ภาพรวม

บริการ Amazon Textract แยกข้อความที่พิมพ์ ลายมือ และข้อมูลที่มีโครงสร้างจากภาพของเอกสาร ภายในบริการนี้ คุณสมบัติ AnalyzeID จะอ่านและแยกข้อมูลข้อความที่มีโครงสร้างจากภาพของเอกสารประจำตัว ซึ่งปัจจุบันรวมถึงใบขับขี่ของสหรัฐอเมริกาและหนังสือเดินทางของสหรัฐอเมริกาด้วย คุณสมบัตินี้ช่วยให้ลูกค้าสามารถทำงานได้ง่ายขึ้นในการประมวลผลเอกสารได้โดยอัตโนมัติและรวดเร็ว

AnalyzeID ทำงานบนข้อความที่ปรากฏในเอกสารประจำตัวเพื่อคาดการณ์คู่ของคีย์-ค่า (key-value pair) ทั้งค่าที่ชัดเจนและโดยนัย Analysis ID สามารถแยกคู่ของคีย์-ค่าที่ชัดเจน โดยที่คีย์ (“วันที่ออก”) ปรากฏบนเอกสารและสอดคล้องกับค่า (“03/18/2018”) และคู่คีย์-ค่าโดยนัยที่อาจไม่มีคีย์ที่ชัดเจนปรากฏอยู่ข้างๆ (“María” ปรากฏอยู่ตรงกลางของใบอนุญาต แต่ไม่ได้ระบุเป็น “ชื่อ”) บริการทำให้คู่คีย์-ค่าเป็นอนุกรมวิธานทั่วไปของ 21 คีย์ที่รู้จัก เพื่อให้ลูกค้าสามารถเปรียบเทียบข้อมูลในประเภท ID ได้ ตัวอย่างเช่น บริการจะแยก LIC# ของใบขับขี่และหมายเลขหนังสือเดินทางจากหนังสือเดินทางของสหรัฐอเมริกา โดยติดป้ายกำกับทั้งสองคีย์เป็น “หมายเลขประจำตัวเอกสาร” เพื่อประเมินความแม่นยำของ AnalyzeID เราเปรียบเทียบการคาดการณ์เหล่านี้กับความจริงพื้นฐาน คีย์และค่าความจริงพื้นฐานได้รับการแก้ไขโดยคำอธิบายประกอบของมนุษย์ คู่คีย์-ค่าที่คาดการณ์แต่ละคู่จะเป็นฮิต (hit) หากการคาดการณ์ตรงกับความจริงพื้นฐาน และเป็นมิส (miss) หากเป็นอย่างอื่น ตัวชี้วัดคุณภาพ เช่น ความแม่นยำ การจำได้ และ F1 ขึ้นอยู่กับจำนวนฮิตและมิส

เอกสารประจำตัวแตกต่างกันไปตามเขตอำนาจศาล (ใบขับขี่ของรัฐเวอร์จิเนียแตกต่างจากใบขับขี่ของรัฐแคลิฟอร์เนีย) และภายในเขตอำนาจศาล เนื่องจากแต่ละเขตอำนาจศาลต่างมีการปรับเปลี่ยนเอกสารที่แตกต่างกัน เมื่อเวลาผ่านไป เอกสารประจำตัวแต่ละเวอร์ชันอาจแตกต่างกันไปตามคีย์ที่รวมอยู่และตามค่าที่อนุญาตสำหรับแต่ละคีย์ นอกจากนี้ ยังมีปัจจัย (เรียกว่า “ความแปรปรวนที่สับสน”) ที่ทำให้จดจำได้ยาก การออกแบบเอกสารอาจมีการออกแบบกราฟิกที่ซับซ้อนในการรองรับข้อความ และพลาสติกมันวาว หรือลามิเนตอื่นๆ ที่ซ้อนทับอยู่บนข้อความ เอกสารอาจชำรุดและฉีกขาด เช่น จากการพกพาไว้ในกระเป๋าเงินหรือกระเป๋าสตางค์ ซึ่งจะทำให้ข้อมูลสำคัญจางไป สุดท้าย บริเวณที่ถ่ายภาพเอกสารอาจสว่างไม่เพียงพอหรือมีเงาบัง (เช่น เงามือที่ถือเอกสารในระหว่างการถ่ายภาพ) หรือโฟกัสไม่ชัดขณะถ่ายภาพ AnalyzeID ได้รับการออกแบบมาเพื่อจดจำข้อความในภาพเอกสารเหล่านี้ โดยไม่คำนึงความแปรปรวนที่สับสน

