัญของการใช้งาน LLM ในองค์กรขนาดใหญ่ LLM ที่ตรวจสอบยืนยันได้ หมายถึง โมเดล LLM ที่กระบวนการสร้างและใช้งานสามารถพิสูจน์หรือสร้างขึ้นใหม่โดยใช้หลักการเข้ารหัสลับ
ประโยชน์ของ LLM ที่ตรวจสอบยืนยันได้:
ความน่าเชื่อถือ: ผู้ใช้และหน่วยงานกำกับดูแลสามารถเข้าใจหรือตรวจสอบแหล่งที่มาและวิธีการที่โมเดลใช้ในการสร้างคำตอบ
ความถูกต้องและความน่าเชื่อถือ: ผู้ใช้สามารถตรวจสอบข้อมูลที่ LLM ให้กับแหล่งที่มาหรือข้อมูลต้นฉบับ
การปรับแต่งและการปรับปรุง: การเข้าใจวิธีการที่ LLM สรุปผล ช่วยให้นักพัฒนาและนักวิจัยสามารถปรับปรุงโมเดลได้
ความถูกต้องของเนื้อหา: พิสูจน์ว่าเนื้อหาถูกสร้างขึ้นโดยมนุษย์ หรือได้รับการรับรองว่าเป็นของแท้จากแหล่งที่เชื่อถือได้
การทำงานกับ LLM ที่เป็นกรรมสิทธิ์ เทียบกับ โอเพ่นซอร์สเฟรมเวิร์ก
ในช่วงหลายปีที่ผ่านมา ความก้าวหน้าส่วนใหญ่ของ AI ที่สร้างเนื้อหา (generative AI) มาจาก LLM ที่เป็นกรรมสิทธิ์ซึ่งพัฒนาโดยองค์กรเฉพาะทาง เช่น OpenAI, Anthropic และอื่นๆ LLM เหล่านี้ได้รับการออกแบบให้สามารถใช้งานได้หลากหลาย เพื่อรองรับผู้ใช้จำนวนมากที่สุดเท่าที่จะเป็นไปได้ หมายความว่าผู้ใช้สามารถพึ่งพาโมเดลเหล่านี้ได้สำหรับแทบทุกกรณีการใช้งาน อย่างไรก็ตาม โมเดลเหล่านี้มีต้นทุนการพัฒนาที่สูงมาก (Sam Altman CEO ของ OpenAI ประมาณการว่า GPT-4 มีค่าใช้จ่ายในการพัฒนากว่า 100 ล้านดอลลาร์) การเอาท์ซอร์สการพัฒนาไปยังบริษัทภายนอกเหล่านี้ ช่วยให้องค์กรต่างๆ หลีกเลี่ยงค่าใช้จ่ายในการวิจัยและพัฒนา (R&D) ที่สูง และจ่ายเฉพาะเมื่อต้องการใช้ LLM แม้ว่าวิธีนี้จะพิสูจน์แล้วว่าน่าสนใจสำหรับการใช้งานส่วนใหญ่ในปัจจุบัน แต่ก็จำเป็นที่องค์กรจะต้องไว้วางใจใน "แบรนด์" ของผู้ให้บริการ LLM และเชื่อมั่นว่าพวกเขาได้พัฒนาโมเดลอย่างมีความรับผิดชอบ
ทางเลือกของการใช้ LLM แบบกรรมสิทธิ์ คือการใช้ประโยชน์จากโอเพ่นซอร์สเฟรมเวิร์กที่มีอยู่ และปรับให้เข้ากับความต้องการเฉพาะขององค์กรภายใน (in-house) แม้ว่าโมเดลโอเพ่นซอร์สจะใช้งานได้ฟรี แต่วิธีนี้ใช้เวลาและความพยายามทางวิศวกรรมในการนำไปใช้จริง นอกจากนี้ ประสิทธิภาพของโมเดลโอเพ่นซอร์สมักจะด้อยกว่าโมเดลที่เป็นกรรมสิทธิ์ แต่อาจจะค่อยๆ ตามทันกันในอนาคต
หากองค์กรเลือกที่จะปรับใช้ LLM แบบโอเพ่นซอร์ส องค์กรจะมีการควบคุมการนำไปใช้งานอย่างเต็มที่ องค์กรจะสามารถควบคุมชุดข้อมูลสำหรับการฝึกอบรมหรือปรับแต่ง (fine-tuning) ได้อย่างสมบูรณ์ การไม่มีส่วนเกี่ยวข้องของบุคคลที่สาม ยังช่วยให้มั่นใจว่าองค์กรจะรักษาการควบคุมข้อมูลอย่างเต็มที่บนเซิร์ฟเวอร์ของตนเอง และสามารถใช้การควบคุมต่างๆ เพื่อป้องกันการปรับเปลี่ยน หรือบิดเบือนข้อมูลในชุดข้อมูลได้ เมื่อดำเนินการคำขอจาก LLM องค์กรสามารถมั่นใจได้ว่าคำขอถูกดำเนินการอย่างถูกต้อง เนื่องจากองค์กรสามารถควบคุมทุกส่วนของ LLM ได้
