ບົດຄວາມນີ້ມີຈຸດປະສົງເພື່ອໃຫ້ຂໍ້ມູນເທົ່ານັ້ນ ແລະ ບໍ່ໄດ້ຖືເປັນການແນະນຳດ້ານກົດໝາຍ ຫຼື ການປະຕິບັດຕາມກົດລະບຽບສະເພາະໃດໜຶ່ງ. ໃນການປະຕິບັດຕົວຈິງ, ຄວນອີງໃສ່ຂໍ້ມູນຫຼ້າສຸດທີ່ປະກາດໂດຍອົງການກຳກັບດູແລຂອງແຕ່ລະປະເທດ ແລະ ການຢືນຢັນຈາກຜູ້ຊ່ຽວຊານເປັນຫຼັກ.

RegTech AI Agent ແມ່ນຮູບແບບການນຳໃຊ້ AI ເພື່ອຈັດການວຽກງານການລາຍງານດ້ານກົດລະບຽບຂອງສະຖາບັນການເງິນແບບເຄິ່ງອັດຕະໂນມັດ ໃນຂົງເຂດການປະຕິບັດຕາມກົດລະບຽບ (RegTech = Regulatory Technology). ຂະບວນການພື້ນຖານຄື AI ຈະຮັບຜິດຊອບຕັ້ງແຕ່ການເກັບກຳຂໍ້ມູນລາຍງານ, ການຈັດຮູບແບບ, ການກວດສອບ, ຈົນເຖິງການຮ່າງເອກະສານ, ຫຼັງຈາກນັ້ນຈຶ່ງຜ່ານການອະນຸມັດຈາກບຸກຄະລາກອນກ່ອນຈະສົ່ງໃຫ້ອົງການກຳກັບດູແລ.

ການລາຍງານດ້ານກົດລະບຽບແບບດັ້ງເດີມ ແມ່ນເນັ້ນໃສ່ຂະບວນການທີ່ແຕ່ລະພະແນກຕ້ອງເກັບກຳຂໍ້ມູນດ້ວຍຕົນເອງ, ຄັດລອກຂໍ້ມູນລົງໃນຊອບແວຕາຕະລາງຄຳນວນ ຫຼື ເຄື່ອງມືສະເພາະທາງ, ແລະ ໃຫ້ພະນັກງານກວດສອບດ້ວຍສາຍຕາກ່ອນສົ່ງ. ເມື່ອປະລິມານຂໍ້ມູນເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ ແລະ ມີການແກ້ໄຂກົດລະບຽບເລື້ອຍໆ, ຈຶ່ງເຮັດໃຫ້ຄວາມສ່ຽງດ້ານແຮງງານ ແລະ ຄວາມຜິດພາດເພີ່ມສູງຂຶ້ນ.

ໃນລະບົບທີ່ເນັ້ນການເຮັດວຽກດ້ວຍມື, ພາລະງານຈະໄປກະຈຸກຕົວຢູ່ໃນຊ່ວງປິດງົບການເງິນ ຫຼື ຊ່ວງກຳນົດເວລາສົ່ງລາຍງານ, ເຊິ່ງເຮັດໃຫ້ການກວດສອບກາຍເປັນພຽງຮູບແບບ ແລະ ເພີ່ມຄວາມສ່ຽງທີ່ຈະເບິ່ງຂ້າມຄວາມຜິດພາດ. RegTech ເປັນເທັກໂນໂລຊີທີ່ຊ່ວຍອັດຕະໂນມັດວຽກງານທີ່ຊ້ຳຊາກເຫຼົ່ານີ້, ເຮັດໃຫ້ພະນັກງານສາມາດສຸມໃສ່ການກວດສອບ ແລະ ການຕັດສິນໃຈໄດ້ຫຼາຍຂຶ້ນ, ລວມທັງຍັງຊ່ວຍໃນການກະຈາຍພາລະງານໃນຊ່ວງເວລາທີ່ມີວຽກໜັກອີກດ້ວຍ.

AI ເອເຈນ (AI Agent) ມີຈຸດເດັ່ນຢູ່ທີ່ການບໍ່ໄດ້ປະຕິບັດພຽງແຕ່ຂະບວນການດຽວເທົ່ານັ້ນ ແຕ່ຍັງສາມາດເຊື່ອມໂຍງຫຼາຍຂັ້ນຕອນເຂົ້າດ້ວຍກັນຢ່າງອິດສະຫຼະເພື່ອດຳເນີນຂະບວນການເຮັດວຽກ. ໃນການລາຍງານກົດລະບຽບ, ເອເຈນຈະເປັນຕົວຂັບເຄື່ອນຂະບວນການຕ່າງໆ ເຊັ່ນ: ການດຶງຂໍ້ມູນ → ການລວມ ຫຼື Merge ແລະ ການຈັດຮູບແບບຂໍ້ມູນ → ການກວດສອບຕາມກົດລະບຽບ → ການສ້າງຮ່າງບົດລາຍງານ → ການສົ່ງຄຳຮ້ອງຂໍໃຫ້ຜູ້ຮັບຜິດຊອບກວດສອບ.

ໃນຂະນະທີ່ລະບົບອັດຕະໂນມັດແບບກົດລະບຽບໃນເມື່ອກ່ອນ (ເຊັ່ນ RPA) ມີຄວາມໂດດເດັ່ນໃນການປະຕິບັດຕາມຂັ້ນຕອນທີ່ກຳນົດໄວ້, AI ເອເຈນມີຄວາມແຕກຕ່າງກັນກົງທີ່ສາມາດຮັບມືກັບສະຖານະການທີ່ຍົກເວັ້ນໄດ້ ເຊັ່ນ: ຂໍ້ມູນຂາດຫາຍ ຫຼື ຮູບແບບຂໍ້ມູນທີ່ບໍ່ຄົງທີ່ ໂດຍພິຈາລະນາຈາກບໍລິບົດ. ຢ່າງໃດກໍຕາມ, ຍ້ອນຄວາມຍືດຫຍຸ່ນດັ່ງກ່າວ, ການຮັບປະກັນຄວາມສາມາດໃນການກວດສອບຜົນລັພທີ່ໄດ້ອອກມາ ຈຶ່ງກາຍເປັນຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ໃນການອອກແບບ.

ທັງນີ້, ຫຼັກການພື້ນຖານແມ່ນການຕັດສິນໃຈຂັ້ນສຸດທ້າຍໃນການຍື່ນເອກະສານຕ້ອງເປັນໜ້າທີ່ຂອງມະນຸດ. AI ເຮັດໜ້າທີ່ພຽງແຕ່ສະໜັບສະໜູນການເຮັດວຽກແບບປົກກະຕິໃຫ້ເປັນອັດຕະໂນມັດ ແລະ ກວດຈັບຄ່າທີ່ຜິດປົກກະຕິ ຫຼື ຄວາມບໍ່ສອດຄ່ອງເທົ່ານັ້ນ, ສ່ວນຄວາມຮັບຜິດຊອບຍັງຄົງຢູ່ກັບສະຖາບັນການເງິນ. ການອອກແບບໂດຍອີງໃສ່ການແບ່ງໜ້າທີ່ລະຫວ່າງຄົນກັບ AI (Human-in-the-Loop) ຈຶ່ງມີຄວາມສຳຄັນຫຼາຍ.

