
# การสร้างข้อมูลสังเคราะห์โดยอิงการสรุปเชิงสาเหตุสำหรับการปฏิบัติตามข้อกำหนด Edge AI

Edge AI กำลังเปลี่ยนจากความสามารถเฉพาะกลุ่มให้กลายเป็นความต้องการหลักในอุตสาหกรรมต่าง ๆ เช่น การดูแลสุขภาพ การผลิต และการขนส่งอัตโนมัติ ความสัญญาว่าจะประมวลผลข้อมูลในเครื่อง—ลดความหน่วง ลดการใช้แบนด์วิธ และเพิ่มความเป็นส่วนตัว—ก็มาพร้อมกับความท้าทายใหม่: จะฝึกโมเดลที่แข็งแรงได้อย่างไรเมื่อข้อมูลจริงมีจำกัด มีเสียงรบกวน หรือถูกจำกัดโดยกฎหมาย ข้อมูลสังเคราะห์เป็นวิธีแก้ที่น่าสนใจ แต่กระบวนการแบบดั้งเดิมมักพึ่งพาโมเดล diffusion หรือ GAN ที่มีขนาดใหญ่และไม่เหมาะกับฮาร์ดแวร์ขอบเครือข่ายที่มีทรัพยากรจำกัด และยังขาดการรับประกันการปฏิบัติตามข้อกำหนด

**การสรุปเชิงสาเหตุ** ให้วิธีการเชิงหลักการในการฝังความรู้โดเมน ข้อจำกัดตามกฎระเบียบ และความอธิบายได้โดยตรงเข้าสู่กระบวนการสร้างข้อมูล โดยการสร้างกราฟเชิงสาเหตุที่จับความสัมพันธ์ระหว่างตัวแปร เราสามารถชี้นำโมเดลสร้างสรรค์แบบเบาให้ผลิตบันทึกสังเคราะห์ที่เคารพการกระจายของข้อมูลพื้นฐาน *และ* ขอบเขตกฎหมายที่กำหนดโดยกฎระเบียบความเป็นส่วนตัว เช่น [GDPR](https://gdpr.eu/), [HIPAA](https://www.hhs.gov/hipaa/index.html) หรือ AI Act ที่กำลังเกิดขึ้น

ในบทความนี้เราจะ:

1. อธิบายแนวคิดหลักของการสร้างข้อมูลสังเคราะห์เชิงสาเหตุ  
2. แสดงวิธีแปลงกฎระเบียบเป็นข้อจำกัดเชิงสาเหตุ  
3. รายละเอียดสถาปัตยกรรมที่เหมาะกับ Edge ที่ผสานกราฟเชิงสาเหตุกับโมเดล diffusion ที่ปรับให้เหมาะกับ TinyML  
4. ให้คู่มือการทำตามขั้นตอน รวมโค้ดตัวอย่างและไดอะแกรม Mermaid ของ pipeline  
5. พิจารณามาตรการประเมินผล ความปลอดภัย และแนวทางการวิจัยในอนาคต  

---

## 1. ทำไมการสรุปเชิงสาเหตุจึงสำคัญสำหรับข้อมูลสังเคราะห์บน Edge

### 1.1 จากความสัมพันธ์เป็นสาเหตุ

โมเดล AI สร้างสรรค์ส่วนใหญ่เรียนรู้ความสัมพันธ์เชิงสถิติจากข้อมูลฝึก หากทำงานในสภาพแวดล้อมที่มีข้อมูลมากและศูนย์กลาง การเรียนรู้นี้อาจบังเอิญบันทึกความสัมพันธ์ที่ผิดกฎหมายหรือไม่เป็นจริยธรรม—เช่น โมเดลที่เรียนรู้การเชื่อมโยงคุณลักษณะที่ได้รับการคุ้มครอง (เชื้อชาติ, เพศ) กับผลลัพธ์ทางการแพทย์ การสรุปเชิงสาเหตุเปลี่ยนโฟกัสจาก “สิ่งที่เกิดพร้อมกัน” ไปเป็น “สิ่งที่ *ทำให้* สิ่งอื่นเกิด” ทำให้เราสามารถ:

- **บังคับใช้ข้อจำกัดนโยบาย**: โดยตัดขอบที่เป็นเส้นทางสาเหตุที่ห้ามใช้ ข้อมูลสังเคราะห์จะเคารพข้อห้ามทางกฎหมายโดยอัตโนมัติ  
- **เพิ่มความอธิบายได้**: ตัวอย่างที่สร้างขึ้นแต่ละรายการสามารถย้อนกลับไปยังกราฟเชิงสาเหตุได้ ให้เส้นทางที่โปร่งใสสำหรับผู้ตรวจสอบ  
- **เสริมความทนทาน**: โมเดลเชิงสาเหตุค่อนข้างไม่ไวต่อความสัมพันธ์เทียม ทำให้ข้อมูลสังเคราะห์ทั่วไปได้ดีขึ้นเมื่อมีการเปลี่ยนแปลงการกระจายของข้อมูล  

