เมื่อ AI ไม่ได้หยุดอยู่ที่การตอบคำถาม แต่เริ่มเข้าถึงข้อมูล เรียกใช้ API เชื่อมต่อ Workflow และดำเนินงานต่อในระบบได้ ขอบเขตที่ทีม Cybersecurity ต้องดูแลก็เปลี่ยนตามไปด้วย

ในมุมของการป้องกัน AI ช่วยให้ทีมประมวลผลข้อมูลจำนวนมาก ค้นหารูปแบบใน Log จัดกลุ่ม Alert และลดภาระจากงานบางส่วนที่ต้องทำซ้ำทุกวัน

อย่างไรก็ตาม ความสามารถที่เพิ่มขึ้นก็มาพร้อม Attack Surface ชุดใหม่

เมื่อ AI Agent เข้าถึงฐานข้อมูล ใช้ Connector เรียก Tool หรือดำเนินการแทนผู้ใช้ ความเสี่ยงจึงไม่ได้อยู่เพียงคำตอบที่ AI สร้างขึ้น แต่ขยายไปถึงข้อมูล Permission และระบบปลายทางที่ AI สามารถสั่งงานได้

OWASP จึงจัดทำแนวทางด้านความปลอดภัยสำหรับทั้ง LLM Application และ Agentic AI โดยครอบคลุมความเสี่ยงสำคัญ เช่น Prompt Injection, Sensitive Information Disclosure, Supply Chain Risk และ Excessive Agency หรือความเสี่ยงจากการให้ระบบ AI มีอำนาจดำเนินการมากเกินความจำเป็น

เมื่อองค์กรเริ่มนำ AI มาใช้กับข้อมูลและระบบจริง ทีมงานพร้อมแล้วหรือยังที่จะใช้งาน ตรวจสอบ และควบคุมความเสี่ยงที่ตามมา?

AI Security คืออะไร

ในบทความนี้ เราจะมอง AI Security ผ่านทั้งการนำ AI มาช่วยสนับสนุนงานป้องกันระบบ และการปกป้อง AI Application, Model, Data รวมถึง Workflow ที่เชื่อมต่ออยู่เบื้องหลัง

เพื่อให้เห็นภาพชัดขึ้น สามารถแบ่ง AI Security ออกเป็น 3 มิติหลัก

1. Protecting with AI: ใช้ AI ช่วยป้องกันระบบ

เมื่อเชื่อมต่อกับข้อมูลและเครื่องมือที่เหมาะสม AI สามารถช่วยประมวลผล Log, Event, Email และพฤติกรรมการใช้งาน เพื่อค้นหารูปแบบผิดปกติหรือช่วยจัดลำดับสิ่งที่ทีมควรตรวจสอบก่อน

• ช่วยอ่านและสรุป Security Log
• ค้นหารูปแบบ Login ที่ผิดปกติ
• วิเคราะห์ข้อความหรืออีเมลที่อาจเป็น Phishing
• จัดกลุ่ม Alert และช่วยลดภาระการตรวจสอบเบื้องต้น
• สร้าง Workflow สำหรับแจ้งเตือนหรือส่งต่อเหตุการณ์อัตโนมัติ

AI จึงช่วยให้ทีมคัดกรองข้อมูลปริมาณมากและมองเห็นสัญญาณบางอย่างได้เร็วขึ้น อย่างไรก็ตาม ผลลัพธ์ยังต้องได้รับการตรวจสอบ โดยเฉพาะเหตุการณ์ที่อาจกระทบต่อระบบสำคัญหรือทำให้เกิดการตัดสินใจผิดพลาด

2. Protecting AI: ปกป้องระบบ AI และข้อมูลที่เกี่ยวข้อง

เมื่อองค์กรสร้าง Chatbot, Copilot หรือ AI Agent ขึ้นมาใช้งาน ระบบเหล่านี้อาจเชื่อมต่อกับเอกสาร ฐานข้อมูล แอปพลิเคชันภายใน หรือ API ภายนอก ทีม Security จึงต้องตอบคำถามให้ได้ว่า

• AI เข้าถึงข้อมูลชุดใด
• ผู้ใช้แต่ละกลุ่มมองเห็นข้อมูลเท่ากันหรือไม่
• ข้อมูลที่ส่งเข้า AI มีข้อมูลส่วนบุคคลหรือข้อมูลลับหรือไม่
• Output จาก AI ถูกนำไปสั่งงานระบบใดต่อ
• Action ใดสามารถดำเนินการได้อัตโนมัติ และ Action ใดต้องผ่านการอนุมัติก่อน
• สามารถตรวจสอบย้อนหลังได้หรือไม่ว่า AI ดำเนินการอะไรไปแล้ว

