พลิกโฉมธุรกิจ Healthcare ไทยให้ทันสมัย อัจฉริยะ และปลอดภัย ด้วยเทคโนโลยี Federated Learning

โดย อเล็กซิส โครเวลล์ รองประธานและผู้จัดการทั่วไป กลุ่มการขาย การตลาด และการสื่อสาร ประจำภูมิภาคเอเชีย บริษัท อินเทล คอร์เปอเรชั่น

ปัจจุบัน บรรดาโรงพยาบาลชั้นนำระดับสากลในประเทศไทยได้มีโอกาสต้อนรับนักเดินทางจากทั่วโลกที่หลั่งไหลเข้ามาอย่างคึกคักอีกครั้ง โดยเฉพาะกลุ่มลูกค้าที่มองหาบริการการดูแลทางการแพทย์ที่ทันสมัยและเปี่ยมด้วยความเชี่ยวชาญของไทย

อเล็กซิส โครเวลล์ รองประธานและผู้จัดการทั่วไป กลุ่มการขาย การตลาด และการสื่อสาร ประจำภูมิภาคเอเชีย บริษัท อินเทล คอร์เปอเรชั่น

สถานการณ์ดังกล่าวถือเป็นเรื่องน่ายินดีสำหรับอุตสาหกรรมการดูแลสุขภาพ (Healthcare) ของไทย ซึ่งสูญเสียรายได้บางส่วนจากการไม่มีผู้ป่วยต่างประเทศเข้ามาใช้บริการในช่วงแพร่ระบาดโควิด-19 ที่ผ่านมา อย่างไรก็ดี ปัจจุบันผู้ป่วยจากต่างประเทศสามารถเข้าถึงบริการดูแลสุขภาพของไทยได้อีกครั้ง ซึ่งคุณภาพบริการด้านการแพทย์และสาธารณสุขของไทยขึ้นชื่อว่ามีคุณค่ามาตรฐานที่ดีเยี่ยมเมื่อเทียบกับประเทศอื่น ๆ

สิ่งที่เหล่าผู้ให้บริการชั้นนำในอุตสาหกรรมนี้ควรให้ความสำคัญอย่างยิ่งคือ ความก้าวหน้าทางเทคโนโลยีใหม่ ๆ ที่สำคัญ ที่จะช่วยให้ผู้ป่วยมีสุขภาพความเป็นอยู่ที่ดียิ่งขึ้นและส่งเสริมการเติบโตของอุตสาหกรรมได้ในอนาคต

การที่อุตสาหกรรม Healthcare ยุคใหม่นั้นมีความชาญฉลาดมากขึ้นนั้น เป็นผลมาจากเทคโนโลยีปัญญาประดิษฐ์หรือ AI ซึ่งมีแบบจำลองกลไกการเรียนรู้ที่เรียกว่า Machine Learning หรือการให้ระบบคอมพิวเตอร์เรียนรู้ด้วยตัวเอง โดยทำการ “เรียนรู้” เพื่อตัดสินใจตามรูปแบบชุดข้อมูลของผู้ป่วยที่มีจำนวนมหาศาล เทคโนโลยีดังกล่าวช่วยพัฒนาการวินิจฉัยทางการแพทย์ให้มีความถูกต้องแม่นยำยิ่งขึ้น และขับเคลื่อนต่อยอดการวิจัยและพัฒนายาที่จำเป็นต่อการรักษา โดยปัจจุบันมีโรงพยาบาลหลายแห่งในไทยที่เริ่มนำ AI มาใช้ในการวินิจฉัยโรคปอดและมะเร็งเต้านมแล้ว

อย่างไรก็ตาม ในช่วงไม่กี่ปีที่ผ่านมา ผู้เชี่ยวชาญได้ตระหนักว่ากระบวนการพัฒนาแอปพลิเคชัน Machine Learning ตามปกติที่ต้องอาศัยการรวบรวมข้อมูลจากส่วนกลางไม่สามารถตอบโจทย์ได้เพียงพอ เนื่องจากปัญหาด้านความปลอดภัยและความเป็นส่วนตัวที่จำกัดการแบ่งปันข้อมูลส่วนบุคคล ส่งผลต่อประสิทธิภาพของแบบจำลอง Machine Learning ที่จะพัฒนาบริการดูแลสุขภาพ เนื่องจากแบบจำลองที่มีความแม่นยำระดับคลินิกจะต้องอาศัยชุดข้อมูลที่มีขนาดใหญ่ หลากหลาย และได้รับการจัดแบ่งที่เหมาะสมสำหรับการใช้งานเท่านั้น จึงทำให้ AI ยังไม่สามารถยกระดับอุตสาหกรรม Healthcare ให้ก้าวหน้าไปอีกขั้นได้ในตอนนี้

