จากตอนที่แล้ว เราเห็นภาพชัดเจนแล้วว่า ตัวสมองกลที่เราคุยด้วย มันทำหน้าที่เหมือน CPU ในคอมพิวเตอร์ คือเป็น "ส่วนคิดที่ไม่ได้รับหน้าที่จดจำบทสนทนาข้ามรอบ" (Stateless) รับข้อมูลเข้ามา ประมวลผลสร้างคำตอบเสร็จ ก็จบงานในรอบนั้นทันที
แต่พอเราเดินเข้าสู่ตลาด AI ในชีวิตจริง เพื่อจะเลือกหยิบเจ้าสมองกลตัวนี้มาใช้งาน... สิ่งแรกที่ทุกคนต้องเจอเหมือนกันหมด คือความรู้สึก "ตาลาย" ครับ!
ไม่ว่าจะเป็น Google, OpenAI, Anthropic หรือค่ายอื่น ๆ แต่ละค่ายต่างก็ขนชื่อโมเดลออกมาเต็มไปหมด มีทั้ง Pro, Flash, Plus, Mini, Sonnet, Haiku...
หลายคนพอเห็นชื่อเยอะขนาดนี้ ก็เริ่มกังวลว่า:
“เราต้องไปเปิดตำราเรียนไหมว่าข้างในมันทำงานอย่างไร? ตัวที่แพงที่สุด ต้องฉลาดที่สุดเสมอไปจริงหรือเปล่า? แล้วถ้าเราจะเอามาทำงานจริง เราควรเลือกตัวไหน?”
วันนี้ ผมอยากชวนทุกคนมามองเรื่องนี้ด้วยสายตาของ "คนใช้งานจริง" ที่เรียบง่ายที่สุดกันครับ
มองมันเป็น "กล่องดำ" (Black Box) ก็พอ... ไม่ต้องไปแกะไส้ในให้ปวดหัว!
สิ่งแรกที่ผมอยากบอกทุกคนเพื่อให้สบายใจที่สุดก็คือ:
สำหรับพวกเราในฐานะคนใช้งาน... ให้มองสมองกล AI เป็น "กล่องดำ" (Black Box) เหมือนเดิมต่อไปเถอะครับ!
เราไม่ต้องไปเสียเวลาแกะดูหรอกครับว่า ข้างในกล่องดำกล่องนี้ วิศวกรเขาเอาสูตรคณิตศาสตร์กี่หมื่นล้านฟันเฟือง หรือเอาโครงข่ายประสาทเทียมแบบไหนไปยัดไว้ข้างใน เพราะความเป็นจริงคือ คนใช้งานทั่วไปรวมถึงคนสร้างระบบส่วนใหญ่ ไม่จำเป็นต้องรู้เรื่องนั้นเลยแม้แต่น้อยครับ!
สิ่งที่เราต้องสนใจจริง ๆ มีแค่สิ่งที่อยู่ "ภายนอกกล่องดำ" ซึ่งส่งผลกระทบต่อชีวิต การทำงาน และเงินในกระเป๋าของเราโดยตรง 4 เรื่องนี้เท่านั้นครับ:
4 เรื่องจริงของสมองกล ที่ส่งผลต่อการเลือกใช้และกระเป๋าเงินเรา
1. Model มีหลายค่าย และแต่ละค่ายมี Model หลายระดับ
ในโลกความจริง สมองกลไม่ได้มีแค่เจ้าเดียว และไม่ได้มีแค่ขนาดเดียว:
- มีหลายค่ายผู้ผลิต: เช่น Google, OpenAI, Anthropic หรือกลุ่มโมเดลเปิด (Open Source) ที่ใคร ๆ ก็ดาวน์โหลดมาใช้งานได้
- และแต่ละค่ายก็แบ่ง Model ออกเป็นหลายระดับ:
- มีตั้งแต่ รุ่นเล็ก/รุ่นกลาง (มักจะตั้งชื่อลงท้ายว่า Mini, Flash, Haiku, หรือลงท้ายด้วย 7B, 8B)
- ไปจนถึง รุ่นใหญ่ระดับเรือธง (มักจะมีคำว่า Pro, Plus, Opus, หรือตัวเลขใหญ่ ๆ อย่าง 70B ขึ้นไป)
2. ความถนัดและความสามารถ "ไม่เหมือนกัน" ขึ้นอยู่กับผู้พัฒนาสร้างมันมา
กล่องดำแต่ละกล่อง ไม่ได้มีความสามารถเท่ากันไปหมดทุกอย่างครับ:
- บางตัวสร้างมาเพื่อความคล่องตัวและรวดเร็ว: ถามอะไรไป ตอบกลับมาไวปานสายฟ้า ทำตามคำสั่งพื้นฐาน สรุปความ หรือเขียนบทความทั่วไปได้อย่างยอดเยี่ยม
- บางตัวสร้างมาเพื่อคิดตรรกะลึกซึ้ง: ถูกฝึกมาเป็นพิเศษให้หยุดคิดในใจก่อนตอบ เหมาะกับการแก้โจทย์คณิตศาสตร์ วิเคราะห์ข้อมูลซับซ้อน หรือช่วยเขียนโค้ดโปรแกรม
- บางตัวเพิ่มประสาทสัมผัสพิเศษ: ไม่ได้อ่านได้แค่ตัวหนังสือ แต่ผู้พัฒนาใส่ "ตา" และ "หู" เข้าไปด้วย ทำให้มันสามารถดูรูปภาพ อ่านตารางกราฟ หรือฟังเสียงได้ (ที่วงการเขาเรียกกันว่า
Multimodal)
จุดสำคัญคือ: ตัวที่ใหญ่กว่าหรือแพงกว่า ไม่ได้แปลว่าจะเก่งกว่าในทุกงานเสมอไปครับ! มันขึ้นอยู่กับว่าผู้สร้างเขาเทรนมันมาให้เก่งเรื่องอะไร
3. ราคาคิดไม่เท่ากัน... และมีผลโดยตรงกับ "กระเป๋าเงิน" ของเรา!
นี่คือเรื่องที่ผมให้ความสำคัญที่สุดในฐานะคนทำระบบครับ:
ผู้ให้บริการแต่ละค่าย เขาคิดเงินค่ามิเตอร์โทเคน (Token) ของโมเดลแต่ละระดับ ต่างกันลิบลับ! โมเดลรุ่นใหญ่ระดับท็อป ค่าบริการอาจแพงกว่ารุ่นเล็กถึง 5 เท่า 10 เท่า หรือบางครั้งต่างกันเป็น 20 เท่าตัว!
ลองคิดภาพตามดูนะครับ: ถ้าเราแค่ต้องการให้ AI ช่วยร่างอีเมลสั้น ๆ หรือช่วยเกลาบทความประจำวัน แต่เรากลับไปกดเลือกใช้โมเดลตัวท็อปราคาแพงที่สุด... มันก็ไม่ต่างอะไรกับการที่เรา สตาร์ตรถพ่วง 18 ล้อ เพื่อขับไปซื้อเต้าหู้ไข่หน้าปากซอย! งานน่ะสำเร็จเหมือนกันครับ แต่น้ำมันและเงินในกระเป๋าเราจะรั่วไหลโดยใช่เหตุ
หมายเหตุจากใจคนทำงาน: เรื่อง Frontier Model กับโควตาที่หายวูบ!
หลายคนอาจจะถามว่า: “แล้วพวก Frontier Model (โมเดลตัวท็อปแถวหน้าสุดของวงการ) ล่ะ ได้เอามาลองเทียบดูบ้างไหม?”
ผมขอบอกตามตรงจากใจเลยครับว่า... ผมไม่ได้ลองพวก Frontier Model มากนักหรอกครับ เพราะพอเผลอกดไปทีไร โควตาหายวูบ จนแทบไม่มีสติเหลือมานั่งวิเคราะห์ความคุ้มค่าเลยครับ! 5555
สำหรับคนทำงานจริงที่ต้องทดสอบและหมุนรอบแก้งานวันละหลายสิบรอบ การรักษาโควตาและคุมงบประมาณให้อยู่หมัด เป็นสิ่งสำคัญอันดับแรกสุดเลยครับ
4. เรื่องความปลอดภัย... กฎเหล็กคือ "ข้อมูลส่งออกไปแล้วถือว่าแล้วกันไป เพราะผมไม่ไว้ใจค่ายไหน 100% ทั้งนั้น!"
อีกเรื่องหนึ่งที่คนมักมองข้าม คือเรื่อง ความปลอดภัยและความเป็นส่วนตัวของข้อมูล (Security & Privacy) ครับ
สำหรับผมในฐานะคนทำระบบ ผมมีกฎเหล็กส่วนตัวข้อหนึ่งที่ยึดถือเสมอ:
“ข้อมูลอะไรก็ตามที่หลุดออกจากเครื่องเรา วิ่งผ่านสายอินเทอร์เน็ตเข้าไปในกล่องดำของค่ายไหนก็ตาม...
ให้ถือว่า 'แล้วกันไป' เลยครับ! เพราะสำหรับผม ผมไม่เคยเชื่อใจค่ายไหนแบบ 100% ทั้งสิ้น!”
ในมุมของคนทำงานจริง เรื่องความปลอดภัยของโมเดลมี 3 มุมสำคัญที่เราต้องรู้เท่าทัน:
- เรื่องการนำข้อมูลไปใช้ (และวินัยระวังตัวแบบ Zero-Trust): ในทางกฎหมายและข้อตกลง บริการแต่ละประเภทมีเงื่อนไขต่างกันครับ หน้าเว็บแชตฟรีทั่วไปมักมีเงื่อนไขนำบทสนทนาไปเป็นอาหารฝึก AI รุ่นถัดไป ขณะที่บริการแบบเสียเงินระดับองค์กรหรือการเชื่อมต่อผ่าน API ผู้ให้บริการส่วนใหญ่จะมีมาตรการคุ้มครองความปลอดภัยและระบุในสัญญาชัดเจนว่าไม่นำข้อมูลของลูกค้าไปเทรนโมเดลต่อ... แต่ในมุมของคนทำงานจริง ต่อให้สัญญาจะเขียนไว้อย่างไร เราควรยึดหลัก Zero-Trust สำหรับการระวังตัวของเราเองไว้เสมอ คือคิดเสียว่าข้อมูลอะไรที่วิ่งออกจากเครื่องเราไปแล้ว เราควบคุมไม่ได้ 100% กฎที่ดีที่สุดคือ อย่าส่งรหัสผ่าน เลขบัญชี ความลับทางการค้า หรือข้อมูลส่วนบุคคลที่อ่อนไหวเข้าไปในโมเดลบนคลาวด์เด็ดขาด!
- ที่ตั้งเซิร์ฟเวอร์และข้อกฎหมาย (Data Sovereignty): โมเดลในตลาดมีทั้งค่ายฝั่งอเมริกา ฝั่งจีน ฝั่งยุโรป หรือโมเดลเปิด ข้อมูลของเราวิ่งข้ามพรมแดนไปเก็บหรือประมวลผลที่ไหน อยู่ใต้กฎหมายของรัฐบาลใด เราต้องตระหนักรู้ไว้เสมอครับ
- ระแวงเกินเหตุจนทำงานไม่ได้ (ทั้งจากตัวโมเดลและนโยบายของเราเอง!): นี่คืออีกด้านหนึ่งของเหรียญที่ต้องเตือนสติกันไว้ ไม่ให้ความกลัวกลายมาเป็นอุปสรรคในการทำงาน:
- ฝั่งโมเดล: บางค่ายถูกใส่ตัวกรองความปลอดภัย (Safety Filter) มาหนาแน่นเกินเหตุ สั่งให้อ่านบทความหรือวิเคราะห์ตรรกะธรรมดาก็ตกใจ ขึ้นตัวแดงบอกว่า "ขออภัย ไม่สามารถตอบได้เนื่องจากนโยบายความปลอดภัย" จนคนทำงานปวดหัว เพราะมันปลอดภัยจนไม่ยอมทำงานให้เรา
- ฝั่งองค์กรหรือตัวเรา: บ่อยครั้งความกลัวข้อมูลหลุดไม่ได้มาจากโมเดล แต่มาจาก นโยบาย (Company Policy) ของบริษัทเราเอง หรือความระแวงส่วนตัวที่ตั้งการ์ดสูงจนออกกฎห้ามแตะต้อง AI เลยแม้แต่ตัวอักษรเดียว สุดท้ายเราก็กลายเป็นคนที่ ไม่ได้ใช้ประโยชน์จากพลังของ AI เลยแม้แต่น้อย!
ทางออกของคนทำงานจริง ไม่ใช่การกลัวจนเป็นอัมพาต แต่คือ "การคัดกรองข้อมูลก่อนส่ง (Data Sanitization)":
- งานคิด งานเขียน ร่างโครงสร้าง เกลาภาษา หรือตรรกะทั่วไป → ปล่อยให้ AI ช่วยเต็มที่ ทุ่นแรงเราได้มหาศาล
- ข้อมูลความลับจริง ๆ รหัสผ่าน เลขบัญชี หรือชื่อบุคคล → ตัดทิ้ง หรือแทนที่ด้วยข้อมูลสมมุติ (Mock Data / Placeholder) ก่อนส่งเสมอ เราต้องระวังตัวแบบมีสติ รู้วิธีคัดกรอง และไม่ปล่อยให้ความกลัวมาปิดกั้นโอกาสในการทำงานครับ!
บทเรียนจริงของผม: ไม่ยึดติดกับโมเดลหรือค่าย... แต่ยึดติดกับ "ต้นทุน"!
บางคนอาจจะคิดว่า คนที่คลุกคลีกับการทำระบบ AI จะต้องมี "โมเดลในดวงใจ" หรือเป็นสาวกค่ายใดค่ายหนึ่งเป็นพิเศษ...
ถ้าถามผม ผมขอบอกตรง ๆ จากใจคนทำงานเลยครับ:
“ผมไม่เคยยึดติดกับชื่อโมเดล และไม่เคยยึดติดกับค่ายไหนเลยครับ...
สิ่งเดียวที่ผมยึดติดจริง ๆ คือ ‘ต้นทุน’ ต่างหาก!”
ในชีวิตการทำงานจริงของผม ผมไม่ได้ผูกชีวิตไว้กับค่ายไหนเลย ในกล่องเครื่องมือที่ผมหยิบมาสลับใช้งานอยู่เป็นประจำ มีสารพัดตัวเลือกตามหน้างานจริง เช่น:
GPT6-LunaGemini FlashDeepseek V4 FlashGLM 5.3 FlashMuse Spark 1.3- และยังมีตัวช่วยตรวจทานอย่าง
Sol
สังเกตอะไรไหมครับ? แทบทุกตัวในรายชื่อประจำตัวของผม มักจะมีคำว่า Flash, Spark, หรือ Luna ซึ่งเป็นรุ่นกะทัดรัดที่เน้น "ความเร็ว ความคล่องตัว และต้นทุนที่ต่ำมาก"
เบื้องหลังงานจริง: แบ่งหน้าที่ให้ตรงกับความถนัด
ยกตัวอย่างให้เห็นภาพชัดที่สุด เช่น งานเขียนหนังสือของครอบครัวเรานี่แหละครับ!
แทนที่ผมจะโยนงานทั้งหมดให้โมเดลตัวใหญ่ตัวเดียวทำตั้งแต่สากกะเบือยันเรือรบ ผมกลับกระจายงานตามความถนัดของโมเดลแต่ละตัวอย่างเป็นระบบ:
Gemini Flash: ผมมอบหน้าที่ให้ "จัดการเนื้อหา" คลี่คลายประเด็น ยกร่าง และร้อยเรียงเรื่องเล่า เพราะมันตอบไว กระชับ และทำตามวินัยที่เราวางไว้ได้เป๊ะมากMuse Spark 1.3: พอเนื้อหาจบ ผมส่งต่อให้รับหน้าที่ "จัดหน้าเว็บ" แปลงต้นฉบับข้อความให้ออกมาเป็นหน้าเว็บที่สวยงามและอ่านง่ายGPT6-LunaหรือSol: รับหน้าที่เป็นสายตรวจคอย "ช่วย Review" สแกนหาจุดสะดุด ตรวจความถูกต้อง และให้ความเห็นเพื่อนำมาขัดเกลาให้สมบูรณ์
เห็นไหมครับว่า พอเราเข้าใจความต่างและเลือกเครื่องมือให้ตรงจุด:
- งานเดินไวและมีคุณภาพสูง: แต่ละตัวทำงานที่ตัวเองถนัดที่สุด
- และที่สำคัญที่สุด... "กระเป๋าไม่ฉีก!": เพราะทุกตัวเป็นรุ่นที่ค่าบริการประหยัดมาก ทำให้ผมมีอิสระในการสั่งรัน ส่งแก้ และทดสอบหมุนรอบการทำงานซ้ำ ๆ ได้เป็นร้อยรอบโดยไม่ต้องมานั่งกังวลตัวเลขในบิลสิ้นเดือนเลยครับ
(ส่วนคำถามว่า แล้วผมไปเชื่อมต่อ จ่ายเงิน หรือสั่งการกองทัพโมเดลหลากหลายค่ายพวกนี้ให้ทำงานประสานกันผ่านช่องทางไหน... ผมขออุบไว้ก่อน แล้วจะพาไปเปิดให้ดูเต็ม ๆ ในบทเรื่อง Harness นะครับ!)
หัวใจสำคัญของคนทำงานจริง: Fit-for-Purpose (เลือกเครื่องมือให้เหมาะกับงานและเงินในกระเป๋า)
ความฉลาดในการใช้ AI ไม่ได้วัดกันที่ว่าเราใช้โมเดลตัวแพงที่สุดของค่ายไหน
แต่วัดกันที่ว่า "เราคุมต้นทุนได้ดีแค่ไหน และได้ผลงานตามเป้าหมายโดยที่กระเป๋าไม่ฉีกหรือไม่" ต่างหากครับ!
💡 บทขยายสำหรับคนที่อยากรู้ลึก (Optional Deep Dive)
(สำหรับใครที่แค่อยากใช้งานอย่างสบายใจ สามารถข้ามส่วนนี้ไปได้เลยนะครับ! แต่ถ้าใครสงสัยว่าศัพท์เทคนิคที่คนในวงการเขาชอบพูดกันมันคืออะไร ผมสรุปให้ฟังแบบสั้นที่สุด 3 บรรทัดครับ)
- Parameter (พารามิเตอร์): คือจำนวนจุดเชื่อมโยงหรือฟันเฟืองข้างในกล่องดำ ยิ่งตัวเลขเยอะ (เช่น 70B = 7 หมื่นล้านจุด) สมองก็ยิ่งใหญ่และจุความรู้ได้เยอะ แต่ก็กินพื้นที่และค่าไฟมหาศาล ส่วนตัวเลขน้อย (เช่น 7B, 8B ที่มักเรียกว่า
SLM— Small Language Model) ก็จะกินทรัพยากรน้อย คล่องตัว และประหยัด - Base Model vs Instruction-Tuned: ตอนสร้างเสร็จใหม่ ๆ โมเดลจะอ่านหนังสือมาทั้งโลกแต่คุยไม่รู้เรื่อง เรียกว่า
Base Model(ทำเป็นแค่เดาคำต่อเรื่อยเปื่อย) ผู้พัฒนาต้องนำมาฝึกอบรมมารยาทการเป็นผู้ช่วยก่อน เรียกว่าInstruction-Tunedถึงจะกลายร่างเป็นแชตบอตที่ตอบคำถามรู้เรื่องแบบที่เราใช้กัน - Reasoning Model: คือโมเดลที่ถูกฝึกมาเป็นพิเศษให้ "หยุดคิดในใจและทดเลขทีละขั้น" ก่อนตอบ เหมาะกับโจทย์คณิตศาสตร์หรือตรรกะที่ซับซ้อนมาก ๆ
บทสรุปขององค์ที่ 1 และประตูสู่ความจริงบานใหม่
เมื่ออ่านมาถึงตรงนี้... พวกเราได้ร่วมกันสำรวจ องค์ที่ 1: งัดฝากระโปรง WebChat และทำความเข้าใจสมองกล จนครบถ้วนทุกชิ้นส่วนแล้วครับ:
- เรารู้จักหน้ากากหน้าร้าน (Chat UI) และการส่งตัวหนังสือแบบสายน้ำ (Streaming)
- เรารู้จักข้อมูลนำเข้า (Prompt) และความจริงที่ว่าโมเดลทำหน้าที่แค่สร้างคำตอบ (Completion)
- เรารู้จักมิเตอร์นับข้อมูล (Token)
- เรารู้จักธรรมชาติของสมองกลที่คิดเป็นรอบ ๆ ไร้ความทรงจำเดิม (Stateless)
- และเรารู้จักการเลือกขนาดสมองกลให้ตรงกับงานและสบายกระเป๋า (Fit-for-Purpose)
แต่ก่อนที่เราจะก้าวต่อไป... ผมมี "ปริศนาข้อใหญ่ที่สุด" ที่อยากทิ้งไว้ให้ทุกคนช่วยกันคิดครับ:
“ในเมื่อเรารู้ความจริงแล้วว่า... ตัวสมองกล (Model) ข้างในกล่องดำ มันเป็นคนขี้ลืม ตอบเสร็จก็ลืมทันที (Stateless)...
แล้วทำไมในโลกความเป็นจริง เราถึงเปิดหน้าจอคุยกับมันต่อเนื่องได้เป็นชั่วโมง?
ใครเป็นคนคอยจำประวัติการสนทนาข้ามวันให้เรา?
ใครเป็นคนคอยแอบเปิดตู้เอกสาร เอาคู่มือบริษัทมาแนบส่งให้โมเดลอ่าน?
และใครเป็นคนคอยตั้งกฎเหล็ก คอยบังเหียนไม่ให้โมเดลตอบนอกลู่นอกทาง?”
คำตอบทั้งหมดนี้... ไม่ได้อยู่ที่ตัวสมองกลครับ! แต่มันอยู่ใน "เครื่องจักรพยุงชีพหลังม่าน" ที่คอยดูแลกำกับสมองกลตัวนี้อยู่อีกชั้นหนึ่ง
เตรียมตัวให้พร้อมครับ แล้วเราจะก้าวเข้าสู่ องค์ที่ 2: กำเนิด Harness พร้อมกันในตอนต่อไป!
ศัพท์เทคนิค → คำแปลภาษาคนทำงาน — แตะเพื่อย่อ/ขยาย
- Model Tiers (ระดับของโมเดล): การแบ่งระดับของโมเดลในแต่ละค่าย ตั้งแต่รุ่นกะทัดรัด (Mini, Flash, Haiku) ที่เน้นความเร็วและประหยัด ไปจนถึงรุ่นเรือธง (Pro, Plus, Opus) ที่เน้นงานยากซับซ้อน
- Multimodal: ความสามารถพิเศษของโมเดลยุคใหม่ที่มีประสาทสัมผัสหลายด้าน สามารถรับข้อมูลเป็นรูปภาพ เสียง หรือวิดีโอ เข้ามาประมวลผลร่วมกับตัวหนังสือได้
- Fit-for-Purpose: หลักการเลือกใช้โมเดลให้เหมาะสมกับระดับความยากของงาน โดยคำนึงถึงผลลัพธ์ ความเร็ว และความคุ้มค่าของเงินในกระเป๋าเป็นหลัก
หลักคิดเชิงสถาปัตยกรรม — แตะเพื่อย่อ/ขยาย
- ยึดหลัก Black Box สำหรับผู้ใช้งาน: ผู้ใช้และผู้ออกแบบระบบไม่จำเป็นต้องรู้โครงสร้างสมการคณิตศาสตร์ภายในกล่องดำ ให้โฟกัสที่ Input ขาเข้า, Output ขาออก, ความเร็ว, และราคาต่อรอบ
- ไม่ยึดติดกับค่ายหรือโมเดล แต่ยึดติดกับต้นทุนและความคุ้มค่า: คนทำระบบที่มีวินัยจะไม่เป็นสาวกค่ายไหน แต่มีตัวเลือกพร้อมสลับเสมอ งานเขียนหรืองานระบบที่มีการจัดเตรียมข้อมูลอย่างดี โมเดลระดับประหยัดหรือระดับกลางที่มีวินัยและรวดเร็ว (เช่น ตระกูล Flash, Mini ฯลฯ) มักให้ความคุ้มค่าและเปิดโอกาสให้เราทดลองหมุนรอบการทำงานได้หลายสิบรอบโดยที่งบไม่บานปลายครับ
- Zero-Trust และวินัยเรื่องความปลอดภัย — ข้อมูลส่งออกไปแล้วถือว่าแล้วกันไป: แม้บริการระดับ API หรือ Enterprise จะมีสัญญาคุ้มครองไม่นำข้อมูลไปเทรนโมเดล แต่คนทำงานจริงควรยึดหลักระวังตัวแบบ Zero-Trust เสมอ ข้อมูลสำคัญ รหัสผ่าน หรือความลับสุดยอดต้องไม่ส่งขึ้นคลาวด์ ขณะเดียวกันก็ต้องไม่ระแวงหรือติดหล่มนโยบายจนทำงานไม่ได้ แต่ใช้การ "คัดกรองข้อมูลก่อนส่ง (Data Sanitization)" เพื่อให้ได้ประโยชน์จาก AI เต็มที่ครับ