การตรวจสอบยืนยันชุดข้อมูล การฝึกอบรม และการปรับแต่ง ความถูกต้องของชุดข้อมูล ผู้ใช้ LLM ระดับองค์กรไม่เหมือนกับผู้ใช้ทั่วไปที่ต้องการขอให้ LLM สร้างสูตรอาหารเย็น หรือตอบคำถามเกี่ยวกับประวัติศาสตร์ยุคกลาง ผู้ใช้ระดับองค์กรมีคำขอที่ซับซ้อนกว่า โดยต้องพึ่งพาแหล่งข้อมูลภายนอกต่างๆ เช่น วารสารวิชาการ รายงานทางการเงิน (เช่น จาก Goldman Sachs) หรือการรวมข้อมูลต้นฉบับจากคลังข้อมูลขององค์กร เพื่อให้บริบทเพิ่มเติมแก่ LLM
องค์กรอาจทำข้อตกลงส่วนตัวกับผู้ให้บริการ LLM เพื่อปรับแต่งโมเดลด้วยข้อมูลที่เป็นกรรมสิทธิ์ ในทำนองเดียวกัน เทคนิคที่ได้รับความนิยมมากขึ้นคือการใช้ RAG (retrieval-augmented generation) เมื่อส่งคำขอการอนุมาน วิธีนี้จะช่วยให้ LLMs สามารถเพิ่มข้อมูลบริบทเมื่อส่งคำขอได้ ภายใต้ทั้งสองกรณี องค์กรต้องไว้วางใจผู้ให้บริการ LLM รายอื่นในการรักษาความสมบูรณ์ของชุดข้อมูลเสริม ซึ่งรวมถึงการตรวจสอบให้แน่ใจว่า:
บุคคลที่สามจะไม่เพิ่มหรือลบข้อมูลออกจากชุดข้อมูลบนเซิร์ฟเวอร์ของพวกเขา
ชุดข้อมูลจะไม่ได้รับการปรับเปลี่ยนในระหว่างที่ส่งจากเซิร์ฟเวอร์ขององค์กรไปยังเซิร์ฟเวอร์ของบริษัทอื่น
ชุดข้อมูลเสริมนั้นยังคงความเป็นส่วนตัวและแยกจากผู้ใช้รายอื่นของผู้ให้บริการ LLM
การฝึกอบรมและปรับแต่งโมเดล (Training and Fine-Tuning)
เกี่ยวกับการปรับแต่งโมเดล (fine-tuning) สิ่งสำคัญที่ควรทราบคือ เราเห็นความสนใจในการปรับแต่งโมเดลขององค์กรลดลง และไม่น่าแปลกใจที่ความสนใจไปที่การใช้ RAG ร่วมกับฐานข้อมูลการค้นหาเวกเตอร์มากขึ้น เหตุผลหนึ่งที่เป็นไปได้คือ อุตสาหกรรมนี้มีการพัฒนาอย่างรวดเร็ว บ่อยครั้งที่เมื่อองค์กรพึ่งปรับแต่งโมเดลเสร็จ (ไม่ว่าจะเป็นโมเดลที่เป็นกรรมสิทธิ์ หรือโอเพนซอร์ส) จะมีเวอร์ชันใหม่ หรือทางเลือกที่ดีกว่าออกมาแล้ว
การฝึกอบรม LLM ที่เป็นกรรมสิทธิ์กำลังเผชิญกับความท้าทายทางกฎหมายมากขึ้นเรื่อยๆ ดังจะเห็นได้จากการฟ้องร้องหลายคดีในช่วงที่ผ่านมา ซึ่งองค์กรได้ฟ้องร้องผู้ให้บริการ LLM ชั้นนำ โดยกล่าวหาว่าพวกเขาใช้ทรัพย์สินทางปัญญา (IP) ที่ได้รับการคุ้มครองในโมเดลของผู้ให้บริการ คดีความดังกล่าวเน้นย้ำถึงความจำเป็นที่เกิดขึ้นใหม่สำหรับอุตสาหกรรมในการนำมาตรฐานมาใช้ เพื่อให้แน่ใจว่ามีการพัฒนา LLM อย่างมีความรับผิดชอบ ทั้งเพื่อรับมือกับความซับซ้อนทางกฎหมายและเพื่อรักษาความไว้วางใจของผู้บริโภค เพื่อตอบสนองต่อความท้าทายเหล่านี้ โซลูชันที่เป็นนวัตกรรมใหม่ๆ อย่าง Space and Time กำลังได้รับความสนใจ
