ເງົາ AI (Shadow AI)

Shadow AI ແມ່ນຄຳເອີ້ນລວມຂອງເຄື່ອງມື AI ແລະ ບໍລິການທີ່ພະນັກງານໃຊ້ໃນການເຮັດວຽກໂດຍບໍ່ໄດ້ຮັບການອະນຸມັດຈາກພະແນກ IT ຂອງບໍລິສັດ ຫຼື ຜູ້ບໍລິຫານ. ຕົວຢ່າງທີ່ເຫັນໄດ້ຊັດເຈນທີ່ສຸດຄືການໃຊ້ບໍລິການຈເນເລທີຟ AI ເຊັ່ນ ChatGPT, Claude, ແລະ Gemini ດ້ວຍບັນຊີສ່ວນຕົວເພື່ອຈຸດປະສົງທາງທຸລະກິດ ເຊິ່ງມີຄວາມສ່ຽງດ້ານການຮົ່ວໄຫຼຂອງຂໍ້ມູນ ແລະ ການລະເມີດກົດລະບຽບ.

ເປັນຫຍັງ Shadow AI ຈຶ່ງເກີດຂຶ້ນ

ເບື້ອງຫຼັງຂອງການແຜ່ຂະຫຍາຍ Shadow AI ມາຈາກຊ່ອງຫວ່າງລະຫວ່າງຄວາມສະດວກສະບາຍທີ່ໂດດເດັ່ນຂອງເຄື່ອງມື AI ແລະ ຄວາມໄວໃນການຈັດຕຽມຂອງຝ່າຍບໍລິສັດ. ພະນັກງານມີແຮງຈູງໃຈທີ່ຈິງຈັງໃນການເພີ່ມປະສິດທິພາບການເຮັດວຽກ ແລະ ຍິ່ງຂະບວນການອະນຸມັດຍາວນານເທົ່າໃດ ກໍ່ຍິ່ງເຮັດໃຫ້ພວກເຂົາມີແນວໂນ້ມທີ່ຈະ "ລອງໃຊ້ກ່ອນ" ຫຼາຍຂຶ້ນເທົ່ານັ້ນ.

ໂດຍສະເພາະຫຼັງຈາກການເກີດຂຶ້ນຂອງຈເນເລທີຟ AI ແນວໂນ້ມນີ້ໄດ້ກາຍເປັນທີ່ຊັດເຈນຂຶ້ນ. ການທີ່ເຄື່ອງມືທີ່ເຊື່ອມໂຍງໂດຍກົງກັບວຽກງານປະຈຳວັນ ເຊັ່ນ ການສ້າງເອກະສານ, ການສ້າງໂຄດ, ແລະ ການວິເຄາະຂໍ້ມູນ ສາມາດໃຊ້ໄດ້ຟຣີ ຫຼື ໃນລາຄາຕໍ່າ ໄດ້ສ້າງສະຖານະການທີ່ການຄຸ້ມຄອງຂອງພະແນກ IT ຕາມບໍ່ທັນ. ໃນຂະນະທີ່ພະນັກງານທີ່ມີຄວາມຮູ້ດ້ານ AI ສູງຈະໃຊ້ງານຢ່າງຕັ້ງໃຈ ການທີ່ຄວາມຮູ້ສຶກຕໍ່ຄວາມສ່ຽງແຕກຕ່າງກັນໄປຕາມແຕ່ລະອົງກອນກໍ່ເປັນສິ່ງທ້າທາຍເຊັ່ນກັນ.

ຄວາມສ່ຽງຫຼັກ ແລະ ຂອບເຂດຜົນກະທົບ

ຄວາມສ່ຽງຂອງ Shadow AI ສາມາດແບ່ງອອກເປັນສາມຂົງເຂດໃຫຍ່.

ຄວາມສ່ຽງດ້ານຄວາມປອດໄພຂໍ້ມູນ
ການປ້ອນຂໍ້ມູນທາງທຸລະກິດ ຫຼື ຂໍ້ມູນລູກຄ້າເຂົ້າໃນບໍລິການ AI ພາຍນອກ ອາດເຮັດໃຫ້ຂໍ້ມູນລັບຖືກນຳໃຊ້ເປັນຂໍ້ມູນຝຶກສອນໂດຍບໍ່ໄດ້ຕັ້ງໃຈ. ການໂຈມຕີການສີດ Prompt ແລະ ການໃຊ້ຂໍ້ມູນທີ່ຜິດພາດຈາກຮາລູຊິເນຊັນ ໃນການເຮັດວຽກກໍ່ເປັນສິ່ງທີ່ບໍ່ຄວນມອງຂ້າມ.