เพื่อทำให้ทุกฝ่ายสามารถเข้าถึงและใช้งาน AI ได้อย่างทั่วถึง และสามารถใช้ประโยชน์จากข้อมูลการดูแลสุขภาพได้เต็มที่ เราจำเป็นต้องมีวิธีการเทรนหรือฝึกแบบจำลอง Machine Learning ให้เกิดกระบวนการเรียนรู้ใหม่ที่ไม่เสี่ยงต่อการรั่วไหลของข้อมูลที่ละเอียดอ่อนออกไปยังภายนอก นอกเหนือไปจากสถาบันที่เป็นผู้ถือครองข้อมูลไว้ ด้วยวิธีการใหม่อย่างการเรียนรู้แบบ Federated Learning

เมื่อกลไกการเรียนรู้ข้อมูลจากส่วนกลาง ไม่สามารถตอบโจทย์ธุรกิจ Healthcare ในระยะยาวได้อีกต่อไป

กลไกที่ให้คอมพิวเตอร์เรียนรู้ข้อมูลจากส่วนกลางหรือ Centralized Learning ถือเป็นบรรทัดฐานในการสร้างแบบจำลอง Machine Learning มายาวนาน ด้วยวิธีการรวบรวมชุดข้อมูลจากหลากหลายสถานที่และอุปกรณ์ต่าง ๆ ส่งไปยังศูนย์ดาต้าเซนเตอร์ที่เป็นส่วนกลาง และเทรนให้แบบจำลอง Machine Learning เรียนรู้ข้อมูลจากส่วนกลาง

ทว่า วิธีนี้มีความเสี่ยงหลายประการ เช่น ข้อมูลที่จัดเก็บในที่เดียวอาจถูกขโมยและถูกเปิดเผยได้ ซึ่งนำไปสู่ความเสียหายมหาศาลที่สถาบันผู้จัดเก็บข้อมูลต้องรับผิดชอบ รวมถึงการที่เจ้าของข้อมูลอาจไม่ต้องการแบ่งปันข้อมูลดิบตั้งแต่แรก และถึงแม้ว่าบางรายอาจเต็มใจให้ใช้ข้อมูลดังกล่าวในการเทรนแบบจำลอง Machine Learning แต่ข้อมูลของพวกเขาอาจมีความละเอียดอ่อนเกินกว่าจะแบ่งปันได้ เป็นต้น

ยิ่งไปกว่านั้น ความกังวลด้านความปลอดภัยและความเป็นส่วนตัวยังทำให้การเปลี่ยนแปลงขนาดแบบจำลอง Machine Learning ทั่วโลกเป็นเรื่องที่ท้าทาย โดยเฉพาะเมื่อต้องรับมือกับคำถามมากมายที่ตามมา ได้แก่ ประเด็นเรื่องการเป็นเจ้าของข้อมูล ทรัพย์สินทางปัญญา และการปฏิบัติตามกฎระเบียบต่าง ๆ เช่น กฎหมายว่าด้วยการควบคุมและการส่งผ่านข้อมูลทางด้านการประกันสุขภาพ (Health Insurance Portability and Accountability Act หรือ HIPAA) ของสหรัฐอเมริกา หรือพระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 ของไทยที่เริ่มใช้เมื่อเดือนมิถุนายน ปี 2565 ที่ผ่านมา

ความกังวลข้างต้นทำให้สถาบันต่าง ๆ เลือกที่จะแบ่งปันข้อมูลน้อยลง ซึ่งเป็นการขัดขวางประสิทธิภาพการเรียนรู้ของแบบจำลอง Machine Learning ในการเรียนรู้จากชุดข้อมูลที่ได้รับจากสถาบันและหน่วยงานต่าง ๆ ทั่วโลก ซึ่งเป็นข้อมูลที่มีความหลากหลายและมีรายละเอียดจำนวนมาก ทำให้แบบจำลอง Machine Learning ไม่สามารถสร้างข้อมูลเชิงลึกที่ถูกต้องและเป็นกลางได้เท่าที่ควร

การเรียนรู้แบบ Federated Learning ช่วยแก้ปัญหาได้อย่างไร

แนวคิดสำคัญเบื้องหลังการเรียนรู้แบบ Federated Learning คือการฝึกฝนแบบจำลอง Machine Learning ด้วยการฝึกให้คอมพิวเตอร์เรียนรู้ข้อมูลของผู้ใช้โดยไม่จำเป็นต้องถ่ายโอนข้อมูลนั้นไปยังส่วนกลางเพียงที่เดียว กล่าวคือ แทนที่เราจะย้ายข้อมูลไปยังส่วนกลางเพียงที่เดียว เราสามารถให้โครงสร้างพื้นฐานที่สถาบันนั้น ๆ เป็นเจ้าของข้อมูลทำการคำนวณข้อมูลได้เลย จากนั้นเซิร์ฟเวอร์ศูนย์รวมส่วนกลางจะรวบรวมข้อมูลเชิงลึกต่าง ๆ จากสถาบันเจ้าของข้อมูลหลาย ๆ รายที่โครงสร้างพื้นฐานเหล่านี้ได้ทำการคำนวณต่อไป

