AI Hallucination คืออะไร และตรวจคำตอบมั่วก่อนนำไปใช้อย่างไร

AI Hallucination คือคำตอบที่ดูมั่นใจแต่มีข้อเท็จจริง ตัวเลข เหตุผล หรือแหล่งอ้างอิงผิด NIST ใช้คำว่า Confabulation สำหรับผลลัพธ์ Generative AI ที่ผิดหรือขัดแย้งกับ Input และอธิบายว่าเกิดได้ตามธรรมชาติของระบบที่สร้างข้อความจากรูปแบบทางสถิติ จึงแก้ด้วยการสั่ง “ห้ามมั่ว” อย่างเดียวไม่ได้

คำตอบมั่วไม่ได้มีแบบเดียว

แบบ	ตัวอย่าง	วิธีตรวจ
Fact	ชื่อ วันที่ เงื่อนไข ฟีเจอร์ผิด	เปิดแหล่งทางการ
Citation	มี URL/งานวิจัยแต่ไม่มีจริงหรือไม่รองรับ	เปิดอ่านต้นฉบับและหาข้อความ
Calculation	สูตรถูกแต่แทนค่า/หน่วยผิด	คำนวณซ้ำและตรวจหน่วย
Input divergence	สรุปสิ่งที่เอกสารไม่ได้บอก	เทียบ Claim กับหน้าต้นทาง
Internal inconsistency	ต้นตอบอย่าง ท้ายตอบอีกอย่าง	ทำ Claim table และ cross-check
Unwarranted inference	สรุปเจตนา/สาเหตุจากข้อมูลไม่พอ	แยก Fact, assumption, recommendation

งานใดต้องตรวจเข้ม

• การแพทย์ กฎหมาย การเงิน ความปลอดภัย และสิทธิ์ของบุคคล
• ราคา นโยบาย คุณสมบัติ เมนู และเงื่อนไขแพลตฟอร์ม
• ตัวเลข รายงาน KPI และการตัดสินใจใช้งบ
• ชื่อบุคคล องค์กร ผลงาน รางวัล และคำกล่าวอ้าง
• การสรุปเอกสารยาวที่ผู้ใช้ไม่ได้อ่านต้นฉบับ
• คำสั่ง Agent/Automation ที่แก้ข้อมูล ส่งข้อความ หรือใช้เงิน

วิธีตรวจ 6 ขั้น

1. แยก Claim: ขีดทุกประโยคที่ตรวจได้
2. จัดความเสี่ยง: สูง กลาง ต่ำ ตามผลเมื่อผิด
3. หา Source: ใช้แหล่งทางการ/ต้นฉบับก่อน
4. เปิด Source: ไม่เชื่อชื่อหรือ Snippet ให้ตรวจบริบท วันที่ และขอบเขต
5. คำนวณซ้ำ: ตรวจสูตร หน่วย ตัวหาร ช่วงเวลา และข้อมูลขาด
6. ตัดสิน: Verified, Partial, Unsupported, Contradicted หรือ Unknown

Claim Log ตัวอย่าง

Claim	ประเภท	Source	สถานะ	การแก้
แพ็กเกจนี้รองรับฟีเจอร์ X	เปลี่ยนเร็ว	Pricing/Help ทางการ	Partial	ระบุ Plan/Region/Checked date
ยอดโต 25%	Calculation	Dataset + formula	Unsupported	ขอ Baseline และช่วงเวลา
ลูกค้ากลุ่มนี้สนใจราคา	Inference	Interview/CRM	Unknown	แยกสมมติฐานและทดสอบ

Prompt ช่วยลดความเสี่ยงได้ แต่ไม่รับประกันความจริง

• ให้ใช้เฉพาะ Source ที่แนบและอ้างหน้าหรือบรรทัด
• ให้ระบุ “ไม่พบข้อมูล” แทนการเติมช่องว่าง
• แยกข้อเท็จจริง สมมติฐาน และข้อเสนอแนะ
• ขอรายการ Claim ที่ต้องตรวจและเหตุผล
• กำหนดวันที่/พื้นที่/แพ็กเกจสำหรับข้อมูลเปลี่ยนเร็ว
• ให้แสดงสูตรและหน่วยสำหรับตัวเลข

แม้ตั้งกติกาเหล่านี้ AI ยังอาจอ้างหน้าผิด ตีความเกิน หรือคำนวณผิด คนต้องเปิดหลักฐานเองโดยเฉพาะงานผลกระทบสูง