การปกป้อง AI ต้องมองไกลกว่าการเขียน Prompt ให้รัดกุม โดยออกแบบ Identity, Access Control, Data Protection, Application Security และ Audit Trail ให้ทำงานร่วมกันตั้งแต่ต้น

3. Protecting AI-enabled Attacks: รับมือภัยโจมตีที่มี AI เป็นตัวช่วย

AI สามารถช่วยให้ผู้โจมตีผลิตข้อความ ปรับภาษา วิเคราะห์ข้อมูล และทดลองแนวทางต่างๆ ได้รวดเร็วขึ้น ทำให้การโจมตีบางรูปแบบขยายขนาดหรือปรับให้เข้ากับเป้าหมายได้ง่ายกว่าเดิม

• Phishing และ Social Engineering ที่ปรับข้อความให้เข้ากับเป้าหมาย
• การใช้ AI ช่วยร่างหรือปรับ Script สำหรับสำรวจระบบและทดสอบช่องโหว่
• เนื้อหาปลอม เสียงปลอม หรือข้อมูลที่สร้างขึ้นเพื่อหลอกให้เกิดการตัดสินใจ
• Prompt Injection ที่พยายามเปลี่ยนพฤติกรรมของ AI
• การดึงข้อมูลที่ระบบไม่ควรเปิดเผย
• การชักนำให้ AI Agent เรียกใช้ Tool หรือทำ Action นอกขอบเขต

Prompt Injection คือการใช้ Input ที่ออกแบบมาเพื่อชักนำให้ระบบ AI ตอบสนองหรือดำเนินการต่างจากเจตนาที่ผู้พัฒนากำหนดไว้ และในบางสถานการณ์อาจเชื่อมโยงไปสู่การเปิดเผยข้อมูลหรือ Action ที่ไม่เหมาะสม

เมื่อ AI Agent ลงมือทำงาน ความเสี่ยงต่างจาก Chatbot อย่างไร

ระบบสนทนาที่ออกแบบมาเพื่อให้ข้อมูลเป็นหลัก มักจบการทำงานที่คำตอบหรือคำแนะนำ ขณะที่ AI Agent อาจได้รับเป้าหมาย วางลำดับงาน เรียกใช้เครื่องมือ และดำเนินการต่อเนื่องข้ามหลายระบบ

ตัวอย่างเช่น AI Agent สำหรับ IT Service Desk อาจสามารถ

• รับรายละเอียดปัญหาจากผู้ใช้
• ตรวจสอบสถานะระบบ
• จัดประเภทเหตุการณ์และกำหนด Priority
• สร้าง Ticket
• รีเซ็ตรหัสผ่านหรือส่งคำขอติดตั้ง Software
• ส่งงานต่อไปยัง AI Agent ตัวอื่นหรือเจ้าหน้าที่เฉพาะทางตามประเภทของปัญหา
• บันทึกผลและรายงานกลับมายังผู้ใช้

เมื่อ AI เปลี่ยนจาก "ผู้ช่วยตอบ" เป็น "ผู้ช่วยลงมือทำ" การกำหนดสิทธิ์และขอบเขตการทำงานต้องละเอียดขึ้นตามไปด้วย

OWASP ใช้คำว่า Excessive Agency เพื่ออธิบายความเสี่ยงจากการให้ระบบ AI มี Function, Permission หรือระดับความเป็นอิสระมากเกินภารกิจที่จำเป็น จนอาจเกิด Action ที่ไม่ได้ตั้งใจหรือสร้างผลกระทบต่อระบบ

Human-in-the-loop จึงเป็นหนึ่งใน Control สำคัญสำหรับ Action ที่มีความเสี่ยงสูง เช่น ปิดบัญชีผู้ใช้ ลบข้อมูล เปลี่ยนสิทธิ์ หรือดำเนินการกับ Production System โดยควรทำงานร่วมกับการจำกัดสิทธิ์ การบันทึก Log และกระบวนการอนุมัติที่ตรวจสอบได้

AI สามารถเตรียมข้อมูลและเสนอแนวทางได้ ส่วนการอนุมัติขั้นสุดท้ายควรอยู่กับผู้มีอำนาจรับผิดชอบตามระดับความเสี่ยง