Space and Time เป็นฐานข้อมูลรูปแบบใหม่ที่ใช้การพิสูจน์ความรู้เป็นศูนย์ (zero-knowledge proofs หรือ ZK) ซึ่งเป็นวิธีการเข้ารหัสลับเพื่อยืนยันว่าไม่มีการแก้ไขชุดข้อมูลขนาดใหญ่ ฐานข้อมูลนี้ยังตรวจสอบยืนยันว่าคำค้น (queries) ที่ดึงชุดย่อยของข้อมูลนี้ไม่ได้ถูกแก้ไขเช่นกัน การใช้ "ความมุ่งมั่นเชิงเข้ารหัส" (cryptographic commitments) ของ Space and Time กับชุดข้อมูลภายในโมเดลในระหว่างการฝึก องค์กรสามารถพิสูจน์ได้ว่าชุดข้อมูลที่ป้องกันการแก้ไข (tamper-proof dataset) ใน Space and Time เป็นชุดข้อมูลเดียวกับที่ใช้ฝึกโมเดลจริง และไม่มีเนื้อหาใดถูกเพิ่มหรือลบออกไปนับตั้งแต่ตอนนั้น เทคโนโลยีนี้ช่วยให้นักกฎหมายหรือผู้ตรวจสอบสามารถตรวจสอบเนื้อหาที่ใช้ฝึกโมเดล โดยใช้ทั้งการค้นหา SQL และการค้นหาแบบเวกเตอร์ ผู้ตรวจสอบสามารถเรียกใช้คำค้นแบบ ZK-proven เพื่อดึงข้อมูล vector embeddings ที่ตรงกับทรัพย์สินทางปัญญาที่อ้างสิทธิ์ในการฟ้องร้อง หาก embeddings ดังกล่าวไม่มีอยู่จริง หรือไม่คล้ายกับที่อ้างสิทธิ์ ก็จะช่วยเสริมสร้างแนวป้องกันของผู้ให้บริการ LLM ได้อย่างมาก ผู้ให้บริการ LLM สามารถแสดงต่อหน่วยงานที่เกี่ยวข้องว่าโมเดลของพวกเขาไม่ได้รับการฝึกด้วยข้อมูลลูกค้าที่ละเอียดอ่อน หรือทรัพย์สินทางปัญญาภายนอกที่อยู่ภายใต้ลิขสิทธิ์
ผลลัพธ์ของโมเดล การใช้งาน LLM ที่เป็นกรรมสิทธิ์เปรียบได้กับการมีส่วนร่วมกับ "กล่องดำ" (black box) ส่วนประกอบหลัก เช่น ชุดข้อมูลการฝึกอบรม โมเดลไบนารี น้ำหนัก (weights) และอัลกอริทึมจะถูกปกปิด เพื่อปกป้องทรัพย์สินทางปัญญาและรักษาความลับทางการค้า การปิดบังข้อมูลนี้ทำให้ผู้ใช้ไม่สามารถยืนยันได้ว่าผลลัพธ์ที่ได้รับนั้นสร้างขึ้นจากข้อมูลที่ป้อนเข้าไปจริงๆ นอกจากนี้ ยังมีความเสี่ยงที่ผู้ให้บริการที่เป็นกรรมสิทธิ์อาจเลือกใช้โมเดลที่ราคาถูกกว่าสำหรับการประมวลผลคำขอ ซึ่งอาจส่งผลเสียต่อคุณภาพการใช้งานของผู้ใช้