ພາກພື້ນອາຊີປາຊີຟິກຖືເປັນພາກພື້ນທີ່ມີການນຳໃຊ້ RegTech ໄວທີ່ສຸດໃນໂລກ ໂດຍມີປັດໄຈເບື້ອງຫຼັງມາຈາກຄວາມຊັບຊ້ອນຂອງກົດລະບຽບ ແລະ ການເຮັດທຸລະກຳຂ້າມຊາດທີ່ມີຈຳນວນຫຼາຍ. ຕົວຢ່າງເຊັ່ນ: ອົງການການເງິນສິງກະໂປ (MAS) ໄດ້ສົ່ງເສີມການເຮັດລາຍງານຕາມກົດລະບຽບແບບອັດຕະໂນມັດໂດຍນຳໃຊ້ການວິເຄາະຂໍ້ມູນ ແລະ ໄດ້ຈັດຕັ້ງກອບການຊ່ວຍເຫຼືອເພື່ອສະໜັບສະໜູນການນຳໃຊ້ RegTech (MAS RegTech).

ອົງການບໍລິການດ້ານການເງິນຂອງອິນໂດເນເຊຍ (OJK) ໄດ້ປ່ຽນການສົ່ງຂໍ້ມູນຈາກສະຖາບັນການເງິນໃຫ້ເປັນລະບົບດິຈິຕອນ ຜ່ານລະບົບການລາຍງານຕ່າງໆ ເຊັ່ນ: Antasena. ໃນປະເທດມາເລເຊຍ (BNM), ໄທ (BOT/SEC) ແລະ ຟີລິບປິນ (BSP) ກໍມີການພັດທະນາ ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ການລາຍງານແບບດິຈິຕອນຢ່າງຕໍ່ເນື່ອງ. ໂດຍສະເພາະໃນຕະຫຼາດທີ່ມີກົດລະບຽບຊັບຊ້ອນ ແລະ ມີການເຮັດທຸລະກຳຂ້າມຊາດຫຼາຍ, ການເຮັດລາຍງານດ້ວຍມືເລີ່ມບໍ່ສາມາດຮອງຮັບປະລິມານ ແລະ ຄວາມໄວໄດ້ອີກຕໍ່ໄປ ຈຶ່ງເຮັດໃຫ້ຄວາມຕ້ອງການດ້ານລະບົບອັດຕະໂນມັດມີຄວາມສຳຄັນຫຼາຍຂຶ້ນ. ເນື່ອງຈາກແຕ່ລະປະເທດມີລະບົບ, ຮູບແບບ ແລະ ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ໃນການສົ່ງຂໍ້ມູນທີ່ແຕກຕ່າງກັນ, ການຮອງຮັບຫຼາຍປະເທດ (ເຊິ່ງຈະກ່າວເຖິງໃນພາຍຫຼັງ) ຈຶ່ງກາຍເປັນປະເດັນສຳຄັນທີ່ສຸດໃນທາງປະຕິບັດ.

ກ່ອນທີ່ຈະເລີ່ມຕົ້ນການເຮັດວຽກແບບອັດຕະໂນມັດ, ຈຳເປັນຕ້ອງກວດສອບ 3 ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ດັ່ງນີ້: (1) ການສຳຫຼວດຂໍ້ກຳນົດດ້ານກົດລະບຽບ ແລະ ຮູບແບບການລາຍງານທີ່ຕ້ອງປະຕິບັດຕາມ, (2) ຄວາມເປັນໄປໄດ້ໃນການເຊື່ອມຕໍ່ ຫຼື ຊິງຄ໌ຂໍ້ມູນ ກັບລະບົບທີ່ມີຢູ່, ແລະ (3) ທຳນຽມການຄຸ້ມຄອງຂໍ້ມູນ (Data Governance) ແລະ ລະບົບຮັກສາຄວາມປອດໄພ. ຖ້າຂ້າມຂັ້ນຕອນນີ້ໄປ, ຈະເຮັດໃຫ້ມີຄວາມສ່ຽງສູງທີ່ຈະຕ້ອງກັບມາແກ້ໄຂງານຄືນໃໝ່ ຫຼື ເກີດການລາຍງານຜິດພາດໃນຂະບວນການ ຫຼື Pipeline ຕໍ່ໄປ.

ກ່ອນອື່ນໝົດ, ໃຫ້ກວດສອບປະເພດຂອງການລາຍງານ, ຜູ້ຮັບ, ຄວາມຖີ່ ແລະ ຮູບແບບທີ່ບໍລິສັດຂອງທ່ານຕ້ອງປະຕິບັດຕາມ. ເຖິງແມ່ນວ່າຈະເປັນສະຖາບັນການເງິນດຽວກັນ, ແຕ່ກໍມີຫຼາຍລະບຽບການທີ່ຢູ່ຄຽງຄູ່ກັນ ເຊັ່ນ: ການລາຍງານຄວາມໝັ້ນຄົງ, ການລາຍງານການເຮັດທຸລະກຳ ແລະ ການລາຍງານທີ່ກ່ຽວຂ້ອງກັບການປ້ອງກັນການຟອກເງິນ (AML).

ຕົວຢ່າງເຊັ່ນ: ການລາຍງານຄວາມໝັ້ນຄົງກ່ຽວກັບທຶນຂອງຕົນເອງ ແລະ ສະພາບຄ່ອງ, ການລາຍງານການເຮັດທຸລະກຳຂະໜາດໃຫຍ່ ຫຼື ທຸລະກຳທີ່ໜ້າສົງໄສ, ແລະ ການລາຍງານກ່ຽວກັບການແຍກຄຸ້ມຄອງຊັບສິນຂອງລູກຄ້າ, ແຕ່ລະຢ່າງມີຜູ້ຮັບ, ຄວາມຖີ່ ແລະ ຮູບແບບທີ່ແຕກຕ່າງກັນ. ຖ້າທ່ານເຮັດລາຍການເຫຼົ່ານີ້ໄວ້ ແລະ ແຍກຂໍ້ມູນທີ່ສາມາດໃຊ້ຮ່ວມກັນໄດ້ອອກຈາກຂໍ້ມູນສະເພາະຂອງການລາຍງານນັ້ນໆ, ມັນຈະຊ່ວຍໃຫ້ການອອກແບບລະບົບອັດຕະໂນມັດໃນພາຍຫຼັງດຳເນີນໄປໄດ້ງ່າຍຂຶ້ນ.

ໃນການກວດສອບນີ້, ໃຫ້ແຍກອອກວ່າການລາຍງານໃດທີ່ມີຮູບແບບຕາຍຕົວ ແລະ ເໝາະສົມກັບການເຮັດອັດຕະໂນມັດໂດຍ AI, ແລະ ສ່ວນໃດທີ່ການຕັດສິນໃຈຂອງມະນຸດເປັນສິ່ງທີ່ຂາດບໍ່ໄດ້. ເນື່ອງຈາກຮູບແບບ ແລະ ກຳນົດເວລາສົ່ງລາຍງານອາດມີການປ່ຽນແປງໂດຍໜ່ວຍງານທີ່ກ່ຽວຂ້ອງຢູ່ສະເໝີ, ຈຶ່ງຄວນມີການຈັດການບັນຊີລາຍຊື່ໂດຍຕັ້ງສົມມຸດຖານວ່າຈະຕ້ອງມີການອັບເດດຢູ່ຕະຫຼອດ, ບໍ່ແມ່ນເຮັດພຽງຄັ້ງດຽວ. ກະລຸນາກວດສອບຊື່ຮູບແບບ ແລະ ກຳນົດເວລາສົ່ງທີ່ລະອຽດຈາກຂໍ້ມູນຫຼ້າສຸດທີ່ປະກາດໂດຍແຕ່ລະໜ່ວຍງານທີ່ກ່ຽວຂ້ອງສະເໝີ.