ຄວາມສ່ຽງດ້ານການປະຕິບັດຕາມກົດລະບຽບ
ໃນກອບລະບຽບການປົກປ້ອງຂໍ້ມູນສ່ວນຕົວ ເຊັ່ນ GDPR ແລະ PDPA ລວມທັງກອບລະບຽບ AI ເຊັ່ນ EU AI Act ການໃຊ້ເຄື່ອງມືທີ່ບໍ່ໄດ້ຮັບການອະນຸມັດອາດກໍ່ໃຫ້ເກີດຄວາມຮັບຜິດຊອບທາງກົດໝາຍ. ຈາກທັດສະນະຂອງການຄຸ້ມຄອງ AI ສະຖານະການທີ່ບໍ່ສາມາດຕິດຕາມການໃຊ້ງານຕົວຈິງໄດ້ ກໍ່ຖືເປັນຄວາມສ່ຽງຂອງອົງກອນ.

ຄວາມສ່ຽງດ້ານຄຸນນະພາບ ແລະ ຄວາມໜ້າເຊື່ອຖື
ການໃຊ້ຜົນລັບຂອງ AI ໃນການຕັດສິນໃຈທາງທຸລະກິດໃນສະຖານະການທີ່ກົນໄກHITL (Human-in-the-Loop) ຍັງບໍ່ທັນສົມບູນ ມີຄວາມສ່ຽງທີ່ການຕັດສິນໃຈທີ່ຜິດພາດຈະເກີດຂຶ້ນຕໍ່ເນື່ອງ. ສຳລັບເຄື່ອງມືທີ່ໄດ້ຮັບການອະນຸມັດ ສາມາດຈັດຕຽມກາດເລ ແລະ ລະບົບກວດສອບຄຸນນະພາບຜົນລັບໄດ້ ແຕ່ສຳລັບ Shadow AI ນັ້ນເປັນເລື່ອງຍາກ.

ມາດຕະການ: ການປ່ຽນແປງກະບວນທັດຈາກການຫ້າມສູ່ການຄຸ້ມຄອງ

ໃນອະດີດ "ການຫ້າມ" ເປັນການຕອບສະໜອງຫຼັກ ແຕ່ປັດຈຸບັນແນວຄິດກຳລັງປ່ຽນໄປສູ່ "ການນຳໃຊ້ທີ່ຄຸ້ມຄອງໄດ້". ນີ້ເປັນຍ້ອນການຮັບຮູ້ທີ່ແຜ່ຂະຫຍາຍວ່າການຫ້າມຢ່າງດຽວບໍ່ສາມາດຕອບສະໜອງຄວາມຕ້ອງການດ້ານການເພີ່ມຜະລິດຕະພາບຂອງພະນັກງານໄດ້ ແລະ ກົງກັນຂ້າມຈະນຳໄປສູ່ການຊ່ອນເຊື່ອງ ແລະ ການໃຊ້ງານໃຕ້ດິນ.

ວິທີການທີ່ໃຊ້ເປັນມາດຕະການທີ່ມີປະສິດທິພາບ ມີດັ່ງຕໍ່ໄປນີ້:

• ການຈັດຕຽມລາຍຊື່ເຄື່ອງມື AI ທີ່ໄດ້ຮັບການອະນຸມັດ ແລະ ການສ້າງຂະບວນການກວດສອບທີ່ວ່ອງໄວ: ສ້າງສະພາບແວດລ້ອມທີ່ພະນັກງານສາມາດຍື່ນຄຳຮ້ອງໄດ້ງ່າຍ ແລະ ເຮັດໃຫ້ຄວາມຕ້ອງການດ້ານການໃຊ້ງານເຫັນໄດ້ຊັດເຈນ
• ການນຳໃຊ້ Zero Trust Network Access (ZTNA): ຄວບຄຸມການເຂົ້າເຖິງບໍລິການທີ່ບໍ່ໄດ້ຮັບການອະນຸມັດດ້ວຍວິທີການທາງເທັກນິກ
• ການໃຊ້ Local LLM ແລະ Edge AI: ບັນລຸການເພີ່ມຜະລິດຕະພາບດ້ວຍການຕັ້ງຄ່າທີ່ບໍ່ສົ່ງຂໍ້ມູນພາຍໃນໄປຍັງພາຍນອກ
• ການຈັດການສຶກສາຄວາມຮູ້ດ້ານ AI: ເຮັດໃຫ້ພະນັກງານສາມາດຕັດສິນດ້ວຍຕົນເອງວ່າສິ່ງໃດເປັນຄວາມສ່ຽງ

ແນວຄິດການຍ້າຍຊ້າຍ ທີ່ກ່າວເຖິງໃນສະພາບການຂອງ DevSecOps ນັ້ນ ຄືການລວມເອົາການຄຸ້ມຄອງຄວາມສ່ຽງໃສ່ໃນຂັ້ນຕອນຕົ້ນ ແທນທີ່ຈະເປັນຂັ້ນຕອນຫຼັງ ສາມາດນຳໄປໃຊ້ກັບການຄຸ້ມຄອງການໃຊ້ AI ໄດ້ເຊັ່ນກັນ. ການມີລະບົບທີ່ລວມເອົາຂໍ້ກຳນົດດ້ານຄວາມ