แนวปฏิบัติการใช้ปัญญาประดิษฐ์อย่างมั่นคงปลอดภัย สกมช. 2568

สรุปสั้น: แนวปฏิบัติการใช้ปัญญาประดิษฐ์อย่างมั่นคงปลอดภัย (AI Security Guidelines) เผยแพร่โดยสำนักงานคณะกรรมการการรักษาความมั่นคงปลอดภัยไซเบอร์แห่งชาติ (สกมช.) เมื่อวันที่ 1 ตุลาคม 2568 เอกสารฉบับนี้เป็น แนวปฏิบัติ (Guidelines) ไม่ใช่ประกาศในราชกิจจานุเบกษา จึง ไม่มีสภาพบังคับตามกฎหมาย หน่วยงานอาจจะนำไปใช้เป็นแนวทางในการรักษาความมั่นคงปลอดภัยของระบบ AI ภายในองค์กร

⚠️ หมายเหตุสำคัญ: เอกสารฉบับนี้เป็น แนวปฏิบัติ (Guidelines) ที่ สกมช. จัดทำเพื่อเผยแพร่ความรู้และแนวทาง ไม่ได้ประกาศในราชกิจจานุเบกษา จึง ไม่มีผลบังคับใช้ทางกฎหมาย เหมือนประกาศมาตรฐานเว็บไซต์ พ.ศ. 2568 หรือ พ.ร.บ. ไซเบอร์ฯ 2562

สถานะทางกฎหมาย

หน่วยงานอาจจะนำแนวปฏิบัตินี้ไปประยุกต์ใช้เพื่อยกระดับความมั่นคงปลอดภัยของระบบ AI แต่ไม่มีหน้าที่ตามกฎหมายที่จะต้องปฏิบัติตาม

ภัยคุกคามที่ครอบคลุม

แนวปฏิบัติฉบับนี้ระบุภัยคุกคามหลักต่อระบบ AI ไว้ 3 ประเภท:

1. Data Poisoning (การวางยาพิษข้อมูล)

ผู้โจมตีแทรกข้อมูลที่ถูกบิดเบือนเข้าไปในชุดข้อมูลฝึกสอน (Training Data) เพื่อให้โมเดล AI เรียนรู้ผิดพลาด ส่งผลให้ผลลัพธ์ของโมเดลไม่ถูกต้อง

แนวปฏิบัติแนะนำให้หน่วยงานควรจะ:

• ตรวจสอบคุณภาพและความสมบูรณ์ของชุดข้อมูลฝึกสอน (Data Validation)
• จัดทำ Data Lineage เพื่อติดตามแหล่งที่มาของข้อมูล
• ใช้เทคนิค Anomaly Detection ตรวจจับข้อมูลที่ผิดปกติในชุดฝึกสอน

2. Model Evasion (การหลบเลี่ยงโมเดล)

ผู้โจมตีสร้าง Input ที่ถูกดัดแปลงเล็กน้อย (Adversarial Examples) เพื่อหลอกให้โมเดล AI จำแนกผิด โดยมนุษย์อาจไม่สังเกตเห็นความแตกต่าง

แนวปฏิบัติแนะนำให้หน่วยงานควรจะ:

• ทดสอบความทนทานของโมเดลด้วย Adversarial Testing
• ใช้เทคนิค Adversarial Training ในขั้นตอนการฝึกสอน
• ติดตามประสิทธิภาพของโมเดลอย่างต่อเนื่องในสภาพแวดล้อมจริง (Model Monitoring)

3. Prompt Injection (การฉีดคำสั่งผ่าน Prompt)

ผู้โจมตีแทรกคำสั่งที่ซ่อนอยู่ใน Input เพื่อบังคับให้โมเดล AI (โดยเฉพาะ Large Language Models — LLM) ทำงานนอกเหนือจากที่ถูกออกแบบไว้ เช่น เปิดเผยข้อมูลภายใน หรือข้ามกลไกการกรอง

แนวปฏิบัติแนะนำให้หน่วยงานควรจะ:

• ออกแบบ Input Validation สำหรับ Prompt ที่ส่งเข้าโมเดล
• จำกัดสิทธิ์การเข้าถึงข้อมูลของโมเดล (Least Privilege)
• ทดสอบ Prompt Injection เป็นส่วนหนึ่งของการทดสอบความมั่นคงปลอดภัย

มาตรฐานอ้างอิง

แนวปฏิบัติฉบับนี้อ้างอิงมาตรฐานสากล 2 แหล่งหลัก:

เปรียบเทียบกับกฎหมายและประกาศที่มีผลบังคับ

แนวทางการนำไปประยุกต์ใช้

แม้จะไม่มีสภาพบังคับ แต่หน่วยงานที่พัฒนาหรือใช้งานระบบ AI อาจจะพิจารณานำแนวปฏิบัตินี้ไปใช้เพื่อ:

1. ประเมินความเสี่ยงของระบบ AI — ระบุภัยคุกคามที่อาจเกิดขึ้นกับโมเดลและข้อมูลฝึกสอน
2. กำหนดมาตรการป้องกัน — ตามแนวทาง ISO/IEC และ OWASP ที่แนวปฏิบัติอ้างอิง
3. ทดสอบความมั่นคงปลอดภัย — รวม Adversarial Testing และ Prompt Injection Testing เข้าในกระบวนการทดสอบ
4. เตรียมความพร้อม — หากในอนาคต สกมช. ออกประกาศที่มีผลบังคับเกี่ยวกับ AI Security หน่วยงานที่ปฏิบัติตามแนวปฏิบัตินี้จะมีฐานที่พร้อมรองรับ

คำถามที่พบบ่อย

1. แนวปฏิบัตินี้บังคับใช้ทางกฎหมายหรือไม่?

ไม่บังคับ เอกสารฉบับนี้เป็นแนวปฏิบัติ (Guidelines) ที่ สกมช. เผยแพร่เมื่อ 1 ตุลาคม 2568 ไม่ได้ประกาศในราชกิจจานุเบกษา จึงไม่มีสภาพบังคับตามกฎหมาย หน่วยงานอาจจะนำไปประยุกต์ใช้ตามความเหมาะสม

2. ต่างจากประกาศมาตรฐานเว็บไซต์ สกมช. 2568 อย่างไร?

ประกาศมาตรฐานเว็บไซต์ สกมช. 2568 ประกาศในราชกิจจานุเบกษา เล่ม 142 ตอนพิเศษ 305 ง มีผลบังคับใช้ 16 กันยายน 2569 หน่วยงานรัฐและ CII จะต้องปฏิบัติตาม ส่วนแนวปฏิบัติ AI Security เป็นเพียงคำแนะนำ

3. หน่วยงานที่ไม่ได้ใช้ AI ต้องทำอะไรหรือไม่?

ไม่ต้องดำเนินการใด ๆ ตามแนวปฏิบัตินี้ เนื่องจากเป็นเพียงคำแนะนำสำหรับหน่วยงานที่พัฒนาหรือใช้งานระบบ AI

4. แนวปฏิบัตินี้ครอบคลุม AI ทุกประเภทหรือไม่?

ภัยคุกคามที่ระบุ (Data Poisoning, Model Evasion, Prompt Injection) ครอบคลุมทั้ง Machine Learning แบบดั้งเดิมและ Large Language Models (LLM) แต่ Prompt Injection เป็นภัยคุกคามเฉพาะสำหรับ LLM

---

บริการของ ITSL ที่เกี่ยวข้อง

AI Security Assessment

ประเมินความมั่นคงปลอดภัยของระบบ AI ครอบคลุม Data Poisoning, Model Evasion, Prompt Injection ตามแนวทาง OWASP Top 10 for LLM Applications

→ ดูรายละเอียด Web Pentest

Vulnerability Assessment & Penetration Testing

ทดสอบเจาะระบบรวมถึง API ที่เชื่อมต่อกับโมเดล AI ทีมงานมีใบรับรอง OSCP, OSWE, GPEN

→ ดูรายละเอียด Web Pentest

---