ML-For-Beginners/translations/th/1-Introduction/3-fairness

การสร้างโซลูชัน Machine Learning ด้วย AI ที่มีความรับผิดชอบ

สเก็ตช์โน้ตโดย Tomomi Imura

แบบทดสอบก่อนบรรยาย

บทนำ

ในหลักสูตรนี้ คุณจะเริ่มค้นพบว่า machine learning ส่งผลกระทบต่อชีวิตประจำวันของเราอย่างไร แม้ในปัจจุบัน ระบบและโมเดลต่างๆ มีส่วนเกี่ยวข้องกับการตัดสินใจในชีวิตประจำวัน เช่น การวินิจฉัยทางการแพทย์ การอนุมัติเงินกู้ หรือการตรวจจับการฉ้อโกง ดังนั้นจึงเป็นสิ่งสำคัญที่โมเดลเหล่านี้จะต้องทำงานได้ดีเพื่อให้ผลลัพธ์ที่น่าเชื่อถือ เช่นเดียวกับแอปพลิเคชันซอฟต์แวร์ใด ๆ ระบบ AI ย่อมมีโอกาสพลาดความคาดหวังหรือให้ผลลัพธ์ที่ไม่พึงประสงค์ ดังนั้นจึงเป็นสิ่งจำเป็นที่จะต้องเข้าใจและอธิบายพฤติกรรมของโมเดล AI ได้

ลองนึกภาพสิ่งที่จะเกิดขึ้นเมื่อข้อมูลที่คุณใช้สร้างโมเดลเหล่านี้ขาดกลุ่มประชากรบางกลุ่ม เช่น เชื้อชาติ เพศ มุมมองทางการเมือง ศาสนา หรือมีการเป็นตัวแทนของกลุ่มประชากรเหล่านั้นอย่างไม่สมดุล แล้วถ้าผลลัพธ์ของโมเดลถูกตีความให้เอียงไปทางกลุ่มประชากรบางกลุ่มล่ะ? ผลลัพธ์นั้นมีผลกระทบต่อแอปพลิเคชันอย่างไร? นอกจากนี้ หากโมเดลมีผลลัพธ์ที่เป็นอันตรายและทำร้ายผู้คน ใครคือผู้รับผิดชอบต่อพฤติกรรมของระบบ AI เหล่านี้? นี่คือคำถามบางส่วนที่เราจะสำรวจในหลักสูตรนี้

ในบทเรียนนี้ คุณจะได้:

• เพิ่มความตระหนักรู้เกี่ยวกับความสำคัญของความยุติธรรมใน machine learning และอันตรายที่เกี่ยวข้องกับความยุติธรรม
• คุ้นเคยกับการสำรวจข้อมูลแปลกปลอมและสถานการณ์ที่ผิดปกติเพื่อให้แน่ใจในความน่าเชื่อถือและความปลอดภัย
• เข้าใจความจำเป็นในการส่งเสริมทุกคนโดยการออกแบบระบบที่ครอบคลุม
• สำรวจความสำคัญในการปกป้องความเป็นส่วนตัวและความปลอดภัยของข้อมูลและผู้คน
• เห็นความสำคัญของการใช้วิธีแบบ "กล่องแก้ว" เพื่ออธิบายพฤติกรรมของโมเดล AI
• ตระหนักถึงความจำเป็นของความรับผิดชอบเพื่อสร้างความไว้วางใจในระบบ AI

ข้อกำหนดเบื้องต้น

เป็นข้อกำหนดเบื้องต้น โปรดทำเส้นทางการเรียนรู้ "หลักการ AI ที่มีความรับผิดชอบ" และดูวิดีโอต่อไปนี้ในหัวข้อนี้:

เรียนรู้เพิ่มเติมเกี่ยวกับ AI ที่มีความรับผิดชอบโดยติดตาม เส้นทางการเรียนรู้นี้

🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอ: แนวทางของ Microsoft ต่อ AI ที่มีความรับผิดชอบ