ในปัจจุบัน ยังไม่มีวิธีการเข้ารหัสที่สามารถใช้ตรวจสอบความถูกต้องของผลลัพธ์จาก LLM ได้อย่างแม่นยำ แม้ว่าจะมีสตาร์ทอัพจำนวนหนึ่งที่เริ่มดำเนินการวิจัยและพัฒนาในด้านนี้ (โดยเฉพาะในกลุ่ม Web3) แม้ว่าความก้าวหน้าในอนาคตของการเข้ารหัสจะช่วยให้สามารถตรวจสอบผลลัพธ์ของ LLM ได้โดยไม่ต้องใช้เวลาพิสูจน์นานเป็นสัปดาห์ การนำเทคโนโลยีดังกล่าวมาใช้จริงอาจมีค่าใช้จ่ายสูงมาก จนจำกัดการใช้งานเฉพาะกรณีพิเศษๆ เท่านั้น ดังนั้น องค์กรที่ใช้ LLM จากผู้ให้บริการรายอื่นต้องให้ความไว้วางใจผู้ให้บริการเป็นอย่างสูง โดยเชื่อว่าผู้ให้บริการจะประมวลผลคำขอโดยใช้โมเดลที่ถูกต้อง (ไม่ใช่เวอร์ชันที่เล็กกว่าหรือถูกกว่า) ใช้น้ำหนัก/พารามิเตอร์ที่ถูกต้อง และใช้ชุดข้อมูลการฝึกอบรมที่ถูกต้อง
การปรับปรุงความปลอดภัยของกระบวนการ RAG
เนื่องจากองค์กรต่างๆ ได้รวมฐานข้อมูลการค้นหาแบบเวกเตอร์และ LLM เข้ากับการดำเนินงานมากขึ้นเรื่อยๆ นักพัฒนาหลายคนพบว่าตนเองกำลังเข้าสู่พื้นที่ที่ไม่คุ้นเคย การขาดประสบการณ์นี้ได้นำไปสู่การละเลยความปลอดภัยที่เกิดขึ้นแล้ว ข้อผิดพลาดทั่วไปอย่างหนึ่งเกิดจากนักพัฒนาเผลอโอนย้ายข้อมูลที่เป็นกรรมสิทธิ์ หรือ PII (ข้อมูลส่วนบุคคล) จากคลังข้อมูลหรือพื้นที่เก็บข้อมูลออบเจ็กต์ที่สอดคล้องกับ SOC2 เข้าไปในฐานข้อมูลการค้นหาแบบเวกเตอร์เพื่อใช้กับ RAG ความผิดพลาดดังกล่าวทำให้ IP ที่ได้รับการคุ้มครอง หรือ PII ของลูกค้าถูกแชร์ไปยังผู้ให้บริการ LLM รายอื่นโดยไม่ได้ตั้งใจผ่านทางอินเทอร์เน็ต ซึ่งเป็นการละเมิดการปฏิบัติตาม SOC2 และก่อให้เกิดความเสี่ยงด้านความปลอดภัยที่สำคัญ
เพื่อแก้ไขปัญหาเหล่านี้ จำเป็นอย่างยิ่งที่องค์กรจะต้องกำหนดกระบวนการที่เข้มงวด โดยมุ่งเป้าไปที่การทำให้มั่นใจว่านักพัฒนาจะลบ IP และ PII ใดๆ ออกจากชุดข้อมูลก่อนที่ข้อมูลจะถูกรวมเข้ากับฐานข้อมูลการค้นหาแบบเวกเตอร์ในกระบวนการ RAG ในอนาคต เราคาดการณ์ว่าจะมีความจำเป็นสำหรับเครื่องมือการเข้ารหัสที่เป็นนวัตกรรมใหม่ ที่สามารถตรวจสอบยืนยันและ "พิสูจน์" การไม่มีเนื้อหาที่ละเอียดอ่อนภายในฐานข้อมูลการค้นหาแบบเวกเตอร์ หรือสามารถตรวจจับและลบเนื้อหาชนิดนี้ออกโดยอัตโนมัติ กลไกดังกล่าวจะมีบทบาทสำคัญในการป้องกันการละเมิดข้อมูลโดยไม่ตั้งใจ และทำให้ผู้ให้บริการรายอื่นไม่สามารถเข้าถึงเนื้อหาได้ นอกจากนี้ยังช่วยส่งเสริมสภาพแวดล้อมที่ปลอดภัยสำหรับการใช้ประโยชน์จาก LLM ในองค์กรอีกด้วย
การพิสูจน์ที่มาและความถูกต้องของเนื้อหา
เมื่อมีการพัฒนา LLM แบบตรวจสอบยืนยันได้ และนำไปใช้งานอย่างมีความรับผิดชอบ โดยมีการลบเนื้อหาที่ละเอียดอ่อนหรือถูกแก้ไข ก็จะมีความต้องการเพิ่มมากขึ้นสำหรับการใส่ลายน้ำดิจิทัลเชิงเข้ารหัส (cryptographic watermarking) ในเนื้อหาที่สร้างขึ้น ซึ่งก็คือผลลัพธ์จาก LLM และ generative models อื่นๆ ในยุคที่อินเทอร์เน็ตเต็มไปด้วยเนื้อหาที่สร้าง โดย AI การแยกแยะระหว่างสิ่งที่เป็นของแท้กับสิ่งที่ถูกสร้างขึ้นกลายเป็นความท้าทายที่สำคัญสำหรับผู้บริโภค ปัญหานี้เกิดขึ้นในหลายๆ โดเมน รวมถึงบทความข่าวสาร ธุรกรรมบนบล็อกเชน หรือ NFTs ข้อมูลเซ็นเซอร์ IoT และภาพที่ถ่ายจากกล้อง ซึ่งเป็นเพียงบางส่วนที่ generative models สร้างความเสี่ยงในการปลอมแปลงเนื้อหาโดยผู้ไม่หวังดี