ทักษะ Cybersecurity เดิมยังสำคัญอยู่หรือไม่

คำตอบคือยังสำคัญ และอาจยิ่งสำคัญขึ้นเมื่อ AI ถูกนำมาใช้กับระบบจริง

AI สามารถช่วยค้นหารูปแบบหรือสรุปข้อมูลได้รวดเร็ว แต่ผู้ปฏิบัติงานยังต้องมีพื้นฐานมากพอที่จะประเมินว่า

• สิ่งที่ AI ระบุเป็นภัยคุกคามจริงหรือ False Positive
• ข้อมูลที่นำมาวิเคราะห์ครบถ้วนหรือไม่
• คำแนะนำสอดคล้องกับ Architecture ขององค์กรหรือเปล่า
• การดำเนินการตามคำแนะนำจะกระทบระบบส่วนใด
• Evidence ที่พบเพียงพอต่อการสรุปเหตุการณ์หรือยัง

ดังนั้น Network Security, Identity and Access Management, Vulnerability Management, Incident Response, Digital Forensics, Cloud Security และ Governance ยังคงเป็นแกนหลัก

AI ทำหน้าที่ขยายความเร็วและขีดความสามารถ ส่วนคุณภาพของการตัดสินใจยังขึ้นอยู่กับพื้นฐานของผู้ใช้

7 ทักษะที่คนสาย Cybersecurity ควรเพิ่มในยุค AI

1. AI Literacy

ไม่ใช่ทุกคนที่ต้องเริ่มจากการสร้าง Model หรือเขียน Algorithm แต่ควรเข้าใจว่า Generative AI และ AI Agent ทำงานในภาพรวมอย่างไร ดึงข้อมูลจากแหล่งใด มีข้อจำกัดอะไร และเหตุใดผลลัพธ์จึงอาจคลาดเคลื่อน

AI Literacy ช่วยให้ทีม Security ตั้งคำถามได้ถูกจุด แทนที่จะเชื่อผลลัพธ์จาก AI โดยไม่มีการตรวจสอบ

2. Data Security for AI

ระบบ AI มีความสัมพันธ์กับข้อมูลในหลายขั้นตอน ตั้งแต่ข้อมูลที่ใช้เป็น Knowledge Base ข้อมูลที่ส่งเข้า Prompt ไปจนถึงข้อมูลที่ระบบสร้างกลับออกมา

• Data Classification
• Sensitive Information
• Personal Data
• Retention
• Access Permission
• Third-party Data Processing
• การนำข้อมูลไปใช้ฝึกหรือปรับปรุง Model

OWASP ระบุว่า Sensitive Information Disclosure อาจเกิดขึ้นเมื่อ LLM หรือ Application เปิดเผยข้อมูลส่วนบุคคล ข้อมูลลับ หรือรายละเอียดที่ไม่ควรถูกส่งต่อผ่าน Output หรือระบบที่เชื่อมต่ออยู่

3. Prompt and AI Application Security

Prompt Injection เป็นเพียงหนึ่งในความเสี่ยงของ AI Application ผู้ดูแลระบบควรมองเห็นทั้ง Input, Output, Tool, Connector และระบบปลายทาง โดยไม่ใช้ Prompt เป็น Security Control เพียงชั้นเดียว

แนวทางป้องกันควรครอบคลุมการตรวจสอบ Input และ Output การแยกข้อมูลสำคัญออกจาก System Prompt การจำกัด Tool ที่ AI เรียกใช้ และการใช้ระบบควบคุมภายนอก Model เพื่อบังคับใช้สิทธิ์อย่างจริงจัง

4. AI Threat Modeling

Threat Modeling ช่วยให้ทีมมองเห็นเส้นทางที่ผู้โจมตีอาจใช้ ตั้งแต่การป้อนข้อมูลที่ถูกออกแบบมาเพื่อหลอก AI ไปจนถึงการใช้ Output กระตุ้นให้ระบบอื่นทำงานต่อ

• ใครสามารถส่ง Input เข้าระบบได้
• AI เชื่อมต่อข้อมูลและ Tool อะไรบ้าง
• หาก AI ตัดสินใจผิด ผลกระทบสูงสุดคืออะไร
• ผู้โจมตีสามารถขยายสิทธิ์ผ่าน AI ได้หรือไม่
• มีจุดใดที่ต้องหยุดรอ Human Approval
• ระบบบันทึก Evidence ได้ครบหรือไม่