ຂໍ້ມູນການລາຍງານດ້ານກົດລະບຽບມັກຈະກະແຈກກະຈາຍຢູ່ໃນຫຼາຍໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ເຊັ່ນ: ລະບົບບັນຊີ, ERP, ແລະ ລະບົບການຈັດການການຊື້ຂາຍ. ຄວາມສຳເລັດ ຫຼື ຄວາມລົ້ມເຫຼວຂອງການເຮັດວຽກແບບອັດຕະໂນມັດແມ່ນຂຶ້ນຢູ່ກັບວ່າເຮົາສາມາດດຶງຂໍ້ມູນຈາກແຫຼ່ງເຫຼົ່ານີ້ໄດ້ຢ່າງຖືກຕ້ອງ ແລະ ໝັ້ນຄົງພຽງໃດ.

ຄວນກວດສອບລ່ວງໜ້າກ່ຽວກັບການມີຢູ່ຂອງ API, ສິດທິໃນການດຶງຂໍ້ມູນ, ຊ່ວງເວລາໃນການອັບເດດ, ແລະ ຄວາມສອດຄ່ອງຂອງນິຍາມຂໍ້ມູນ. ໃນກໍລະນີທີ່ເປັນລະບົບເກົ່າ (Legacy System) ແລະ ຍັງບໍ່ມີການຈັດຕັ້ງ API ທີ່ພ້ອມ, ການນຳໃຊ້ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ຂໍ້ມູນກາງມາຂັ້ນກາງ ຫຼື ການຂະຫຍາຍຂອບເຂດການເຊື່ອມຕໍ່ແບບເປັນຂັ້ນຕອນຖືເປັນວິທີການທີ່ເປັນໄປໄດ້ໃນຄວາມເປັນຈິງ.

ນອກຈາກນີ້, "ຄວາມສົດໃໝ່" ຂອງຂໍ້ມູນກໍເປັນຈຸດທີ່ຄວນກວດສອບເຊັ່ນກັນ. ໃນການລາຍງານທີ່ມີການປະສົມປະສານລະຫວ່າງຂໍ້ມູນທີ່ປິດຍອດລາຍວັນ ແລະ ຂໍ້ມູນທີ່ຢືນຢັນລາຍເດືອນ, ຖ້າບໍ່ມີການກຳນົດໃຫ້ຊັດເຈນວ່າຈະໃຊ້ຄ່າໃນຊ່ວງເວລາໃດ, ກໍອາດຈະສົ່ງຜົນໃຫ້ການລາຍງານຂາດຄວາມສອດຄ່ອງກັນໄດ້. ຖ້າຫາກລະເລີຍການອອກແບບການເຊື່ອມຕໍ່, ຂໍ້ມູນທີ່ AI ນຳໄປອ້າງອີງອາດຈະບໍ່ຖືກຕ້ອງ ແລະ ກາຍເປັນຕົ້ນເຫດຂອງການລາຍງານທີ່ຜິດພາດ.

ເນື່ອງຈາກການລາຍງານດ້ານກົດລະບຽບຕ້ອງຈັດການກັບຂໍ້ມູນທາງການເງິນທີ່ມີຄວາມລະອຽດອ່ອນ, ການກຳນົດທິດທາງດ້ານຂໍ້ມູນ (Data Governance) ແລະ ການຮັກສາຄວາມປອດໄພຈຶ່ງເປັນເງື່ອນໄຂເບື້ອງຕົ້ນຂອງການເຮັດໃຫ້ເປັນອັດຕະໂນມັດ. ຕ້ອງມີການອອກແບບໂດຍອີງຕາມຫຼັກການໃຫ້ສິດທິພິເສດໜ້ອຍທີ່ສຸດ (Principle of Least Privilege) ວ່າໃຜສາມາດເຂົ້າເຖິງຂໍ້ມູນໃດໄດ້ ແລະ ຄວນໃຫ້ຂອບເຂດອຳນາດແກ່ AI Agent ຫຼາຍໜ້ອຍພຽງໃດ.

ນອກຈາກນີ້, ກົດໝາຍວ່າດ້ວຍການປົກປ້ອງຂໍ້ມູນຂອງແຕ່ລະປະເທດ (ເຊັ່ນ: PDPA ຂອງໄທ, ກົດໝາຍ PDP ຂອງອິນໂດເນເຊຍ ແລະ ອື່ນໆ) ອາດມີຂໍ້ຈຳກັດກ່ຽວກັບການໂອນຍ້າຍຂໍ້ມູນສ່ວນບຸກຄົນຂ້າມຊາຍແດນ ຫຼື ການຈັດເກັບຂໍ້ມູນ. ໄລຍະເວລາໃນການຈັດເກັບຂໍ້ມູນການລາຍງານ ແລະ ບັນທຶກການປະມວນຜົນ (Processing Log) ຕ້ອງຖືກກຳນົດໂດຍອີງໃສ່ທັງຂໍ້ກຳນົດດ້ານກົດລະບຽບ ແລະ ນະໂຍບາຍຂອງບໍລິສັດ. ການບັນທຶກ Log ການປະມວນຜົນຂອງ AI ແລະ ພື້ນຖານການຕັດສິນໃຈ ເພື່ອໃຫ້ສາມາດກວດສອບຍ້ອນຫຼັງໄດ້ນັ້ນກໍເປັນສິ່ງທີ່ຂາດບໍ່ໄດ້. ສິ່ງເຫຼົ່ານີ້ມີຄວາມເຊື່ອມໂຍງໂດຍກົງກັບບັນຫາ "ຄວາມຮັບຜິດຊອບ" (Accountability) ທີ່ຈະກ່າວເຖິງໃນພາຍຫຼັງ.

ການນຳໃຊ້ໂດຍພື້ນຖານແລ້ວແມ່ນດຳເນີນການຕາມ 3 ຂັ້ນຕອນຄື: (1) ການລະບຸ ແລະ ການເຮັດ Mapping ຂໍ້ມູນທີ່ຖືກຄວບຄຸມ, (2) ການສ້າງ AI agent ແລະ ກົດລະບຽບຂອງ Engine, (3) ການຕັ້ງຄ່າຂະບວນການສ້າງລາຍງານ ແລະ ການສົ່ງລາຍງານໂດຍອັດຕະໂນມັດ. ຄວນເລີ່ມຈາກການລາຍງານບາງສ່ວນແລ້ວຄ່ອຍໆຂະຫຍາຍອອກໄປເທື່ອລະຂັ້ນ ຈະມີຄວາມປອດໄພກວ່າການຕັ້ງເປົ້າໝາຍໃຫ້ເປັນອັດຕະໂນມັດທັງໝົດໃນທັນທີ.