สถานการณ์จำลอง: สรุปรายงานยอดขาย

1. ตรวจว่า Dataset ครบทุกช่องทางและช่วงเวลา
2. นิยาม Revenue, Order, Refund และ Margin
3. ให้ AI สรุป Pattern โดยไม่แต่งสาเหตุ
4. คำนวณยอดรวม/อัตราเปลี่ยนซ้ำด้วย Spreadsheet/SQL
5. แยก Finding จาก Hypothesis
6. ให้เจ้าของข้อมูลยืนยันความผิดปกติ
7. เขียน Recommendation พร้อมข้อจำกัด

เมื่อแหล่งข้อมูลขัดกัน

1. ให้ความสำคัญกับต้นฉบับและแหล่งทางการ
2. ตรวจวันที่ Version, Region และ Scope
3. ดูว่าแต่ละแหล่งตอบคนละนิยามหรือไม่
4. ระบุความขัดแย้ง ไม่เลือกคำตอบที่สะดวก
5. หากยังสรุปไม่ได้ ให้เขียน Unknown และสิ่งที่ต้องตรวจต่อ

ออกแบบ Review ตามความเสี่ยง

ความเสี่ยง	ตัวอย่าง	Review
ต่ำ	ไอเดียหัวข้อจากข้อมูลสาธารณะ	ผู้สร้างงานตรวจ
กลาง	เนื้อหาธุรกิจ รายงานภายใน	เจ้าของงาน + Source check
สูง	สิทธิ์ สุขภาพ เงิน บุคลากร กฎหมาย	ผู้เชี่ยวชาญ/ผู้มีอำนาจ + audit trail
อัตโนมัติ	ระบบส่ง/แก้/จ่าย	Pre-deployment test, approval, monitoring, kill switch

ตัวชี้วัดคุณภาพ

• Claim verification pass rate
• Unsupported citation rate
• Calculation error rate
• Reviewer correction time
• ความผิดที่หลุดถึงผู้ใช้และระดับผลกระทบ
• คำตอบ “ไม่ทราบ/ต้องตรวจ” ที่เหมาะสม
• Incident และการเกิดซ้ำหลังแก้

ข้อผิดพลาดที่พบบ่อย

• เชื่อเพราะภาษาดูเป็นมืออาชีพ
• เชื่อ Citation โดยไม่เปิด
• ให้ AI ตรวจคำตอบของตัวเองด้วย Prompt เดิมอย่างเดียว
• ใช้หลายโมเดลตอบตรงกันเป็นหลักฐาน
• ทดสอบด้วยตัวอย่างง่ายแต่ใช้จริงกับเคสยาก
• แก้คำผิดแต่ไม่แก้ Workflow ที่ปล่อยผ่าน
• ไม่บันทึก Model/Source/Date เมื่อผลมีผลกระทบ

Checklist ก่อนนำคำตอบไปใช้

• แยก Claim และระดับความเสี่ยงแล้ว
• เปิด Source ต้นฉบับจริง
• ตรวจ Date, Version, Region และ Scope
• คำนวณซ้ำด้วยวิธีอิสระ
• แยก Fact, Assumption และ Recommendation
• ระบุข้อมูลขาดและข้อจำกัด
• ผู้รับผิดชอบอนุมัติตามระดับผลกระทบ
• มีวิธีแก้/ย้อนกลับเมื่อใช้ผิด

คำถามที่พบบ่อย

AI ตัวใหม่จะไม่ Hallucinate แล้วหรือไม่

ความสามารถอาจดีขึ้นตามรุ่นและงาน แต่ไม่มีเหตุผลให้ถือว่าคำตอบจริงทุกข้อ ต้องทดสอบกับ Use Case และข้อมูลของตนพร้อม Review ตามผลกระทบ

ให้ AI ค้นเว็บแล้วเชื่อได้หรือไม่

การค้นช่วยให้มีแหล่ง แต่ระบบยังเลือกแหล่งไม่เหมาะ ตีความผิด หรืออ้างข้อความที่ไม่รองรับได้ ต้องเปิด Citation และตรวจบริบทเอง

แหล่งอ้างอิง

• NIST AI 600-1: Generative AI Profile
• NIST AI RMF Core
• NIST AIRC Technical Reports

ผู้เขียน: อาจารย์หลิง ณิชชา ทัตพงษ์พฤธา ผู้ก่อตั้ง AJLinkOfficial และบริษัท อินดิจิทัล จำกัด เรียบเรียงเรื่อง AI และ Digital Marketing ให้เชื่อมกับการตัดสินใจและการทำงานของธุรกิจ