การถือกำเนิดของ LLM และเทคโนโลยี generative อื่นๆ ได้ทำให้กระบวนการสร้างของปลอมที่น่าเชื่อถือทั่วทั้งอินเทอร์เน็ตง่ายขึ้น เพื่อรับมือกับปัญหานี้ จึงมีวิสัยทัศน์สำหรับอนาคตที่เว็บเบราว์เซอร์ต่างๆ อาจรวมเข้ากับมาตรฐานที่กำลังพัฒนาสำหรับการใส่ลายน้ำในเนื้อหา การผสานรวมดังกล่าวจะช่วยปกป้องผู้บริโภคโดยแยกแยะอย่างชัดเจนระหว่างเนื้อหาที่ตรวจสอบได้ว่าเป็นของแท้หรือสร้างโดยมนุษย์ และเนื้อหาที่สร้างขึ้นโดย AI อย่างไรก็ตาม การนำวิสัยทัศน์นี้ไปใช้จริงยังห่างไกลจากความตรงไปตรงมา แม้ว่าผู้ให้บริการ LLM คุณภาพสูงจะใส่ลายน้ำในเนื้อหาที่สร้างขึ้น ผู้กระทำความผิดยังสามารถหลีกเลี่ยงสิ่งนี้ได้ด้วยการใช้โมเดลของตนเองภายในองค์กร เพื่อสร้างเนื้อหาโดยไม่มีลายน้ำ ข้อเสนอให้เบราว์เซอร์เตือนผู้ใช้เกี่ยวกับเนื้อหาที่ไม่มีลายน้ำว่าอาจไม่น่าเชื่อถือนั้น ต้องเผชิญกับความท้าทายอย่างมากในการตีธงเตือนเนื้อหาส่วนใหญ่บนอินเทอร์เน็ต เนื่องจากปัจจุบันยังมีการใช้ลายน้ำน้อยมาก
การสร้างอนาคตที่ใช้ AI อย่างปลอดภัยและมีความรับผิดชอบ
เนื่องจากองค์กรต่างๆ ยังคงผสานรวม LLM ทั้งที่เป็นกรรมสิทธิ์และแบบโอเพ่นซอร์สเข้ากับกระบวนการทางธุรกิจ ความสามารถในการตรวจสอบความสมบูรณ์ของชุดข้อมูลที่ใช้ฝึก, กระบวนการฝึกอบรมและปรับแต่ง (fine-tune), และผลลัพธ์ของโมเดลจะยิ่งมีความสำคัญต่อการลดความเสี่ยง การปกป้อง IP และ PII และการรับรองการใช้งานอย่างมีความรับผิดชอบ แม้ว่าโซลูชันที่เสนอข้างต้นจะนำมาซึ่งความท้าทายในตัวของมันเอง (เช่น ค่าใช้จ่ายและความซับซ้อนในการนำไปใช้จริง) เรามั่นใจว่าการวิจัยการเข้ารหัสที่มีวิสัยทัศน์จะนำไปสู่อินเทอร์เน็ตที่ปลอดภัยยิ่งขึ้นในท้ายที่สุด ซึ่งเป็นอินเทอร์เน็ตที่ปกป้องผู้บริโภคจากเนื้อหาที่เป็นการฉ้อโกง และองค์กรต่างๆ จากการถูกฟ้องร้องหรือความเสี่ยงด้านความปลอดภัยที่เกิดจากการใช้ LLM ของบุคคลที่สาม การพัฒนาจาก LLM แบบทดลองสู่ LLM แบบตรวจสอบยืนยันได้ แสดงถึงการเปลี่ยนแปลงครั้งสำคัญสู่อนาคตของ AI ที่มีความรับผิดชอบและโปร่งใสมากขึ้น โดยที่ความถูกต้องของเนื้อหาดิจิทัลมีความสำคัญสูงสุด และความน่าเชื่อถือของระบบ AI ไม่เพียงแต่ถูกสันนิษฐานไว้ แต่ได้รับการพิสูจน์แล้ว
ต้นฉบับของบทความ: