ทันเอไอ

งานวิจัยชี้ตัวตรวจสอบโอโทโลยี อาจเผลอตีความคำตอบเอเจนต์ AI ที่ถูกต้องให้กลายเป็นผิด

ทีมนักวิจัยเผยผลศึกษาการใช้โอโทโลยีรูปแบบต่างๆ เพื่อตรวจสอบคำตอบของเอเจนต์ AI บนกราฟความรู้ ชี้ระบบตรวจสอบอาจเกิดความผิดพลาดได้เช่นกัน

บทความวิจัยบนแพลตฟอร์ม arXiv:2610.37809 เมื่อเดือนตุลาคม 2026 โดย มิชาล โอเซคอฟสกี (Michal Orzechowski), รุนด์ เทาฟิก (Rund Tawfiq) และโทมาช คอสซิโอเลก (Tomasz Kosciolek) ซึ่งอยู่ระหว่างการพิจารณา ได้ศึกษาประเด็นการใช้โอโทโลยี (Ontology หรือโครงสร้างความสัมพันธ์ข้อมูล) มาเป็นตัวตรวจสอบคำตอบของเอเจนต์ปัญญาประดิษฐ์ หรือ LLM Agents บนกราฟความรู้ (Knowledge Graphs)

ปัจจุบันการทำงานของเอเจนต์ AI ที่ตอบคำถามบนกราฟความรู้เว็บมักถูกห่อหุ้มด้วยระบบตรวจสอบที่อ้างอิงจากโอโทโลยี เนื่องจากมีความเชื่อว่าสถาปัตยกรรมแบบทางการจะช่วยเป็นผู้ตัดสินที่น่าเชื่อถือ อย่างไรก็ตาม งานวิจัยชี้ให้เห็นว่าตัวตรวจสอบเหล่านี้สามารถทำงานผิดพลาดได้เช่นกัน ทั้งการมองข้ามข้อผิดพลาด หรือการตีความคำตอบที่ถูกต้องว่าเป็นคำตอบที่ผิด แล้วบีบให้เอเจนต์พยายามแก้ไขคำตอบนั้น

ทีมผู้วิจัยได้ทำการศึกษาเปรียบเทียบโอโทโลยี 3 รูปแบบ ได้แก่ แบบที่มนุษย์จัดทำขึ้น (Curated) แบบที่โมเดลภาษาขนาดใหญ่สร้างขึ้น (LLM-Generated) และแบบที่สกัดจากข้อมูล (Data-Derived) โดยนำมาใช้เป็นบริบทในชุดคำสั่ง (Prompt Context) หรือเป็นตัวตรวจสอบ ผ่านการทดสอบกับกราฟสาธารณะและกราฟส่วนตัวที่มีขนาดเกือบ 1 พันล้านทริปเปิล (Triples)

ผลการทดสอบบนชุดข้อมูลยูนิโปรต์ (UniProt) พบว่าอัตราการตีความคำตอบที่ถูกต้องว่าเป็นคำตอบที่ผิด (False Positives) อยู่ที่ 16.8% สำหรับโอโทโลยีที่มนุษย์จัดทำขึ้น เทียบกับ 3.5% สำหรับแบบที่สกัดจากข้อมูล และ 1.8% สำหรับแบบที่ LLM สร้างขึ้นจากข้อมูลที่ปกปิดตัวระบุ ทั้งนี้ ผลลัพธ์ดังกล่าวยังคงอยู่ภายใต้เงื่อนไขและข้อจำกัดของการทดลองในงานวิจัยชิ้นนี้