ความยุติธรรม

ระบบ AI ควรปฏิบัติต่อทุกคนอย่างยุติธรรมและหลีกเลี่ยงการส่งผลกระทบที่แตกต่างกันต่อกลุ่มคนที่คล้ายคลึงกัน เช่น เมื่อระบบ AI ให้คำแนะนำเกี่ยวกับการรักษาทางการแพทย์ การขอสินเชื่อ หรือการจ้างงาน ระบบควรให้คำแนะนำเดียวกันแก่ทุกคนที่มีอาการ สภาพการเงิน หรือคุณสมบัติทางวิชาชีพที่คล้ายกัน เราทุกคนในฐานะมนุษย์ต่างก็มีอคติที่สืบทอดมา ซึ่งส่งผลต่อการตัดสินใจและการกระทำของเรา อคติเหล่านี้อาจปรากฏชัดในข้อมูลที่เราใช้ฝึกสอนระบบ AI และบางครั้งอาจเกิดขึ้นโดยไม่ตั้งใจ เป็นเรื่องยากที่จะรู้ตัวเมื่อคุณแนะนำอคติในข้อมูลจริง ๆ

“ความไม่ยุติธรรม” หมายถึงผลกระทบเชิงลบ หรือ "อันตราย" ต่อกลุ่มคน เช่น ที่ถูกกำหนดตามเชื้อชาติ เพศ อายุ หรือสถานะความพิการ อันตรายหลักที่เกี่ยวข้องกับความยุติธรรมสามารถแบ่งได้เป็น:

• การจัดสรร เช่น หากเพศหรือเชื้อชาติได้รับการโปรดปรานมากกว่ากลุ่มอื่น
• คุณภาพการให้บริการ หากฝึกด้วยข้อมูลสำหรับสถานการณ์เฉพาะหนึ่ง แต่ในความเป็นจริงซับซ้อนกว่านั้นมาก จะนำไปสู่การให้บริการที่มีประสิทธิภาพต่ำ เช่น เครื่องจ่ายสบู่ที่ไม่สามารถตรวจจับคนผิวคล้ำได้ อ้างอิง
• การดูหมิ่น การวิจารณ์หรือติดป้ายอย่างไม่ยุติธรรม เช่น เทคโนโลยีการติดป้ายภาพที่ระบุคนผิวคล้ำเป็นกอริลลา
• การเป็นตัวแทนมากเกินหรือขาดแคลน แนวคิดที่ว่ากลุ่มคนบางกลุ่มไม่เห็นในวิชาชีพหนึ่ง และบริการหรือหน้าที่ใดที่ยังคงส่งเสริมสิ่งนั้นจะเป็นการเพิ่มอันตราย
• การเหมารวม การจับกลุ่มคนหนึ่งกับลักษณะเฉพาะที่ถูกกำหนดไว้ล่วงหน้า เช่น ระบบแปลภาษาระหว่างอังกฤษและตุรกีที่อาจมีความไม่ถูกต้องเนื่องจากคำที่มีการเชื่อมโยงแบบเหมารวมกับเพศ

แปลเป็นภาษาตุรกี

แปลกลับเป็นภาษาอังกฤษ

เมื่อออกแบบและทดสอบระบบ AI เราต้องมั่นใจว่า AI ยุติธรรมและไม่ได้ถูกโปรแกรมให้ตัดสินใจอย่างลำเอียงหรือเลือกปฏิบัติ ซึ่งมนุษย์เองก็ถูกห้ามไม่ให้กระทำเช่นเดียวกัน การรับประกันความยุติธรรมใน AI และ machine learning ยังคงเป็นความท้าทายเชิงสังคมเทคนิคที่ซับซ้อน