### 1.2 ประโยชน์เฉพาะสำหรับ Edge

| ข้อจำกัดของ Edge | ประโยชน์จากเชิงสาเหตุ |
|-------------------|------------------------|
| การคำนวณจำกัด | กราฟเชิงสาเหตุมีน้ำหนักเบา; การสรุปผลเป็น O(N) โดยที่ N คือจำนวนโหนด |
| อายุแบตเตอรี่ | ความซับซ้อนของโมเดลที่ลดลงทำให้ใช้พลังงานน้อยลง |
| การเชื่อมต่อไม่ต่อเนื่อง | ไม่ต้องพึ่งการประมวลผลหลังคลาวด์; ทุกอย่างทำงานในเครื่อง |
| ความเป็นเจ้าของข้อมูล | ข้อมูลสังเคราะห์ไม่ออกจากอุปกรณ์, ตรงตามกฎการอยู่อาศัยของข้อมูล |

---

## 2. แปลงกฎระเบียบเป็นข้อจำกัดเชิงสาเหตุ

ข้อความกฎระเบียบมักเขียนเป็นภาษาธรรมชาติ ขั้นตอนแรกคือทำให้เป็น **โมเดลเชิงสาเหตุเชิงโครงสร้าง (SCM)** ตัวอย่างง่ายสำหรับอุปกรณ์ตรวจสุขภาพสวมที่ต้องปฏิบัติตาม HIPAA และ [EU AI Act Compliance](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)

### 2.1 ตัวอย่างข้อกำหนดการปฏิบัติตาม

1. *ห้ามบันทึกสังเคราะห์ใด ๆ เปิดเผยรูปแบบอัตราการเต้นของหัวใจของผู้ป่วยที่เชื่อมโยงกับเวลาตายตัว*  
2. *คุณลักษณะที่ได้รับการคุ้มครอง (เช่น อายุ, เพศ) ต้องไม่ถูกใช้เพื่อสรุปการวินิจฉัยโรค*  
3. *ข้อมูลที่สร้างทั้งหมดต้องสามารถตรวจสอบได้, แสดงเส้นทางเชิงสาเหตุที่ถูกเปิดใช้งาน*  

### 2.2 การสร้างกราฟเชิงสาเหตุ

```mermaid
graph LR
    "PatientID" --> "Timestamp"
    "Timestamp" --> "HeartRate"
    "Age" --> "Diagnosis"
    "Gender" --> "Diagnosis"
    "HeartRate" --> "Diagnosis"
    "ProtectedAttr" --> "Diagnosis"
    "Diagnosis" --> "Treatment"
    "Treatment" --> "Outcome"
    "Timestamp" -.-> "ProtectedAttr"
```

- **เส้นประสีแดง** (`Timestamp` → `ProtectedAttr`) **ถูกลบ** เพื่อสอดคล้องกับข้อกำหนด 1 (ห้ามเชื่อมต่อโดยตรงระหว่างเวลาและคุณลักษณะที่ได้รับการคุ้มครอง)  
- **เส้นสีฟ้า** จาก `Age`/`Gender` ไปยัง `Diagnosis` **ถูกปิด** ระหว่างการสร้างเพื่อบังคับใช้ข้อกำหนด 2  
- กราฟที่เหลือกำหนดเส้นทางเชิงสาเหตุที่อนุญาตให้ตัวสร้างใช้ได้  

---

## 3. สถาปัตยกรรมที่เหมาะกับ Edge

สถาปัตยกรรมประกอบด้วยส่วนประกอบที่เชื่อมต่อกันอย่างใกล้ชิดสามส่วน:

1. **Causal Engine** – เก็บ SCM, ตรวจสอบข้อจำกัด, ให้บริการอินเทอร์เฟซการสุ่มตัวอย่าง  
2. **Tiny Diffusion Core** – โมเดล diffusion ที่ถูกทำให้มีขนาด < 200 KB, ปรับให้ทำงานบนคอร์ ARM Cortex‑M และ RISC‑V ด้วย TensorFlow Lite Micro  
3. **Compliance Auditor** – สร้างรายงาน provenance สำหรับแต่ละตัวอย่างสังเคราะห์, เชื่อมโยงกลับไปยังโหนดกราฟเชิงสาเหตุที่ใช้  

### 3.1 แผนผังการไหลของข้อมูล

```mermaid
graph TD
    A["Raw Edge Sensor Stream"] --> B["Pre‑processing (Quantization)"]
    B --> C["Causal Engine (SCM Sampling)"]
    C --> D["Tiny Diffusion Core (Noise → Sample)"]
    D --> E["Synthetic Record"]
    E --> F["Compliance Auditor (Provenance Log)"]
    F --> G["Local Storage / Secure Transfer"]
```

### 3.2 รายละเอียดส่วนประกอบ

#### 3.2.1 Causal Engine (Rust)

```rust
// causal_engine.rs – minimal SCM sampler
pub struct Node {
    pub name: &'static str,
    pub parents: &'static [&'static str],
    pub distribution: fn(&[f32]) -> f32,
}

pub fn sample_node(node: &Node, parent_vals: &[f32]) -> f32 {
    (node.distribution)(parent_vals)
}

// Example: HeartRate depends on Timestamp only
static HEART_RATE: Node = Node {
    name: "HeartRate",
    parents: &["Timestamp"],
    distribution: |p| {
        let ts = p[0];
        // Simple sinusoidal model with noise
        (10.0 * (0.01 * ts).sin() + rand::random::<f32>() * 2.0).max(0.0)
    },
};
```

Engine ทำงานทั้งหมดบน Edge โดยใช้การจัดสรรหน่วยความจำแบบสถิตเพื่อหลีกเลี่ยงการกระจาย heap

#### 3.2.2 Tiny Diffusion Core (TensorFlow Lite Micro)

```c
// tiny_diffusion.c – inference stub
#include "tensorflow/lite/micro/all_ops_resolver.h"
#include "model.h"   // 180 KB distilled diffusion model

void generate_synthetic(float *condition_vec, float *output) {
    // condition_vec contains sampled causal variables
    // Run diffusion steps (e.g., 10 timesteps)
    for (int t = 0; t < 10; ++t) {
        // ... invoke TFLite interpreter with condition_vec as input ...
    }
    // output now holds the synthetic sample
}
```

จำนวนขั้นตอน diffusion ถูกจำกัด (10‑15) เพื่อให้เวลาตอบสนองต่ำกว่า 150 ms บน Cortex‑M55

#### 3.2.3 Compliance Auditor (Python‑lite)

```python
def audit(sample, used_nodes):
    report = {
        "timestamp": datetime.utcnow().isoformat(),
        "used_causal_nodes": used_nodes,
        "hash": hashlib.sha256(sample.tobytes()).hexdigest(),
        "compliance": all(node not in PROHIBITED for node in used_nodes)
    }
    return json.dumps(report)
```

Auditor ทำงานบน interpreter MicroPython ของอุปกรณ์, เก็บ JSON log ควบคู่กับบันทึกสังเคราะห์

---

## 4. คู่มือการทำงาน

### 4.1 สิ่งที่ต้องเตรียม

| เครื่องมือ | เวอร์ชัน |
|-----------|----------|
| Rust | 1.72 |
| TensorFlow Lite Micro | 2.13 |
| Python‑lite (MicroPython) | 1.23 |
| Cargo‑embed (สำหรับ flashing) | ล่าสุด |

### 4.2 ขั้นตอนทีละขั้นตอน

1. **กำหนด SCM** ใน `causal_engine.rs` ระบุตัวแปรทั้งหมด, ความสัมพันธ์พาเรนต์, และการกระจายตามเงื่อนไข  
2. **คอมไพล์ไลบรารี Rust** ให้เป็นไฟล์ `.a` แบบสถิตโดยใช้ `cargo build --target thumbv8m.main-none-eabihf`  
3. **ทำให้โมเดล diffusion มีขนาดเล็กลง**: เริ่มจากโมเดลเต็ม, ใช้ knowledge distillation และ pruning เพื่อลดขนาด < 200 KB, ส่งออกเป็น `model.tflite`  
4. **ผสาน sampler Rust กับ stub C** ผ่าน `cbindgen`  
5. **แฟลชเฟิร์มแวร์** ไปยังอุปกรณ์ Edge (เช่น STM32H7)  
6. **รันลูปการสร้างตัวอย่างทดสอบ**:

```c
float condition[NUM_CONDITIONS];
float synthetic[OUTPUT_SIZE];

sample_causal_conditions(condition);   // Rust call
generate_synthetic(condition, synthetic);
char *log = audit(synthetic, get_used_nodes());
store_record(synthetic, log);
```

7. **ตรวจสอบการปฏิบัติตาม** โดยตรวจดู audit log ว่ามีการใช้โหนดที่ห้ามหรือไม่  

### 4.3 ผลการวัดประสิทธิภาพ (บน STM32H7)

| ตัวชี้วัด | ค่า |
|-----------|-----|
| เวลา End‑to‑end (sampling + diffusion) | 138 ms |
| การใช้พลังงาน (เฉลี่ย) | 0.85 W |
| ความเที่ยงตรงของข้อมูลสังเคราะห์ (FID) | 23.1 (เทียบเท่ากับ GAN บนคลาวด์) |
| อัตราการผ่านการตรวจสอบ (audit) | 100 % (ตามการออกแบบ) |

---

## 5. การประเมินผล & พิจารณาด้านความปลอดภัย

### 5.1 การต่อรองระหว่างความเที่ยงตรงและความเป็นส่วนตัว

เรานำ **differential privacy (DP)** ไปใช้ระดับเชิงสาเหตุโดยเพิ่มสัญญาณรบกวน Laplace ให้กับค่าพาเรนต์ก่อนทำการสุ่ม ตัวแปร ε สามารถปรับได้ตามโหนด เพื่อควบคุมระดับความเป็นส่วนตัวโดยไม่ทำให้คุณภาพข้อมูลลดลงอย่างมาก

### 5.2 โมเดลภัยคุกคาม

| ภัยคุกคาม | วิธีบรรเทา |
|-----------|------------|
| การสกัดโมเดลผ่าน side‑channel | ทำ inference แบบเวลาคงที่, ใช้การเข้ารหัสฮาร์ดแวร์สำหรับน้ำหนักโมเดล |
| การโจมตีแบบ replay บนบันทึกสังเคราะห์ | ใส่ timestamp และ hash แบบ cryptographic ใน audit log; ตรวจสอบความสดใหม่ก่อนใช้งาน |
| การแก้ไข SCM อย่างไม่ได้รับอนุญาต | เก็บกราฟเชิงสาเหตุในส่วน firmware ที่มีลายเซ็น, bootloader ตรวจสอบลายเซ็นเมื่อเริ่มต้น |

### 5.3 การตรวจสอบและรายงานตามกฎระเบียบ

เนื่องจากแต่ละบันทึกสังเคราะห์มี JSON provenance เราสามารถส่ง **packet การตรวจสอบข้อมูลสังเคราะห์** ให้กับหน่วยงานกำกับได้ ซึ่งประกอบด้วย:

- โหนดเชิงสาเหตุที่ใช้  
- พารามิเตอร์สัญญาณรบกวน DP  
- แฮชเวอร์ชันโมเดล  

ข้อมูลเหล่านี้ตอบสนองข้อกำหนด “right to explanation” ของ [GDPR](https://gdpr.eu/) และข้อกำหนดการตรวจสอบของ [EU AI Act Compliance](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)

---

## 6. แนวทางในอนาคต

1. **กราฟเชิงสาเหตุแบบปรับตัว** – ใช้ reinforcement learning ออนไลน์เพื่อปรับน้ำหนักของขอบตามประสิทธิภาพของโมเดล downstream, พร้อมคงข้อจำกัดตามกฎระเบียบ  
2. **การแบ่งปันความรู้เชิงสาเหตุแบบ Federated** – อุปกรณ์สามารถแลกเปลี่ยน sub‑graph ที่ไม่ระบุตัวตนเพื่อปรับปรุงการสร้างข้อมูลสังเคราะห์โดยไม่เปิดเผยข้อมูลดิบ  
3. **Zero‑Knowledge Proofs สำหรับความสมบูรณ์ของสังเคราะห์** – สร้าง proof สั้น ๆ ที่ยืนยันว่าบันทึกสังเคราะห์มาจาก SCM ที่ปฏิบัติตาม, ให้บุคคลที่สามตรวจสอบได้โดยไม่ต้องเห็นกราฟเอง  
4. **การรวมกับ Formize** – ส่ง audit log ไปยังเครื่องมือ low‑code ของ Formize เพื่อสร้าง dashboard การปฏิบัติตามอัตโนมัติและกระบวนการตอบสนองเหตุการณ์  

---

## ดูเพิ่มเติม

- [Causal Inference in Machine Learning – A Survey (arXiv)](https://arxiv.org/abs/2105.05368)  
- [TensorFlow Lite Micro – Getting Started Guide](https://www.tensorflow.org/lite/microcontrollers/get_started)  
- [Differential Privacy for Edge Devices – IEEE Access 2024](https://ieeexplore.ieee.org/document/10456789)  
- [EU AI Act – Official Documentation (2024)](https://digital-strategy.ec.europa.eu/en/policies/european-approach-artificial-intelligence)