การเรียนรู้แบบ Federated Learning มาจากการฝึกฝนซ้ำ ๆ ผ่านอุปกรณ์ต่าง ๆ โดยไม่มีการยินยอมหรือเปิดเผยข้อมูลตั้งต้นเมื่อข้อมูลอยู่ระหว่างการถ่ายโอน ซึ่งหมายความว่าข้อมูลจะยังคงอยู่กับเจ้าของในขณะที่ถูกนำไปใช้เพื่อสร้างข้อมูลเชิงลึกระดับโลก ตัวแปรหรือมาตรวัดของแบบจำลองต่าง ๆ ที่เกิดจากการฝึกฝนผ่านเจ้าของข้อมูล จะถูกส่งไปยังเซิร์ฟเวอร์กลาง ซึ่งจะผสานรวมข้อมูลเหล่านี้เข้าด้วยกันเพื่อสร้างแบบจำลองระดับสากลตัวถัดไป และแบ่งบันให้กับผู้เกี่ยวข้องทั้งหมดในภายหลัง

ปัจจุบันการเรียนรู้แบบ Federated Learning ได้สร้างผลลัพธ์ที่แตกต่างโดยใช้ AI ที่ล้ำสมัยเพื่อตรวจหาเนื้องอกในสมองได้อย่างแม่นยำมากยิ่งขึ้น โดยตั้งแต่ปี พ.ศ. 2563 อินเทล และมหาวิทยาลัยเพนซิลเวเนีย (Penn Medicine) ได้ร่วมกันศึกษาวิจัยด้านการเรียนรู้แบบ Federated Learning ที่ใหญ่ที่สุดในอุตสาหกรรมการแพทย์ จากการรวบรวมชุดข้อมูลจาก 71 สถาบันทั่วทั้ง 6 ทวีปทั่วโลก ผลวิจัยแสดงให้เห็นถึงศักยภาพของ Federated Learning ในการช่วยพัฒนากระบวนการตรวจหาเนื้องอกในสมองให้มีประสิทธิภาพได้มากขึ้นถึง 33%

สร้างรากฐานการเรียนรู้แบบ Federated Learning ที่แข็งแกร่ง เริ่มต้นที่ความไว้วางใจและปลอดภัย

เนื่องจากความจำเป็นที่ต้องใช้ข้อมูลเป็นจำนวนมาก องค์กรต่าง ๆ จึงจำเป็นต้องมีกลยุทธ์ในการรักษาความปลอดภัยของข้อมูลที่แข็งแกร่ง โดยหัวใจหลักอยู่ที่การเก็บข้อมูลที่สำคัญไว้ในระบบคลาวด์ภายในพื้นที่ที่จำกัดการเข้าถึง หรือที่เรียกกันทั่วไปว่า Trusted Execution Environment (TEE) ซึ่งการปกป้องความเป็นส่วนตัวเช่นนี้มีความสำคัญเพื่อการปกป้องเวิร์กโหลดได้อย่างต่อเนื่องตามระเบียบข้อกำหนดหรือข้อมูลที่มีความละเอียดอ่อนอื่น ๆ ที่อยู่ในเครือข่ายของสมาชิกที่กระจายอยู่ทั่วโลก (Distributed Networks)

ในขณะที่การประมวลผลได้ขยายไปสู่สภาพแวดล้อมที่หลากหลาย ตั้งแต่ภายในองค์กรไปจนถึงโครงสร้างพื้นฐานคลาวด์สาธารณะถึงเอดจ์ (Cloud-to-Edge) องค์กรจำเป็นต้องมีมาตรการควบคุมและป้องกันเพื่อช่วยปกป้องทรัพย์สินทางปัญญารวมถึงข้อมูลเวิร์กโหลดที่มีความละเอียดอ่อนไม่ว่าข้อมูลจะอยู่ที่ใด และเพื่อให้แน่ใจว่าเวิร์กโหลดจากระยะไกลนั้นมีการดำเนินการด้วยรหัสที่ตั้งไว้ นี่คือสิ่งที่การประมวลผลที่เป็นความลับจะเข้ามามีบทบาทสำคัญ การประมวลผลที่เป็นความลับนั้น แตกต่างจากการเข้ารหัสแบบดั้งเดิมของข้อมูล ไม่ว่าข้อมูลนั้นจะอยู่ในพื้นที่จัดเก็บหรืออยู่ระหว่างการถ่ายโอนข้อมูลก็ตาม ต่างต้องอาศัยการใช้งานเทคโนโลยี Trusted Execution Environment (TEE) เพื่อเพิ่มมาตรการป้องกันและรักษาความเป็นส่วนตัวของทั้งรหัสที่จะถูกดำเนินการและข้อมูลที่นำไปใช้งาน ไปพร้อม ๆ กัน