ກ່ອນອື່ນ, ໃຫ້ເຮັດການ Mapping ວ່າແຕ່ລະລາຍການລາຍງານນັ້ນ ກົງກັບລາຍການຂໍ້ມູນໃດຂອງລະບົບໃດ. ເປັນວຽກງານການເຊື່ອມໂຍງແຫຼ່ງທີ່ມາຂອງຂໍ້ມູນ, ວິທີການໄດ້ມາ, ຄວາມຖີ່ໃນການອັບເດດ ແລະ ພາກສ່ວນທີ່ຮັບຜິດຊອບ ເຂົ້າກັບແຕ່ລະຊ່ອງຂອງຮູບແບບການລາຍງານ.

ການ Mapping ນີ້ຈະເປັນພື້ນຖານຂອງການອັດຕະໂນມັດທັງໝົດໃນຂັ້ນຕອນຕໍ່ໄປ. ຄວາມບໍ່ຊັດເຈນຂອງການກຳນົດຂໍ້ມູນ (ເຊັ່ນ: ແນວຄວາມຄິດດຽວກັນແຕ່ຖືກຈັດການດ້ວຍຊື່ ຫຼື ໜ່ວຍວັດແທກທີ່ແຕກຕ່າງກັນໃນແຕ່ລະພາກສ່ວນ) ຈະຕ້ອງຖືກເຮັດໃຫ້ເປັນມາດຕະຖານໃນຂັ້ນຕອນນີ້. ລາຍການຂໍ້ມູນທີ່ແຫຼ່ງທີ່ມາບໍ່ຊັດເຈນ ຫຼື ຕ້ອງອາໄສການປ້ອນຂໍ້ມູນດ້ວຍມື ຄວນຖືກຫຼຸດຄວາມສຳຄັນໃນການອັດຕະໂນມັດລົງ, ໂດຍຄວນເລີ່ມຈາກລາຍການທີ່ມີແຫຼ່ງທີ່ມາຊັດເຈນກ່ອນ ເພື່ອຫຼຸດຜ່ອນຄວາມຜິດພາດ.

ໃນຂັ້ນຕອນນີ້, ຖ້າຫາກມີການບັນທຶກປະຫວັດຄວາມເປັນມາຂອງຂໍ້ມູນ (Lineage) ທີ່ລະບຸວ່າ "ຂໍ້ມູນແຕ່ລະລາຍການຖືກສ້າງຂຶ້ນຢູ່ໃສ ແລະ ຜ່ານການປຸງແຕ່ງແນວໃດຈົນກາຍມາເປັນລາຍງານ", ຈະສາມາດຊ່ວຍໃຫ້ສາມາດຕິດຕາມເສັ້ນທາງເພື່ອອະທິບາຍໄດ້ໃນກໍລະນີທີ່ຖືກສອບຖາມຈາກທາງການໃນພາຍຫຼັງ. Lineage ຈະມີປະໂຫຍດທັງຕໍ່ການອອກແບບກົດລະບຽບໃນຂັ້ນຕອນຕໍ່ໄປ ແລະ ການຮັບປະກັນຄວາມຮັບຜິດຊອບທີ່ສາມາດກວດສອບໄດ້ ເຊິ່ງຈະກ່າວເຖິງໃນພາຍຫຼັງ.

ຕໍ່ມາ, ກຳນົດເຫດຜົນໃນການລາຍງານໃຫ້ເປັນ Rule Engine ເພື່ອໃຫ້ AI Agent ສາມາດດຳເນີນການຕາມຂັ້ນຕອນນັ້ນໄດ້. ສ່ວນທີ່ສາມາດລະບຸເປັນກົດເກນໄດ້ຢ່າງຊັດເຈນ ເຊັ່ນ: ການກວດສອບຄ່າ Threshold ແລະ ການກວດສອບຄວາມສອດຄ່ອງ ຈະຖືກປະມວນຜົນຢ່າງເດັດຂາດດ້ວຍ Rule Engine ເພື່ອຫຼີກລ່ຽງຄວາມບໍ່ແນ່ນອນໃນການຕັດສິນໃຈ.

AI Agent ຈະຮັບຜິດຊອບໃນຂັ້ນຕອນທີ່ຕ້ອງການຄວາມຍືດຫຍຸ່ນ ເຊັ່ນ: ການເກັບກຳຂໍ້ມູນ, ການຈັດຮູບແບບໃຫ້ເປັນລະບຽບ, ການຮ່າງເນື້ອຫາ, ແລະ ການກວດຫາຄ່າຜິດປົກກະຕິ. ສິ່ງທີ່ສຳຄັນໃນຈຸດນີ້ຄື ການເຮັດໃຫ້ຜົນລວມຂອງ AI ສາມາດກວດສອບໄດ້ສະເໝີ. ຄວນອອກແບບໃຫ້ມີການບັນທຶກຂໍ້ມູນອ້າງອີງ ແລະ ຂະບວນການປະມວນຜົນໄວ້ ເພື່ອໃຫ້ສາມາດຕິດຕາມໄດ້ວ່າ ເປັນຫຍັງຈຶ່ງໄດ້ຄ່າ ຫຼື ຄຳອະທິບາຍດັ່ງກ່າວ.

ກົດເກນທີ່ສ້າງຂຶ້ນຄວນນຳໄປກວດສອບໂດຍໃຊ້ບົດລາຍງານທີ່ຜ່ານມາເຊິ່ງໄດ້ຮັບການຢືນຢັນແລ້ວ. ຄວນທົດສອບວ່າສາມາດສ້າງບົດລາຍງານທີ່ຖືກຕ້ອງຕາມທີ່ຮູ້ຈັກໄດ້ຫຼືບໍ່, ຫຼື ທົດສອບວ່າການກວດຫາຄ່າຜິດປົກກະຕິເຮັດວຽກໄດ້ຕາມທີ່ຕັ້ງໃຈໄວ້ເມື່ອມີການປົນຂໍ້ມູນທີ່ຜິດປົກກະຕິເຂົ້າໄປ ເພື່ອຄົ້ນຫາຈຸດບົກຜ່ອງຂອງກົດເກນກ່ອນການນຳໄປໃຊ້ງານຈິງ.

ສຸດທ້າຍ, ຕັ້ງຄ່າຂະບວນການ ຫຼື Pipeline ໃນການສ້າງລາຍງານໂດຍອັດຕະໂນມັດຈາກຂໍ້ມູນທີ່ຜ່ານການກວດສອບແລ້ວ ຈົນເຖິງຂັ້ນຕອນການຍື່ນ. ສິ່ງທີ່ຕ້ອງການໃຫ້ເປັນຫຼັກການໃນທີ່ນີ້ແມ່ນລະບົບ Human-in-the-Loop, ເຊິ່ງເປັນລະບົບທີ່ພະນັກງານຮັບຜິດຊອບຈະຕ້ອງກວດສອບ ແລະ ອະນຸມັດລາຍງານທີ່ AI ສ້າງຂຶ້ນ ກ່ອນທີ່ຈະຍື່ນຕໍ່ເຈົ້າໜ້າທີ່.

ເນື່ອງຈາກເຈົ້າໜ້າທີ່ຫຼາຍພາກສ່ວນຮຽກຮ້ອງໃຫ້ສະຖາບັນການເງິນຕ້ອງມີຄວາມຮັບຜິດຊອບຕໍ່ເອກະສານທີ່ຍື່ນ, ການອອກແບບລະບົບໂດຍມີຄົນເຂົ້າໄປອະນຸມັດ ຈຶ່ງມີຄວາມເປັນຈິງ ແລະ ປອດໄພກວ່າການໃຫ້ AI ຍື່ນເອກະສານແບບອັດຕະໂນມັດຢ່າງສົມບູນ. ຫຼັງຈາກການຍື່ນແລ້ວ, ໃຫ້ບັນທຶກສະຖານະການຮັບເອກະສານ ແລະ ປະຫວັດການຕອບໂຕ້ຕໍ່ການສອບຖາມຈາກເຈົ້າໜ້າທີ່ ເພື່ອນຳໄປປັບປຸງໃນຄັ້ງຕໍ່ໄປ. ນອກຈາກນີ້, ຍັງມີການຝັງລະບົບການຈັດການກຳນົດເວລາໄວ້ໃນ Agent ເພື່ອປ້ອງກັນບໍ່ໃຫ້ເກີດການຍື່ນເອກະສານຕົກຫຼົ່ນ.

ເນື່ອງຈາກບັນດາປະເທດໃນ ASEAN ມີຮູບແບບການລາຍງານ, ກຳນົດເວລາສົ່ງ, ພາສາ ແລະ ສະກຸນເງິນທີ່ແຕກຕ່າງກັນ, ການອອກແບບທີ່ສາມາດຮອງຮັບຄວາມແຕກຕ່າງຂອງແຕ່ລະປະເທດບົນ ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ດຽວກັນຈຶ່ງເປັນ ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ. ການນຳເອົາກົນໄກທີ່ສ້າງຂຶ້ນມາເພື່ອປະເທດໃດປະເທດໜຶ່ງໂດຍສະເພາະໄປນຳໃຊ້ແບບດຽວກັນໃນທຸກປະເທດນັ້ນ ມີໂອກາດທີ່ຈະລົ້ມເຫຼວໄດ້ງ່າຍ.

ສິງກະໂປ, ມາເລເຊຍ, ໄທ, ອິນໂດເນເຊຍ ແລະ ຟີລິບປິນ ມີໜ່ວຍງານກຳກັບດູແລ ແລະ ລະບົບການລາຍງານທີ່ແຕກຕ່າງກັນ. ເນື່ອງຈາກຮູບແບບ, ລາຍການ, ຄວາມຖີ່ໃນການຍື່ນ ແລະ ກຳນົດເວລາແຕກຕ່າງກັນໄປໃນແຕ່ລະປະເທດ, ການຂຽນໂຄ້ດ (Hardcode) ຕາມເຫດຜົນການລາຍງານຂອງແຕ່ລະປະເທດຈະເຮັດໃຫ້ການບຳລຸງຮັກສາລະບົບລົ້ມເຫຼວ.

ສິ່ງທີ່ເປັນໄປໄດ້ໃນທາງປະຕິບັດ ຄືການມີໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ທີ່ເປັນສູນກາງໃນການເກັບກຳ ແລະ ກວດສອບຂໍ້ມູນ, ພ້ອມທັງແຍກຮູບແບບ ແລະ ກົດລະບຽບຂອງແຕ່ລະປະເທດອອກມາເປັນ "ການຕັ້ງຄ່າ (Template ຫຼື ກົດລະບຽບ)". ການເຮັດແບບນີ້ຈະຊ່ວຍໃຫ້ການປັບປ່ຽນຮູບແບບຂອງປະເທດໜຶ່ງ ບໍ່ສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ຂະບວນການ ຫຼື Pipeline ຂອງປະເທດອື່ນ. ເນື່ອງຈາກຊື່ຮູບແບບ ແລະ ກຳນົດເວລາການຍື່ນຂອງແຕ່ລະປະເທດມີຄວາມຜັນຜວນ, ຈຶ່ງມີຄວາມສຳຄັນຫຼາຍທີ່ຈະຕ້ອງອ້າງອີງຂໍ້ມູນທີ່ປະກາດໂດຍໜ່ວຍງານກຳກັບດູແລເປັນແຫຼ່ງຂໍ້ມູນຫຼັກ ແລະ ບໍ່ຄວນຂຽນໂຄ້ດແບບຕາຍຕົວ (Hardcode).

ໃນພາກພື້ນ ASEAN, ບາງປະເທດໃຊ້ພາສາອັງກິດໃນການລາຍງານ ໃນຂະນະທີ່ບາງປະເທດຕ້ອງການພາສາທ້ອງຖິ່ນ ແລະ ສະກຸນເງິນກໍແຕກຕ່າງກັນໄປໃນແຕ່ລະປະເທດ. ໃນການປະມວນຜົນຂໍ້ມູນ, ການອອກແບບໃຫ້ມີການຈັດການດ້ວຍສະກຸນເງິນມາດຕະຖານພາຍໃນບໍລິສັດ ແລ້ວຈຶ່ງປ່ຽນເປັນສະກຸນເງິນ ແລະ ຮູບແບບຂອງແຕ່ລະປະເທດໃນເວລາລາຍງານ ຈະເຮັດໃຫ້ຈັດການໄດ້ງ່າຍກວ່າ.

ມາດຕະຖານອັດຕາແລກປ່ຽນເງິນຕາ (ຈະໃຊ້ອັດຕາເວລາໃດ) ຕ້ອງຖືກກຳນົດໄວ້ຢ່າງຊັດເຈນໃນກົດລະບຽບ ແລະ ບໍ່ຄວນປ່ອຍໃຫ້ເປັນໜ້າທີ່ຂອງ AI ພຽງຢ່າງດຽວ. ສຳລັບບົດລາຍງານຫຼາຍພາສາ ແລະ ຊື່ຫົວຂໍ້ຕ່າງໆ ຄວນມີການຈັດການຄຳສັບແປຄູ່ກັນເປັນວັດຈະນານຸກົມເພື່ອປ້ອງກັນຄວາມຜິດພາດໃນການສະກົດ. ເຖິງແມ່ນວ່າຈະໃຊ້ການແປ ຫຼື ການຈັດຮູບແບບໂດຍ AI, ແຕ່ເນື່ອງຈາກຄວາມຖືກຕ້ອງໃນບໍລິບົດຂອງກົດລະບຽບມີຄວາມສຳຄັນ, ຈຶ່ງຕ້ອງມີການກວດສອບໂດຍມະນຸດເປັນພື້ນຖານ.

ເນື່ອງຈາກກົດລະບຽບມີການປັບປ່ຽນຢູ່ເລື້ອຍໆ ຈຶ່ງຈຳເປັນຕ້ອງມີກົນໄກໃນການຮັບຮູ້ການປ່ຽນແປງຢ່າງວ່ອງໄວ. ຄວນມີການຈັດຕັ້ງປະຕິບັດງານໃນການຕິດຕາມໜ້າເວັບໄຊທີ່ປະກາດຂໍ້ມູນຂອງທາງການ ຫຼື ແຈ້ງເຕືອນ ເພື່ອແຈ້ງໃຫ້ຜູ້ຮັບຜິດຊອບຊາບເມື່ອມີການປ່ຽນແປງ. AI ສາມາດຊ່ວຍໃນການສະຫຼຸບເອກະສານທີ່ມີການແກ້ໄຂ ແລະ ຊີ້ແຈງຂອບເຂດທີ່ໄດ້ຮັບຜົນກະທົບ.

ຢ່າງໃດກໍຕາມ, ການຕີຄວາມໝາຍຂັ້ນສຸດທ້າຍຂອງເນື້ອໃນທີ່ຖືກແກ້ໄຂ ແລະ ການຕັດສິນໃຈວ່າຈະນຳໄປປັບໃຊ້ໃນເຫດຜົນການລາຍງານ (Reporting logic) ຫຼື ບໍ່ນັ້ນ ແມ່ນຕ້ອງໃຫ້ມະນຸດເປັນຜູ້ດຳເນີນການ. ການປ່ອຍໃຫ້ AI "ຕີຄວາມໝາຍ ແລະ ປັບໃຊ້ໂດຍອັດຕະໂນມັດ" ເມື່ອກົດລະບຽບມີການປ່ຽນແປງນັ້ນມີຄວາມສ່ຽງສູງ. ການແບ່ງໜ້າທີ່ໂດຍໃຫ້ AI ເປັນຜູ້ກວດຈັບ ແລະ ຈັດລະບຽບ, ສ່ວນມະນຸດເປັນຜູ້ຕັດສິນໃຈ ແລະ ນຳໄປປະຕິບັດຕົວຈິງ ຈະຊ່ວຍຫຼີກລ່ຽງການລາຍງານທີ່ຜິດພາດອັນເນື່ອງມາຈາກການປັບໃຊ້ໂດຍອັດຕະໂນມັດທີ່ບໍ່ຖືກຕ້ອງໄດ້.

ນອກຈາກນີ້, ຄວນມີການກຳນົດເວີຊັນໃຫ້ກັບກົດລະບຽບ ຫຼື ແມ່ແບບຟອມຕ່າງໆ ແລະ ບັນທຶກໄວ້ວ່າໄດ້ມີການປ່ຽນແປງເມື່ອໃດ ແລະ ເພື່ອຮອງຮັບການແກ້ໄຂໃດ. ການເຮັດໃຫ້ສາມາດຕິດຕາມໄດ້ວ່າການລາຍງານໃນຊ່ວງເວລາໃດ ຖືກສ້າງຂຶ້ນດ້ວຍກົດລະບຽບໃດ ຈະຊ່ວຍໃຫ້ການແກ້ໄຂຂໍ້ມູນຍ້ອນຫຼັງ ແລະ ການຮອງຮັບການກວດສອບ (Audit) ເຮັດໄດ້ງ່າຍຂຶ້ນ.

ຄວາມຜິດພາດທີ່ພົບເລື້ອຍມີ 2 ຢ່າງຄື: (1) ການລາຍງານຜິດພາດເນື່ອງຈາກຄຸນນະພາບຂໍ້ມູນຕໍ່າ, ແລະ (2) ການຂາດຄວາມຮັບຜິດຊອບທີ່ເຮັດໃຫ້ພື້ນຖານການຕັດສິນໃຈຂອງ AI ບໍ່ມີຄວາມໂປ່ງໃສ. ທັງສອງຢ່າງນີ້ສາມາດປ້ອງກັນໄດ້ດ້ວຍການອອກແບບ ແລະ ການດຳເນີນງານກ່ອນທີ່ຈະນຳໃຊ້ເຕັກໂນໂລຊີ.

ເຖິງແມ່ນວ່າຈະມີການເຮັດວຽກແບບອັດຕະໂນມັດ, ແຕ່ຖ້າຂໍ້ມູນທີ່ປ້ອນເຂົ້າບໍ່ຖືກຕ້ອງ, ບົດລາຍງານທີ່ຜິດພາດກໍຈະຖືກສ້າງຂຶ້ນ ແລະ ຖືກສົ່ງອອກໄປ. ຫຼັກການທີ່ວ່າ "ຖ້າຂໍ້ມູນເຂົ້າຜິດ ຜົນລັອບກໍຈະຜິດ" ນັ້ນແມ່ນມີຄວາມຮ້າຍແຮງໂດຍສະເພາະໃນການລາຍງານດ້ານກົດລະບຽບ, ເຊິ່ງການລາຍງານທີ່ຜິດພາດຈະນຳໄປສູ່ການຖືກຕັກເຕືອນຈາກເຈົ້າໜ້າທີ່ ແລະ ການດຳເນີນການແກ້ໄຂ.

ວິທີແກ້ໄຂຄື ການນຳເອົາການກວດສອບເຂົ້າໄປໃນຂັ້ນຕອນການເກັບກຳຂໍ້ມູນ. ໂດຍການກວດສອບອັດຕະໂນມັດກ່ຽວກັບຂໍ້ມູນທີ່ຈຳເປັນທີ່ຂາດຫາຍໄປ, ຄວາມບໍ່ສອດຄ່ອງຂອງຕົວເລກ ຫຼື ໜ່ວຍວັດແທກ, ແລະ ຄວາມແຕກຕ່າງຢ່າງຫຼວງຫຼາຍຈາກຄ່າໃນອະດີດ, ຖ້າຫາກເກີນຄ່າທີ່ກຳນົດໄວ້ (Threshold) ກໍໃຫ້ສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ມະນຸດເປັນຜູ້ກວດສອບ. ການວັດແທກປະສິດທິຜົນຂອງລະບົບອັດຕະໂນມັດ ບໍ່ພຽງແຕ່ເບິ່ງທີ່ຄວາມໄວໃນການສົ່ງເທົ່ານັ້ນ, ແຕ່ຍັງຕ້ອງເບິ່ງທີ່ຄວາມຖືກຕ້ອງຂອງບົດລາຍງານ (ອັດຕາຄວາມຜິດພາດທີ່ຫຼຸດລົງ) ເຊິ່ງເປັນສິ່ງທີ່ຂາດບໍ່ໄດ້ໃນການຮັກສາຄຸນນະພາບ.

ໃນການລາຍງານກົດລະບຽບ, ທາງການອາດຈະຕັ້ງຄຳຖາມວ່າ "ເປັນຫຍັງຈຶ່ງໄດ້ຕົວເລກ ຫຼື ຄຳອະທິບາຍນີ້ມາ". ຖ້າການປະມວນຜົນຂອງ AI ເປັນກ່ອງດຳ (Black box), ມັນຈະບໍ່ສາມາດປະຕິບັດຕາມຄວາມຮັບຜິດຊອບໃນການອະທິບາຍໄດ້ ແລະ ການເຮັດໃຫ້ເປັນອັດຕະໂນມັດອາດຈະກາຍເປັນຄວາມສ່ຽງແທນ.