ความน่าเชื่อถือและความปลอดภัย

เพื่อสร้างความไว้วางใจ ระบบ AI ต้องมีความน่าเชื่อถือ ปลอดภัย และสม่ำเสมอทั้งในสถานการณ์ปกติและสถานการณ์ที่ไม่คาดคิด สำคัญที่จะรู้ว่าระบบ AI จะทำงานอย่างไรในสถานการณ์ต่างๆ โดยเฉพาะเมื่อเป็นข้อมูลแปลกประหลาด เมื่อต้องสร้างโซลูชัน AI ต้องมีการมุ่งเน้นอย่างมากในการจัดการกับสถานการณ์หลากหลายที่โซลูชัน AI อาจเผชิญ เช่น รถยนต์ขับเคลื่อนเองจำเป็นต้องให้ความสำคัญกับความปลอดภัยของผู้คนเป็นอันดับหนึ่ง ดังนั้น AI ที่ใช้ในรถยนต์ต้องพิจารณาสถานการณ์ทั้งหมดที่อาจเกิดขึ้น เช่น กลางคืน พายุฝนฟ้าคะนอง หรือหิมะตกหนัก เด็กวิ่งข้ามถนน สัตว์เลี้ยง การก่อสร้างถนน ฯลฯ ระดับความสามารถของระบบ AI ในการรับมือกับสถานการณ์ที่หลากหลายอย่างน่าเชื่อถือและปลอดภัยสะท้อนถึงการคาดการณ์ที่นักวิทยาศาสตร์ข้อมูลหรือผู้พัฒนา AI พิจารณาในระหว่างการออกแบบหรือทดสอบระบบ

🎥 คลิกที่นี่เพื่อดูวิดีโอ:

ความครอบคลุม

ระบบ AI ควรถูกออกแบบมาเพื่อมีส่วนร่วมและส่งเสริมทุกคน เมื่อออกแบบและใช้งานระบบ AI นักวิทยาศาสตร์ข้อมูลและผู้พัฒนา AI จะระบุและจัดการกับอุปสรรคในระบบที่อาจกีดกันผู้คนโดยไม่ตั้งใจ เช่น มีผู้พิการประมาณ 1 พันล้านคนทั่วโลก ด้วยความก้าวหน้าของ AI พวกเขาสามารถเข้าถึงข้อมูลและโอกาสต่างๆ ได้ง่ายขึ้นในชีวิตประจำวัน การแก้ไขอุปสรรคเหล่านี้เปิดโอกาสให้นวัตกรรมและพัฒนาผลิตภัณฑ์ AI ที่มีประสบการณ์ดียิ่งขึ้นซึ่งเป็นประโยชน์ต่อทุกคน

🎥 คลิกที่นี่เพื่อดูวิดีโอ: ความครอบคลุมใน AI

ความปลอดภัยและความเป็นส่วนตัว

ระบบ AI ควรปลอดภัยและเคารพความเป็นส่วนตัวของผู้คน ผู้คนจะเชื่อถือน้อยลงในระบบที่เสี่ยงต่อความเป็นส่วนตัว ข้อมูล หรือชีวิตของพวกเขา เมื่อต้องฝึกโมเดล machine learning เราพึ่งพาข้อมูลเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด และในกระบวนการนี้ ที่มาของข้อมูลและความสมบูรณ์ต้องถูกพิจารณา เช่น ข้อมูลมาจากผู้ใช้ส่งมาเอง หรือเป็นข้อมูลสาธารณะ? ต่อมา เมื่อทำงานกับข้อมูล จำเป็นต้องพัฒนาระบบ AI ที่สามารถปกป้องข้อมูลลับและต้านทานการโจมตีได้ เมื่อ AI มีบทบาทมากขึ้น การปกป้องความเป็นส่วนตัวและความปลอดภัยของข้อมูลส่วนบุคคลและธุรกิจก็กลายเป็นเรื่องที่สำคัญและซับซ้อนยิ่งขึ้น ประเด็นด้านความเป็นส่วนตัวและความปลอดภัยของข้อมูลจึงต้องได้รับความสนใจอย่างใกล้ชิดสำหรับ AI เพราะการเข้าถึงข้อมูลเป็นสิ่งจำเป็นที่ระบบ AI จะสามารถทำการคาดการณ์และตัดสินใจที่แม่นยำและมีข้อมูลรองรับเกี่ยวกับผู้คน

