ความเป็นส่วนตัวโดยการแยกออกจากกัน (Privacy by Isolation)

แนวคิด "Privacy by Design" เป็นที่รู้จักกันอย่างแพร่หลายแล้ว นั่นคือหลักการที่ฝังการปกป้องความเป็นส่วนตัวไว้ตั้งแต่ขั้นตอนการออกแบบระบบในระยะเริ่มต้น Privacy by Isolation ถือเป็นแนวทางที่มีความเป็นรูปธรรมและตรงไปตรงมาที่สุดในบรรดาวิธีการนำหลักการดังกล่าวไปปฏิบัติ การแยกข้อมูลและระบบออกจากกันทำให้เกิดสภาวะที่การรั่วไหล "ไม่สามารถเกิดขึ้นได้ในเชิงโครงสร้าง" ตั้งแต่แรก

เหตุใดจึงต้องใช้การแยกส่วน

มาตรการปกป้องความเป็นส่วนตัวแบบดั้งเดิม เช่น การเข้ารหัสและการควบคุมการเข้าถึง ยังคงมีประสิทธิภาพตราบเท่าที่ดำเนินการอย่างถูกต้อง อย่างไรก็ตาม การขจัด Human Factor อย่างสมบูรณ์ ไม่ว่าจะเป็นการตั้งค่าผิดพลาด การขยายสิทธิ์เกินจำเป็น หรือการกระทำที่ไม่สุจริตจากภายใน เป็นเรื่องที่ทำได้ยาก

การแยกส่วนกลายเป็นคำตอบเชิงโครงสร้างสำหรับปัญหานี้ หากข้อมูลอยู่ในพื้นที่ที่แยกออกจากกันทั้งทางกายภาพและทางตรรกะ แม้จะมีการตั้งค่าสิทธิ์การเข้าถึงผิดพลาด ก็ยังไม่สามารถเข้าถึงข้อมูลนั้นได้ ท่ามกลางการบังคับใช้กฎระเบียบที่เข้มงวดขึ้นในหลายประเทศ ทั้ง EU AI Act และ PDPA (พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคลของไทย) สถาปัตยกรรมแบบแยกส่วนยังมีข้อได้เปรียบในแง่ของ "ความสามารถในการพิสูจน์การปฏิบัติตามกฎระเบียบ" อีกด้วย

รูปแบบการนำการแยกส่วนไปใช้งาน

ในทางปฏิบัติ การแยกส่วนถูกนำไปใช้ใน 3 ระดับความละเอียดหลัก ดังนี้

Tenant Separation — รูปแบบที่พบบ่อยที่สุดในสภาพแวดล้อม SaaS แบ่ง Database Schema หรืออินสแตนซ์แยกตามลูกค้าแต่ละราย และแยกส่วนทางตรรกะด้วย Row Level Security (RLS) หรือ Dedicated Schema ความสมดุลระหว่างประสิทธิภาพด้านต้นทุนและความแข็งแกร่งของการแยกส่วนคือจุดตัดสินใจหลักในการออกแบบ

On-Premises / VPC Separation — สำหรับข้อมูลที่มีความละเอียดอ่อนสูง เช่น เวชระเบียนและธุรกรรมทางการเงิน ระบบจะถูกจำกัดไว้ในสภาพแวดล้อม On-Premises เฉพาะหรือ VPC (Virtual Private Cloud) แทนที่จะใช้โครงสร้างพื้นฐานที่ใช้ร่วมกันบนคลาวด์ การประมวลผลเชิงอนุมานของโมเดล AI ก็ดำเนินการภายในขอบเขตการแยกส่วนเดียวกับข้อมูลด้วย

Edge Processing — ประมวลผลข้อมูลบนอุปกรณ์ในรูปแบบ Edge AI โดยไม่ส่งข้อมูลไปยังคลาวด์ เป็นแนวทางที่มีประสิทธิภาพสำหรับข้อมูลสตรีมที่มีข้อมูลส่วนบุคคล เช่น การวิเคราะห์ภาพจากกล้องและการรู้จำเสียง

การออกแบบการแยกส่วนในยุค AI

การแพร่หลายของ Generative AI ยิ่งทำให้ความสำคัญของการแยกส่วนเพิ่มสูงขึ้น ความเสี่ยงที่ข้อมูลซึ่งถูกป้อนเป็น Prompt ให้กับ LLM จะถูกนำไปใช้ในการฝึกโมเดล รวมถึงความเสี่ยงที่ Context จะปะปนกันระหว่าง Tenant ล้วนเป็นภัยคุกคามรูปแบบใหม่ที่การออกแบบฐานข้อมูลแบบดั้งเดิมไม่ได้คาดการณ์ไว้

ในฐานะแนวปฏิบัติของ Responsible AI มาตรการที่จำเป็น ได้แก่ การแยกสภาพแวดล้อมการประมวลผลเชิงอนุมาน (จัดสรรอินสแตนซ์การประมวลผลเชิงอนุมานเฉพาะให้แต่ละ Tenant) การไม่จัดเก็บข้อมูล Prompt อย่างถาวร และการตรวจสอบขอบเขตการแยกส่วนผ่าน AI Red Teaming