ເພື່ອຫຼີກລ່ຽງບັນຫາດັ່ງກ່າວ, ຈຳເປັນຕ້ອງມີການອອກແບບທີ່ສາມາດເກັບຮັກສາຂໍ້ມູນນຳເຂົ້າ, ຂະບວນການປະມວນຜົນ ແລະ ຜົນລວມຂອງ AI ໄວ້ເປັນຫຼັກຖານ ເພື່ອໃຫ້ສາມາດຕິດຕາມກວດສອບຍ້ອນຫຼັງໄດ້. ໂດຍສະເພາະແມ່ນການເກັບຮັກສາແຫຼ່ງທີ່ມາ ແລະ ເວີຊັນຂອງຂໍ້ມູນທີ່ອ້າງອີງ, ກົດລະບຽບທີ່ນຳໃຊ້, ຄຳອະທິບາຍທີ່ AI ສ້າງຂຶ້ນພ້ອມກັບຫຼັກຖານອ້າງອີງ, ແລະ ບັນທຶກການອະນຸມັດໂດຍມະນຸດ ໂດຍໃຫ້ເຊື່ອມໂຍງເຂົ້າກັບແຕ່ລະບົດລາຍງານ. ສ່ວນທີ່ສາມາດຕັດສິນໃຈໄດ້ຢ່າງເດັດຂາດຄວນປະມວນຜົນດ້ວຍ Rule Engine ແລະ ແບ່ງຂອບເຂດທີ່ປ່ອຍໃຫ້ເປັນການຕັດສິນໃຈຂອງ AI ໃຫ້ຊັດເຈນ. ເນື່ອງຈາກຄວາມຮັບຜິດຊອບສຸດທ້າຍແມ່ນຂຶ້ນກັບສະຖາບັນການເງິນ, ດັ່ງນັ້ນການຮັກສາສະຖານະທີ່ມະນຸດສາມາດເຂົ້າໃຈ ແລະ ອະທິບາຍເນື້ອຫາໄດ້ ຈຶ່ງເປັນເງື່ອນໄຂເບື້ອງຕົ້ນ.

ຜົນກະທົບຈະຖືກວັດແທກໂດຍຕົວຊີ້ວັດຫຼາຍຢ່າງ ເຊັ່ນ: ອັດຕາການຫຼຸດຜ່ອນຊົ່ວໂມງການເຮັດວຽກ, ຄວາມຖືກຕ້ອງຂອງການລາຍງານ, ແລະ ຜົນກະທົບຕໍ່ຕົ້ນທຶນໃນການຮອງຮັບການກວດສອບ. ຖ້າເບິ່ງພຽງແຕ່ການປັບປຸງຄວາມໄວຢ່າງດຽວ ອາດເຮັດໃຫ້ເບິ່ງຂ້າມຄວາມເສື່ອມຖອຍຂອງຄຸນນະພາບໄດ້.

ກ່ອນອື່ນ, ໃຫ້ວັດແທກວ່າເວລາການເຮັດວຽກຕໍ່ 1 ລາຍງານ ແລະ ຈຳນວນຊົ່ວໂມງການເຮັດວຽກລວມຕໍ່ເດືອນຫຼຸດລົງຫຼາຍປານໃດກ່ອນ ແລະ ຫຼັງການເຮັດອັດຕະໂນມັດ. ພ້ອມກັນນັ້ນ, ໃຫ້ຕິດຕາມກວດກາຄວາມຖືກຕ້ອງຂອງລາຍງານຢ່າງຕໍ່ເນື່ອງ ເຊັ່ນ: ຈຳນວນຄັ້ງທີ່ມີການສົ່ງກັບຄືນ ຫຼື ແກ້ໄຂຫຼັງຈາກສົ່ງແລ້ວ ແລະ ອັດຕາສ່ວນຂອງຄວາມບໍ່ສອດຄ່ອງທີ່ກວດພົບໃນການກວດສອບ.

ເນື່ອງຈາກວ່າການທີ່ຊົ່ວໂມງການເຮັດວຽກຫຼຸດລົງແຕ່ອັດຕາຄວາມຜິດພາດເພີ່ມຂຶ້ນນັ້ນຖືເປັນເລື່ອງທີ່ບໍ່ຄວນເກີດຂຶ້ນ, ສະນັ້ນຈຶ່ງຄວນພິຈາລະນາທັງສອງຢ່າງຄຽງຄູ່ກັນ. ໃນໄລຍະເລີ່ມຕົ້ນຂອງການນຳໃຊ້, ໃຫ້ບັນທຶກຄ່າພື້ນຖານ (ຄ່າກ່ອນການເຮັດອັດຕະໂນມັດ) ໄວ້ ເພື່ອໃຫ້ສາມາດສະແດງໃຫ້ເຫັນເຖິງຂອບເຂດຂອງການປັບປຸງໄດ້ຢ່າງເປັນຮູບປະທຳ.

ສຳລັບຕົວຊີ້ວັດທີ່ລະອຽດນັ້ນ, ຕົວຊີ້ວັດທີ່ນຳໃຊ້ໄດ້ງ່າຍໄດ້ແກ່: ເວລາເຮັດວຽກສະເລ່ຍຕໍ່ 1 ລາຍງານ, ຈຳນວນຄັ້ງທີ່ມີການເຮັດວຽກຊ້ຳ (rework) ຕໍ່ເດືອນ, ອັດຕາສ່ວນຂອງຄວາມບໍ່ສອດຄ່ອງທີ່ກວດພົບໃນການກວດສອບ, ແລະ ອັດຕາການປະຕິບັດຕາມກຳນົດເວລາສົ່ງ. ໃຫ້ສ້າງວົງຈອນໂດຍການຕິດຕາມກວດສອບສິ່ງເຫຼົ່ານີ້ຢ່າງເປັນປະຈຳ ແລະ ເລືອກຈຸດທີ່ການປັບປຸງເລີ່ມຄົງທີ່ແລ້ວໃຫ້ເປັນເປົ້າໝາຍການເຮັດອັດຕະໂນມັດໃນຮອບຕໍ່ໄປ. ເນື່ອງຈາກຕົວຊີ້ວັດເຫຼົ່ານີ້ສາມາດນຳໄປໃຊ້ໃນການລາຍງານຕໍ່ຝ່າຍບໍລິຫານໄດ້, ຈຶ່ງຄວນສ້າງກົນໄກການວັດແທກໄວ້ຕັ້ງແຕ່ຕົ້ນ.

ການເຮັດໃຫ້ການລາຍງານດ້ານກົດລະບຽບເປັນອັດຕະໂນມັດຍັງສົ່ງຜົນກະທົບຕໍ່ຕົ້ນທຶນໃນການຮອງຮັບການກວດສອບອີກດ້ວຍ. ຖ້າຫາກຂະບວນການປະມວນຜົນ ແລະ ຂໍ້ມູນຫຼັກຖານຖືກເກັບຮັກສາໄວ້ເປັນຮ່ອງຮອຍ (Audit trail), ກໍຈະສາມາດນຳສະເໜີເອກະສານທີ່ຈຳເປັນໃນລະຫວ່າງການກວດສອບພາຍໃນ ຫຼື ການກວດສອບຈາກໜ່ວຍງານທີ່ກ່ຽວຂ້ອງໄດ້ຢ່າງວ່ອງໄວ, ເຊິ່ງຈະຊ່ວຍຫຼຸດຜ່ອນຈຳນວນຊົ່ວໂມງໃນການເຮັດວຽກທີ່ກ່ຽວຂ້ອງໄດ້.

ໃນທາງກົງກັນຂ້າມ, ຖ້າຫາກຮ່ອງຮອຍດັ່ງກ່າວບໍ່ພຽງພໍ, ເຖິງຈະມີການເຮັດເປັນອັດຕະໂນມັດແລ້ວ ກໍອາດຈະຕ້ອງກັບມາຮວບຮວມເອກະສານອະທິບາຍດ້ວຍຕົນເອງໃນພາຍຫຼັງ, ເຊິ່ງຈະເຮັດໃຫ້ຕົ້ນທຶນເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ.