5. Cloud, API and Identity Security

AI Application จำนวนมากเชื่อมต่อบริการผ่าน API และทำงานบน Cloud

ความเสี่ยงจึงอาจเกิดจาก API Key, Service Account, Token, Connector หรือ Permission ที่กว้างเกินความจำเป็น

หลัก Least Privilege ยังคงเป็นพื้นฐานสำคัญเมื่อนำ AI ไปเชื่อมต่อกับข้อมูลและระบบขององค์กร

6. Security Automation with Human Oversight

AI และ Automation สามารถช่วยลดเวลาของงานซ้ำ เช่น อ่าน Log จัดกลุ่ม Alert สร้าง Ticket หรือส่ง Notification

อย่างไรก็ตาม การทำงานอัตโนมัติควรมีระดับควบคุมตามผลกระทบ

• ส่ง Alert อัตโนมัติ: ความเสี่ยงต่ำ
• สร้าง Ticket และจัดหมวดหมู่: ความเสี่ยงต่ำถึงปานกลาง
• Reset Password: อาจต้องตรวจสอบ Identity
• Disable Account: ควรรอการอนุมัติในหลายกรณี
• ลบข้อมูลหรือแก้ Production System: ต้องมี Control ที่เข้มงวด

จุดสำคัญจึงอยู่ที่การออกแบบว่า AI ทำอะไรได้ ทำอะไรไม่ได้ และใครเป็นผู้รับผิดชอบเมื่อเกิดข้อผิดพลาด

7. AI Governance and Risk Communication

บทบาทสำคัญของผู้บริหารอยู่ที่การเข้าใจความเสี่ยงให้เพียงพอต่อการกำหนด Policy วาง Requirement และตั้งคำถามกับทีม Technical ได้ตรงประเด็น โดยไม่จำเป็นต้องลงไปวิเคราะห์ Log หรือทดสอบ Prompt Injection ด้วยตนเอง

• องค์กรอนุญาตให้ใช้ AI กับข้อมูลประเภทใด
• Use Case ใดต้องผ่านการประเมินความเสี่ยง
• ใครเป็นเจ้าของ AI System
• ใครรับผิดชอบ Output และ Action ของ Agent
• เหตุการณ์แบบใดต้องถูกรายงาน
• มีการตรวจสอบระบบและสิทธิ์เป็นระยะหรือไม่

แนวทางเลือกทักษะ AI Security ตามบทบาท

แต่ละบทบาทอาจต้องใช้ความรู้ด้าน AI Security ในระดับที่แตกต่างกัน ตารางต่อไปนี้จึงเป็นแนวทางเบื้องต้นสำหรับพิจารณาว่า แต่ละทีมควรให้ความสำคัญกับทักษะด้านใด โดยอิงจากหน้าที่ ระดับความรับผิดชอบ และความเสี่ยงที่เกี่ยวข้องกับงาน

การวาง Roadmap ตามบทบาทช่วยให้แต่ละทีมเห็นว่าควรพัฒนาทักษะใด และควรลงลึกแค่ไหนให้เหมาะกับงานที่รับผิดชอบ

จุดเช็กก่อนนำ AI หรือ AI Agent เข้าสู่องค์กร

ก่อนเปิดใช้งาน AI กับข้อมูลและ Workflow จริง ลองตรวจสอบ 6 เรื่องต่อไปนี้

1. AI จะเข้าถึงข้อมูลอะไร

จำแนกข้อมูลให้ชัดว่าเป็นข้อมูลทั่วไป ข้อมูลภายใน ข้อมูลส่วนบุคคล หรือข้อมูลลับ

2. AI สามารถทำ Action อะไรได้บ้าง

แยกความสามารถในการอ่าน แนะนำ สร้าง แก้ไข อนุมัติ และลบข้อมูลออกจากกัน

3. สิทธิ์ของ Agent ถูกจำกัดเพียงพอหรือยัง

หลีกเลี่ยงการให้ Agent ใช้บัญชีที่มีสิทธิ์สูงหรือเข้าถึงหลายระบบเกินความจำเป็น

4. จุดใดต้องให้คนอนุมัติ

กำหนด Human Approval สำหรับ Action ที่กระทบ Account, Permission, Data หรือระบบ Production

5. มี Log สำหรับตรวจสอบย้อนหลังหรือไม่

ควรกำหนดการบันทึก Input, Output, Tool Call, Action, ผู้อนุมัติ และผลลัพธ์ให้เพียงพอต่อการตรวจสอบย้อนหลัง โดยใช้หลัก Data Minimization และคำนึงถึง Privacy, Retention รวมถึงสิทธิ์ในการเข้าถึง Log

