# LLM สำหรับธุรกิจ (SxT) By [Closebox](https://paragraph.com/@closebox-3) · 2024-03-31 --- **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 ![Gartner Hype Cycle](https://storage.googleapis.com/papyrus_images/3d94e67f3653c5c18a3920f2c9a1dbcfa05a4935c2ff541cd7a59ac6cedfe08a.png) Gartner Hype Cycle **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 ![การสร้างระบบ LLM ที่ตรวจสอบยืนยันได้แบบครบวงจร: เริ่มต้นด้วยชุดข้อมูลการฝึกอบรมที่ปลอดภัยจากการแก้ไขและได้รับการทำความสะอาดอย่างเหมาะสม จากนั้นจึงพิสูจน์การใช้โมเดลที่ถูกต้องและการใส่ลายน้ำ (watermarking) ในเนื้อหาที่สร้างขึ้น](https://storage.googleapis.com/papyrus_images/c24be169c2d2f48d2d8e7a59b78747c843ba8651cdf282756d00a993f29b8afa.png) การสร้างระบบ LLM ที่ตรวจสอบยืนยันได้แบบครบวงจร: เริ่มต้นด้วยชุดข้อมูลการฝึกอบรมที่ปลอดภัยจากการแก้ไขและได้รับการทำความสะอาดอย่างเหมาะสม จากนั้นจึงพิสูจน์การใช้โมเดลที่ถูกต้องและการใส่ลายน้ำ (watermarking) ในเนื้อหาที่สร้างขึ้น **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 ![ในตอนนี้ ยังไม่มีโซลูชันแบบเข้ารหัสลับตัวไหน ที่สามารถใช้ตรวจสอบการอนุมานผลของ LLM ได้แบบใช้งานได้จริง](https://storage.googleapis.com/papyrus_images/d2615b4825458a23cee0ad0b9b480970c46f5c398b317815abde4d30e6050b4d.png) ในตอนนี้ ยังไม่มีโซลูชันแบบเข้ารหัสลับตัวไหน ที่สามารถใช้ตรวจสอบการอนุมานผลของ LLM ได้แบบใช้งานได้จริง **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 ![LangChain สำหรับ RAG](https://storage.googleapis.com/papyrus_images/561d6dfeaba3eaaf6cae951e445c6ec69a39277052c7a025ec939158890c984c.png) LangChain สำหรับ RAG **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: --- *Originally published on [Closebox](https://paragraph.com/@closebox-3/llm-sxt)*