🎥 คลิกที่นี่เพื่อดูวิดีโอ: ความปลอดภัยใน AI

• ในฐานะอุตสาหกรรม เราก้าวหน้าอย่างมากในด้านความเป็นส่วนตัวและความปลอดภัย โดยได้รับแรงหนุนอย่างมากจากกฎหมายเช่น GDPR (พระราชบัญญัติคุ้มครองข้อมูลทั่วไป)
• แต่กับระบบ AI เราต้องยอมรับความตึงเครียดระหว่างความต้องการข้อมูลส่วนบุคคลมากขึ้นเพื่อทำให้ระบบมีความเป็นส่วนตัวและมีประสิทธิภาพ – กับความเป็นส่วนตัว
• เหมือนกับการเกิดขึ้นของคอมพิวเตอร์ที่เชื่อมต่อกับอินเทอร์เน็ต เราก็เห็นการเพิ่มขึ้นอย่างมากของปัญหาด้านความปลอดภัยที่เกี่ยวข้องกับ AI
• ในเวลาเดียวกัน เราก็เห็นว่า AI ถูกใช้เพื่อเพิ่มความปลอดภัย เช่น สแกนเนอร์แอนตี้ไวรัสสมัยใหม่ส่วนใหญ่ขับเคลื่อนด้วยหลักการ AI ในวันนี้
• เราต้องมั่นใจว่ากระบวนการวิทยาศาสตร์ข้อมูลของเราสอดคล้องกับแนวปฏิบัติด้านความเป็นส่วนตัวและความปลอดภัยล่าสุด

ความโปร่งใส

ระบบ AI ควรเข้าใจได้ ส่วนสำคัญของความโปร่งใสคือการอธิบายพฤติกรรมของระบบ AI และองค์ประกอบต่างๆ การเพิ่มความเข้าใจในระบบ AI ต้องการให้ผู้มีส่วนได้ส่วนเสียเข้าใจว่า AI ทำงานอย่างไรและทำไม เพื่อให้สามารถระบุปัญหาด้านการทำงาน ความปลอดภัยและความเป็นส่วนตัว อคติ การปฏิเสธ หรือผลลัพธ์ที่ไม่ตั้งใจ เราเชื่อด้วยว่าผู้ใช้ระบบ AI ควรซื่อสัตย์และเปิดเผยว่าเมื่อไร ทำไม และอย่างไรพวกเขาจึงเลือกใช้ระบบเหล่านั้น รวมถึงข้อจำกัดของระบบที่ใช้ เช่น หากธนาคารใช้ระบบ AI เพื่อสนับสนุนการตัดสินใจในการปล่อยสินเชื่อ ก็สำคัญที่จะต้องตรวจสอบผลลัพธ์และเข้าใจว่าข้อมูลใดมีอิทธิพลต่อคำแนะนำของระบบ รัฐบาลเริ่มมีการควบคุม AI ในหลายอุตสาหกรรม ดังนั้น นักวิทยาศาสตร์ข้อมูลและองค์กรจึงต้องอธิบายว่า ระบบ AI นั้นตอบโจทย์ข้อกำหนดทางกฎหมายหรือไม่ โดยเฉพาะเมื่อมีผลลัพธ์ที่ไม่พึงประสงค์

🎥 คลิกที่นี่เพื่อดูวิดีโอ: ความโปร่งใสใน AI

• เนื่องจากระบบ AI มีความซับซ้อนจึงยากที่จะเข้าใจว่าทำงานอย่างไรและแปลผลลัพธ์อย่างไร
• ความขาดความเข้าใจนี้ส่งผลต่อวิธีการจัดการ การปฏิบัติการ และการบันทึกเอกสารระบบเหล่านี้
• ที่สำคัญกว่านั้น ความไม่เข้าใจนี้มีผลต่อการตัดสินใจที่ทำโดยใช้ผลลัพธ์ที่ระบบเหล่านี้สร้างขึ้น

ความรับผิดชอบ

ผู้ที่ออกแบบและนำระบบ AI มาใช้งานต้องรับผิดชอบต่อการทำงานของระบบ ความจำเป็นในการมีความรับผิดชอบเป็นสิ่งสำคัญอย่างยิ่งกับเทคโนโลยีที่ใช้ในเรื่องที่ละเอียดอ่อน เช่น การจดจำใบหน้า เมื่อไม่นานมานี้ มีความต้องการเทคโนโลยีจดจำใบหน้าที่เพิ่มขึ้น โดยเฉพาะจากองค์กรบังคับใช้กฎหมายที่เห็นศักยภาพของเทคโนโลยีนี้ในการตามหาบุตรหลานที่สูญหาย อย่างไรก็ตาม เทคโนโลยีเหล่านี้อาจถูกใช้โดยรัฐบาลเพื่อคุกคามสิทธิเสรีภาพขั้นพื้นฐานของพลเมือง เช่น การสอดส่องบุคคลเฉพาะอย่างต่อเนื่อง ดังนั้น นักวิทยาศาสตร์ข้อมูลและองค์กรจึงต้องรับผิดชอบต่อผลกระทบที่ระบบ AI มีต่อบุคคลหรือสังคม

🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอ: คำเตือนเรื่องการสอดส่องมวลชนผ่านการจดจำใบหน้า

สุดท้าย หนึ่งในคำถามที่ใหญ่ที่สุดสำหรับรุ่นของเราในฐานะรุ่นแรกที่นำ AI เข้าสู่สังคมคือ จะมั่นใจได้อย่างไรว่า คอมพิวเตอร์จะยังคงรับผิดชอบต่อผู้คน และจะทำอย่างไรให้ผู้ที่ออกแบบคอมพิวเตอร์นั้นรับผิดชอบต่อทุกคน

การประเมินผลกระทบ

ก่อนฝึกโมเดล machine learning สิ่งสำคัญคือต้องดำเนินการประเมินผลกระทบเพื่อทำความเข้าใจวัตถุประสงค์ของระบบ AI; การใช้งานที่ตั้งใจไว้; ที่ตั้งที่จะนำไปใช้; และใครจะมีปฏิสัมพันธ์กับระบบ เหล่านี้ช่วยให้ผู้ตรวจสอบหรือผู้ทดสอบระบบรู้ว่าปัจจัยใดควรพิจารณาเมื่อระบุความเสี่ยงที่อาจเกิดขึ้นและผลที่คาดว่าจะเกิดขึ้น

ด้านที่ควรให้ความสำคัญเมื่อดำเนินการประเมินผลกระทบ ได้แก่:

• ผลกระทบที่เป็นอันตรายต่อบุคคล การตระหนักถึงข้อจำกัดหรือความต้องการใดๆ การใช้งานที่ไม่ได้รับอนุญาต หรือข้อจำกัดที่รู้จักซึ่งขัดขวางประสิทธิภาพของระบบเป็นสิ่งสำคัญเพื่อให้แน่ใจว่าระบบไม่ได้ถูกใช้ในทางที่อาจก่อให้เกิดอันตรายต่อบุคคล
• ข้อกำหนดข้อมูล การเข้าใจถึงวิธีการและที่ที่ระบบจะใช้ข้อมูลช่วยให้ผู้ตรวจสอบสามารถสำรวจข้อกำหนดทางข้อมูลที่ต้องระวัง (เช่น กฎหมาย GDPR หรือ HIPAA) นอกจากนี้ ต้องพิจารณาว่าที่มาและปริมาณข้อมูลมีความเพียงพอสำหรับการฝึกสอนหรือไม่
• สรุปผลกระทบ รวบรวมรายการอันตรายที่อาจเกิดจากการใช้ระบบ ตลอดวงจรชีวิตของ ML ควรทบทวนว่าได้ลดความเสี่ยงหรือจัดการกับปัญหาต่างๆ ที่พบหรือไม่
• เป้าหมายที่เกี่ยวข้อง สำหรับแต่ละหลักการหลักทั้งหก ประเมินว่าเป้าหมายแต่ละข้อได้รับการบรรลุหรือไม่ และมีช่องว่างอะไรบ้าง

การแก้ไขข้อผิดพลาดด้วย AI ที่มีความรับผิดชอบ

เช่นเดียวกับการแก้ไขข้อผิดพลาดในแอปพลิเคชันซอฟต์แวร์ การแก้ไขข้อผิดพลาดในระบบ AI เป็นกระบวนการจำเป็นในการระบุและแก้ไขปัญหาในระบบ มีหลายปัจจัยที่ส่งผลให้โมเดลทำงานไม่เป็นไปตามที่คาดหวังหรือไม่เป็นไปอย่างรับผิดชอบ เมตริกการประเมินประสิทธิภาพโมเดลส่วนใหญ่เป็นการรวบรวมเชิงปริมาณของประสิทธิภาพโมเดล ซึ่งไม่เพียงพอสำหรับการวิเคราะห์ว่าโมเดลละเมิดหลักการ AI ที่มีความรับผิดชอบอย่างไร นอกจากนี้ โมเดล machine learning เป็นกล่องดำที่ทำให้ยากต่อการเข้าใจว่าอะไรเป็นสาเหตุผลลัพธ์ของมันหรืออธิบายเมื่อมันทำผิดพลาด ต่อไปในหลักสูตรนี้ เราจะเรียนรู้วิธีใช้แดชบอร์ด Responsible AI เพื่อช่วยแก้ไขข้อผิดพลาดของระบบ AI แดชบอร์ดนี้เป็นเครื่องมือรวมที่ช่วยให้นักวิทยาศาสตร์ข้อมูลและผู้พัฒนา AI ดำเนินการ:

• วิเคราะห์ข้อผิดพลาด เพื่อระบุการกระจายข้อผิดพลาดของโมเดลที่ส่งผลต่อความยุติธรรมหรือความน่าเชื่อถือของระบบ
• ภาพรวมโมเดล เพื่อค้นหาว่ามีความแตกต่างในการทำงานของโมเดลผ่านกลุ่มข้อมูลต่างๆ ที่ใดบ้าง
• วิเคราะห์ข้อมูล เพื่อเข้าใจการกระจายของข้อมูลและระบุอคติที่อาจเกิดขึ้นในข้อมูลซึ่งอาจนำไปสู่ปัญหาด้านความยุติธรรม ความครอบคลุม และความน่าเชื่อถือ
• ความสามารถในการตีความโมเดล เพื่อเข้าใจสิ่งที่มีผลหรือมีอิทธิพลต่อการทำนายของโมเดล ซึ่งช่วยในการอธิบายพฤติกรรมของโมเดล ซึ่งสำคัญสำหรับความโปร่งใสและความรับผิดชอบ

🚀 ความท้าทาย

เพื่อป้องกันไม่ให้อันตรายเกิดขึ้นตั้งแต่แรก เราควร:

• มีความหลากหลายของพื้นหลังและมุมมองในหมู่บุคคลที่ทำงานบนระบบ
• ลงทุนในการมีชุดข้อมูลที่สะท้อนความหลากหลายของสังคมของเรา
• พัฒนาวิธีการที่ดีกว่าตลอดวงจรชีวิต machine learning เพื่อค้นหาและแก้ไขปัญหา AI ที่มีความรับผิดชอบเมื่อเกิดขึ้น

คิดถึงสถานการณ์จริงที่ความไม่น่าเชื่อถือของโมเดลปรากฏชัดในการสร้างและการใช้งานโมเดล เราควรพิจารณาอะไรเพิ่มเติมอีกบ้าง?

แบบทดสอบหลังบรรยาย

ทบทวน & เรียนรู้ด้วยตนเอง

ในบทเรียนนี้ คุณได้เรียนรู้พื้นฐานบางอย่างของแนวคิดเรื่องความเป็นธรรมและความไม่เป็นธรรมในแมชชีนเลิร์นนิง

ดูเวิร์กช็อปนี้เพื่อเจาะลึกหัวข้อเพิ่มเติม:

• ในการแสวงหาปัญญาประดิษฐ์ที่รับผิดชอบ: การนำนโยบายสู่การปฏิบัติ โดย Besmira Nushi, Mehrnoosh Sameki และ Amit Sharma

🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอ: RAI Toolbox: กรอบการทำงานโอเพนซอร์สสำหรับการสร้างปัญญาประดิษฐ์ที่รับผิดชอบ โดย Besmira Nushi, Mehrnoosh Sameki และ Amit Sharma

นอกจากนี้ อ่านเพิ่มเติมได้ที่:

• ศูนย์ทรัพยากร RAI ของ Microsoft: Responsible AI Resources – Microsoft AI

• กลุ่มวิจัย FATE ของ Microsoft: FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research

RAI Toolbox:

• ที่เก็บ Responsible AI Toolbox บน GitHub

อ่านเกี่ยวกับเครื่องมือของ Azure Machine Learning เพื่อให้มั่นใจในความเป็นธรรม:

• Azure Machine Learning

การบ้าน

สำรวจ RAI Toolbox

---

ปฏิเสธความรับผิดชอบ: เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้