6. เมื่อ AI ให้ผลลัพธ์ผิดหรือดำเนินการเกินขอบเขต ใครมีหน้าที่ตรวจสอบ ตัดสินใจ และจัดการผลกระทบ

บทบาทและ Accountability ควรถูกกำหนดก่อน Deploy ตั้งแต่เจ้าของระบบ ผู้อนุมัติ ผู้ดูแล Technical Control ไปจนถึงทีมที่รับมือเมื่อเกิด Incident

จะเริ่ม AI Security Roadmap จากจุดไหน

เส้นทางที่เหมาะสมขึ้นอยู่กับพื้นฐานและบทบาทปัจจุบัน

ระยะที่ 1: สร้าง AI Literacy

เหมาะกับบุคลากรทั่วไป ทีมธุรกิจ และผู้ที่เพิ่งเริ่มใช้ Generative AI

เป้าหมายคือเข้าใจความสามารถ ข้อจำกัด การใช้ข้อมูล และแนวทางใช้งานอย่างรับผิดชอบ

ระยะที่ 2: เข้าใจการสร้างและเชื่อมต่อ AI

เหมาะกับ Business User, IT Admin, Developer และทีมที่กำลังสร้าง Chatbot หรือ AI Agent

ควรเรียนรู้เรื่อง Knowledge Source, Connector, Workflow, Deployment และ Permission เพื่อเห็นว่าระบบ AI เชื่อมต่อกับองค์กรอย่างไร

ระยะที่ 3: ประยุกต์ AI กับ Operations และ Security

เหมาะกับ IT Operations, Service Desk และทีม Cybersecurity

เป้าหมายคือใช้ AI ช่วยวิเคราะห์ข้อมูล ลดงานซ้ำ สร้าง Automation และกำหนดจุดควบคุมสำหรับการทำงานอัตโนมัติ

ระยะที่ 4: วาง Governance และ Risk Framework

เหมาะกับผู้บริหาร IT, Security Manager, Risk Owner และผู้มีอำนาจกำหนดนโยบาย

ควรเน้น Accountability, Risk Assessment, Human Oversight, Audit และการกำหนดขอบเขตการใช้ AI ในองค์กร

จาก AI Literacy สู่ AI Security: วางเส้นทางพัฒนาทักษะให้ตรงกับบทบาท

การเตรียมทีมให้พร้อมกับ AI Security ไม่จำเป็นต้องให้ทุกคนเรียนรู้ในระดับเดียวกัน เพราะผู้ใช้งานทั่วไป ทีมพัฒนา AI Agent ผู้ดูแล IT Operations ทีม Cybersecurity และผู้บริหาร ต่างมีหน้าที่ ความเสี่ยง และระดับความรับผิดชอบที่แตกต่างกัน

ผู้ที่เพิ่งเริ่มนำ Generative AI มาใช้กับงาน ควรวางพื้นฐานเรื่องความสามารถ ข้อจำกัด และการใช้ข้อมูลให้เหมาะสมก่อน ส่วนทีมที่กำลังสร้าง Agent หรือเชื่อมต่อ Workflow ต้องเข้าใจว่า AI เข้าถึงข้อมูล ใช้สิทธิ์ และดำเนินการกับระบบใดได้บ้าง ขณะที่ทีม Security และผู้บริหารควรต่อยอดไปสู่การควบคุมความเสี่ยง Human Oversight และ Governance

NTC มีหลักสูตรที่สามารถเลือกและจัดลำดับตามบทบาทได้ดังนี้

1) Generative AI for Workforce Foundation

บุคลากรทั่วไปและผู้ที่เพิ่งเริ่มนำ Generative AI มาใช้กับงาน

AI Literacy, การใช้ข้อมูลอย่างเหมาะสม และการตรวจสอบผลลัพธ์จาก AI ก่อนนำไปใช้งาน

การประยุกต์ Generative AI กับงานด้านการสร้างแนวคิด การเขียน การวิเคราะห์ และการค้นคว้าข้อมูล ผ่านสถานการณ์ทำงานที่นำไปใช้ต่อได้จริง

ดูรายละเอียดหลักสูตร Generative AI for Workforce Foundation

2) AI Agents with Microsoft Copilot Studio

Business User, IT Admin, Developer และทีมที่ต้องการสร้าง AI Agent หรือ Chatbot ด้วยแนวทาง Low-Code/No-Code