ໃນການກວດສອບ ຫຼື ການກວດກາ, ມັກຈະມີການຮຽກຮ້ອງໃຫ້ສະແດງຂໍ້ມູນຫຼັກຖານສຳລັບບົດລາຍງານສະເພາະໃດໜຶ່ງ. ຖ້າຫາກຮ່ອງຮອຍຖືກຈັດເກັບໄວ້ຢ່າງເປັນລະບົບ, ກໍຈະສາມາດຫຼຸດຜ່ອນເວລາໃນການສະກັດ ແລະ ນຳສະເໜີຂໍ້ມູນທີ່ກ່ຽວຂ້ອງໄດ້ຢ່າງຫຼວງຫຼາຍ. "ເວລາທີ່ໃຊ້ໃນການຕອບສະໜອງຕໍ່ການສອບຖາມ 1 ຄັ້ງ" ນີ້ ກໍຖືເປັນຕົວຊີ້ວັດທາງປະຕິບັດທີ່ໃຊ້ວັດແທກປະສິດທິຜົນຂອງການເຮັດເປັນອັດຕະໂນມັດໄດ້ເຊັ່ນກັນ. ດັ່ງນັ້ນ, ໃນການປະເມີນຜົນ ຈຶ່ງຄວນລວມເອົາການປ່ຽນແປງຂອງເວລາທີ່ໃຊ້ໃນການຮອງຮັບການກວດສອບ ແລະ ການສອບຖາມ ເຂົ້າໄປນຳ ບໍ່ແມ່ນພຽງແຕ່ປະສິດທິພາບໃນການສ້າງບົດລາຍງານພຽງຢ່າງດຽວ.

Q. ຖ້າຫາກນຳໃຊ້ RegTech AI agent ເຂົ້າມາ, ການລາຍງານດ້ານກົດລະບຽບຈະສາມາດເຮັດແບບບໍ່ມີຄົນຄວບຄຸມ (Unmanned) ໄດ້ຢ່າງສົມບູນເລີຍບໍ? ການເຮັດແບບບໍ່ມີຄົນຄວບຄຸມຢ່າງສົມບູນນັ້ນບໍ່ແມ່ນເລື່ອງທີ່ເປັນໄປໄດ້ໃນຄວາມເປັນຈິງ. ເນື່ອງຈາກໜ່ວຍງານກຳກັບດູແລຫຼາຍແຫ່ງຮຽກຮ້ອງໃຫ້ສະຖາບັນການເງິນຕ້ອງຮັບຜິດຊອບຕໍ່ເອກະສານທີ່ຍື່ນ, ດັ່ງນັ້ນເຖິງແມ່ນວ່າ AI ຈະເປັນຜູ້ສ້າງບົດລາຍງານຂຶ້ນມາ, ແຕ່ຫຼັກການທີ່ສຳຄັນກໍຄື Human-in-the-Loop ທີ່ຕ້ອງມີຄົນກວດສອບ ແລະ ອະນຸມັດເນື້ອຫາກ່ອນການຍື່ນສະເໝີ. AI ຈະຮັບໜ້າທີ່ໃນການອັດຕະໂນມັດວຽກງານທີ່ເປັນຮູບແບບຕາຍຕົວ ແລະ ກວດຈັບຄວາມຜິດປົກກະຕິ, ສ່ວນການຕັດສິນໃຈຂັ້ນສຸດທ້າຍແມ່ນຈະຕ້ອງເປັນໜ້າທີ່ຂອງຄົນ.

Q. ຄວນເລີ່ມອັດຕະໂນມັດຈາກວຽກງານການລາຍງານໃດກ່ອນ? ຄວນເລີ່ມຕົ້ນຈາກການລາຍງານທີ່ເປັນຮູບແບບຕາຍຕົວ ເຊິ່ງມີແຫຼ່ງທີ່ມາຂອງຂໍ້ມູນທີ່ຊັດເຈນ ແລະ ສາມາດກຳນົດເປັນກົດເກນໄດ້ງ່າຍ ເພື່ອຄວາມປອດໄພ. ສຳລັບລາຍການທີ່ຕ້ອງອາໄສການປ້ອນຂໍ້ມູນດ້ວຍມື ຫຼື ການລາຍງານທີ່ມີພື້ນທີ່ໃນການຕັດສິນໃຈສູງ ຄວນເກັບໄວ້ເຮັດໃນພາຍຫຼັງ ໂດຍໃຫ້ຂະຫຍາຍຂອບເຂດອອກໄປເທື່ອລະຂັ້ນພ້ອມກັບການກວດສອບປະສິດທິພາບ ແລະ ຄວາມຖືກຕ້ອງໄປນຳ.

Q. ໃນກໍລະນີທີ່ຂະຫຍາຍໄປຍັງຫຼາຍປະເທດໃນ ASEAN, ຈຳເປັນຕ້ອງສ້າງໃໝ່ໃນແຕ່ລະປະເທດບໍ? ຖ້າມີໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ສ່ວນກາງໃນການເກັບກຳ ແລະ ກວດສອບຂໍ້ມູນ, ພ້ອມທັງແຍກຮູບແບບ ແລະ ກົດລະບຽບຂອງແຕ່ລະປະເທດອອກເປັນການຕັ້ງຄ່າ (Configuration) ແລ້ວ, ກໍຈະສາມາດຫຼຸດຜ່ອນການສ້າງໃໝ່ໃຫ້ໜ້ອຍທີ່ສຸດໄດ້. ເນື່ອງຈາກຮູບແບບ ແລະ ກຳນົດເວລາຂອງແຕ່ລະປະເທດມີການປ່ຽນແປງຢູ່ຕະຫຼອດເວລາ, ຈຶ່ງຄວນອອກແບບໂດຍມີເງື່ອນໄຂວ່າຈະຕ້ອງອັບເດດຂໍ້ມູນຕາມແຫຼ່ງຂໍ້ມູນຕົ້ນທາງທີ່ໜ່ວຍງານກຳກັບດູແລປະກາດອອກມາຢູ່ສະເໝີ.

Q. AI ສາມາດອັບເດດການປ່ຽນແປງກົດລະບຽບໂດຍອັດຕະໂນມັດໄດ້ບໍ? AI ສາມາດຊ່ວຍໃນການກວດຈັບ ແລະ ສະຫຼຸບຫຍໍ້ການປ່ຽນແປງໄດ້, ແຕ່ການຕີຄວາມໝາຍ ແລະ ການຕັດສິນໃຈວ່າຈະນຳໄປປັບໃຊ້ໃນເຫດຜົນຂອງການລາຍງານ (Reporting logic) ຫຼື ບໍ່ນັ້ນ ຄວນເປັນໜ້າທີ່ຂອງຄົນ. ການອັບເດດອັດຕະໂນມັດທີ່ຜິດພາດອາດນຳໄປສູ່ການລາຍງານທີ່ຜິດພາດໄດ້, ດັ່ງນັ້ນການແບ່ງໜ້າທີ່ກັນໂດຍໃຫ້ AI ເປັນຜູ້ກວດຈັບ ແລະ ໃຫ້ຄົນເປັນຜູ້ປັບໃຊ້ ຈຶ່ງເປັນທາງເລືອກທີ່ປອດໄພກວ່າ.