การประมวลผลที่เป็นความลับช่วยให้เราสามารถประมวลผลชุดข้อมูลได้อย่างปลอดภัยมากขึ้นและลดความเสี่ยงของการโจมตีด้วยการแยกรหัสและข้อมูลจากการโจมตีจากภายนอก เทคโนโลยีการประมวลผลที่เป็นความลับที่ได้รับการวิจัยและปรับใช้มากที่สุดในศูนย์ข้อมูลในปัจจุบันคือ Intel® Software Guard Extensions (Intel® SGX) ซึ่งนำเสนอโซลูชันการรักษาความปลอดภัยบนฮาร์ดแวร์ที่ช่วยปกป้องข้อมูลที่ใช้งานผ่านเทคโนโลยีการคัดแยกแอปพลิเคชัน (Application-isolation Technology) เพื่อป้องกันการโจมตีโดยเฉพาะ

ด้วยพื้นฐานการรักษาความปลอดภัยบนฮาร์ดแวร์ เราสามารถยกระดับความแข็งแกร่งของการประมวลผลข้อมูลที่เคยถูกโจมตีมาก่อน ซึ่งไม่เพียงแต่ช่วยป้องกันการโจมตีซอฟต์แวร์เท่านั้น แต่ยังช่วยกำจัดภัยคุกคามต่อข้อมูลที่ใช้งานอีกด้วย องค์กรจึงสามารถวางใจได้ว่าแบบจำลอง Machine Learning สามารถใช้ชุดข้อมูลที่แตกต่างกันได้อย่างปลอดภัยและฝึกฝนอัลกอริทึมในขณะที่ยังคงปฏิบัติตามกฎระเบียบและความปลอดภัยในเวลาเดียวกัน

อนาคตของ Federated Learning

ด้วยการทำให้แบบจำลอง Machine Learning สามารถวิเคราะห์ข้อมูลที่เพียงพอและหลากหลาย โดยเฉพาะข้อมูลที่ปกติไม่สามารถเข้าถึงได้ การเรียนรู้แบบ Federated Learning จึงถือว่ามีศักยภาพอันทรงพลังที่จะช่วยผลักดันให้เกิดความก้าวหน้าครั้งสำคัญในอุตสาหกรรม Healthcare อีกทั้งยังช่วยพัฒนาการวินิจฉัย และช่วยให้ทุกคนสามารถเข้าถึงบริการการดูแลสุขภาพได้อย่างทั่วถึงและเท่าเทียมมากยิ่งขึ้น

การเรียนรู้แบบ Federated Learning มีประสิทธิภาพในการบรรเทาปัญหาที่เกี่ยวข้องกับความเป็นส่วนตัวและความปลอดภัยของข้อมูลได้อย่างชัดเจน เพื่อให้องค์กรสามารถทำงานร่วมกันและแก้ไขปัญหาที่ท้าทายได้ง่ายดายขึ้น ปัจจุบันมีแอปพลิเคชันที่มีศักยภาพการเรียนรู้แบบ Federated Learning ที่ได้ขยายครอบคลุมไปไกลกว่าการดูแลสุขภาพทั่วไปสู่แวดวงนวัตกรรมและเทคโนโลยีใหม่ ๆ หลายด้าน เช่น  อินเทอร์เน็ตออฟติงส์ (Internet of Things: IoT),  ฟินเทค (Fintech) และอื่น ๆ อีกมากมาย

ตอนนี้เราได้แตะแค่เพียงส่วนเสี้ยวหนึ่งของศักยภาพของ Federated Learning เท่านั้น ซึ่งเทคโนโลยีการเรียนรู้ดังกล่าวจะช่วยขับเคลื่อนและผลักดันแอปพลิเคชัน AI ไปอีกระดับในอนาคต

การนำการเรียนรู้แบบ Federated Learning มาปรับใช้ในอุตสาหกรรม Healthcare ของไทยและทั่วโลก จะช่วยยกระดับการดูแลรักษาผู้ป่วยและช่วยชีวิตผู้ป่วยได้มากขึ้น เราตั้งตารอวันที่ผู้นำธุรกิจ Healthcare ของไทยสามารถนำเทคโนโลยีนี้มาใช้เพื่อทำให้ประเทศไทยมีความสำคัญยิ่งขึ้นในฐานะศูนย์กลางด้านบริการสุขภาพที่ยอดเยี่ยมและมีคุณค่ามาตรฐานสำหรับคนไทยและผู้ใช้บริการจากทั่วโลก