AI Agent Development, Data Connection, Workflow, Permission และ Deployment

การสร้างและปรับแต่ง Agent ผ่าน Microsoft Copilot Studio การเชื่อมต่อข้อมูลจาก Excel, Dataverse, SharePoint, SQL Server และ External API รวมถึงการนำ Agent ไปใช้งานบน Microsoft Teams, Web และ Power Automate

ดูรายละเอียดหลักสูตร AI Agents with Microsoft Copilot Studio

3) Agentic AI for Next-Generation IT Service Desk

IT Service Desk Manager, IT Operations Leader, ITSM Practitioner และผู้ดูแลงาน Service Delivery

Agentic Workflow, Incident Triage, Request Fulfillment, Human-in-the-loop, Audit Trail และ Governance

การออกแบบ Service Desk ที่ AI สามารถช่วยวิเคราะห์ Ticket จัดลำดับงาน ส่งต่องานระหว่าง Agent และเจ้าหน้าที่ รวมถึงกำหนดจุดควบคุมก่อนให้ระบบดำเนินการกับบัญชี ข้อมูล หรือระบบ Production

หลักสูตรมี Hands-on Lab ด้วย OpenAI Codex และ Agents SDK ผู้เรียนจึงควรมีพื้นฐาน Python เบื้องต้น

ดูรายละเอียดหลักสูตร Agentic AI for Next-Generation IT Service Desk

4) AI for Security: Practical Protection with AI Tools

ทีม Cybersecurity, SOC, IT Operations และผู้ที่ต้องการนำ AI มาช่วยสนับสนุนงาน Security Operations

AI-assisted Log Analysis, Phishing Analysis, Alert Workflow, Security Automation และ Human Oversight

การใช้ AI ช่วยวิเคราะห์ Log ค้นหาพฤติกรรมผิดปกติ ตรวจสอบข้อความที่อาจเป็น Phishing และสร้าง Workflow แจ้งเตือนด้วย n8n และ ChatGPT พร้อมทำความเข้าใจความเสี่ยงด้าน False Positive และ Data Exposure

ดูรายละเอียดหลักสูตร AI for Security: Practical Protection with AI Tools

5) AI Security Awareness for Executives

ผู้บริหาร IT, Security Manager, Risk Owner และผู้ที่มีหน้าที่กำหนดนโยบายหรืออนุมัติโครงการ AI

AI Risk Awareness, Security Requirement, Governance, Accountability และ Oversight

ภาพรวมความเสี่ยงของ LLM และ Generative AI เช่น Prompt Injection, RAG Attack และ Data Leakage พร้อมแนวทางตั้งคำถามกับทีม Technical และกำหนด Requirement ก่อนนำ AI ไปใช้กับข้อมูลและระบบขององค์กร

ดูรายละเอียดหลักสูตร AI Security Awareness for Executives

AI Security ที่แข็งแรง เริ่มจากการเข้าใจบทบาทของคนและระบบ

AI อาจช่วยให้ทีม Cybersecurity มองเห็นข้อมูลเร็วขึ้น จัดการงานซ้ำได้มีประสิทธิภาพ และตอบสนองต่อเหตุการณ์ได้ทันเวลา ขณะเดียวกัน ยิ่ง AI เชื่อมต่อข้อมูลและลงมือทำงานได้มากขึ้น การกำหนดสิทธิ์ ขอบเขต และความรับผิดชอบก็ต้องชัดเจนขึ้นตามไปด้วย คนสาย Cybersecurity จึงไม่จำเป็นต้องเปลี่ยนตัวเองเป็น AI Engineer ทุกคน

สิ่งที่ควรทำคือสร้างความเข้าใจ AI ให้เพียงพอกับบทบาท รักษาพื้นฐาน Security ให้แข็งแรง และเรียนรู้ว่าจะนำ AI มาใช้ตรงไหน โดยยังตรวจสอบและควบคุมผลกระทบได้

NTC มีหลักสูตร AI ครอบคลุมหลายด้าน ทั้งการสร้างพื้นฐานสำหรับบุคลากร การพัฒนา AI Agent, Agentic Workflow, IT Service Desk, Cybersecurity และการสร้างความเข้าใจในระดับผู้บริหาร

ผู้ที่ยังไม่แน่ใจว่าควรเริ่มจากหลักสูตรใด สามารถปรึกษาทีมผู้เชี่ยวชาญเพื่อเลือก Learning Path ให้เหมาะกับระดับประสบการณ์ หน้าที่รับผิดชอบ และเป้าหมายขององค์กร