กรณีการใช้งานและข้อจำกัดที่ตั้งไว้

AnalyzeID มีไว้สำหรับใช้กับใบขับขี่ที่ออกโดยรัฐต่างๆ ในสหรัฐอเมริกาและหนังสือเดินทางที่ออกโดยรัฐบาลสหรัฐอเมริกา แต่ยังไม่ได้รับการฝึกสำหรับใช้กับเอกสารที่ออกโดยรัฐบาลในเขตปกครองพิเศษ (ตัวอย่างเช่น เปอร์โตริโก) หรือการระบุตัวตนในรูปแบบอื่นๆ เช่น บัตรเข้าประเทศทั่วโลกหรือสูติบัตร AnalyzeID รองรับเอกสารที่ออกในช่วงสิบห้าปีที่ผ่านมา (2007) โดยครอบคลุมการอัปเดตการออกแบบระดับรัฐประมาณสามครั้งซึ่งเกิดขึ้นประมาณทุกๆ ห้าปี กรอบเวลานี้รองรับเอกสารที่ยังไม่หมดอายุทั้งหมด ใบขับขี่ของสหรัฐอเมริกาจะหมดอายุไม่เกินสิบสองปี และหนังสือเดินทางของสหรัฐฯ จะหมดอายุไม่เกินสิบปี

AnalyzeID ใช้ในขั้นตอนการแยกข้อความในแอปพลิเคชันต่างๆ ที่พัฒนาโดยลูกค้า แอปพลิเคชันเหล่านี้มักจะสนับสนุนผู้ใช้ปลายทางในการทำงานออนไลน์ให้เสร็จสมบูรณ์ ตัวอย่างเช่น แอปพลิเคชันบริการทางการเงินสามารถลงทะเบียนผู้ใช้ใหม่ที่มีการพิมพ์และข้อผิดพลาดน้อยลงได้ โดยการอนุญาตให้ผู้ใช้สแกนรายละเอียดของใบขับขี่ ในทำนองเดียวกัน แอปพลิเคชันการดูแลสุขภาพสามารถอนุญาตให้ผู้ใช้ยืนยันที่อยู่หรือข้อมูลบัญชีอื่นๆ ได้เร็วขึ้นและมีข้อผิดพลาดน้อยลงเมื่อทำการกำหนดเวลานัดหมาย โดยหลักแล้วแอปพลิเคชันจะแตกต่างกันโดย 1/ คู่คีย์-ค่าที่เกี่ยวข้อง 2/ กระบวนการบันทึกภาพที่ใช้ และ 3/ ความละเอียดของภาพที่ส่ง เมื่อสร้าง AnalyzeID ในเวิร์กโฟลว์ของแอปพลิเคชันใดๆ ลูกค้าควรประเมินความต้องการในการกำกับดูแลของมนุษย์และสนับสนุนการทบทวนผลลัพธ์ AnalyzeID โดยผู้ตรวจสอบที่เป็นมนุษย์ตามความจำเป็น

การออกแบบของ Textract AnalyzeID

แมชชีนเลิร์นนิง: AnalyzeID สร้างขึ้นโดยใช้เทคโนโลยี ML และเทคโนโลยีการจดจำอักขระด้วยแสง (OCR) โดยมีหลักการทำงานดังนี้: AnalyzeID ถ่ายภาพของเอกสารประจำตัวเป็นอินพุต โมเดล OCR ระบุข้อความในเอกสาร โมเดลแมชชีนเลิร์นนิงที่สองประมวลผลภาพเอกสารเต็มรูปแบบพร้อมเอาต์พุต OCR เพื่อส่งกลับชื่อฟิลด์และเนื้อหาเป็นคู่คีย์-ค่า ดูเอกสารสำหรับนักพัฒนา สำหรับรายละเอียดของการเรียกใช้ API

ความคาดหวังด้านประสิทธิภาพ: ความแปรปรวนที่สับสนจะแตกต่างกันระหว่างแอปพลิเคชันของลูกค้า ซึ่งหมายความว่าประสิทธิภาพจะแตกต่างกันระหว่างแอปพลิเคชัน พิจารณาแอปพลิเคชันตรวจสอบชื่อและที่อยู่สองแอปที่แตกต่างกัน A และ B แอปพลิเคชัน A ช่วยให้เจ้าหน้าที่รักษาความปลอดภัยของอาคารสามารถเปรียบเทียบชื่อและที่อยู่บนใบขับขี่ของผู้มาเยือนกับชื่อและที่อยู่ของบุคคลที่คาดว่าจะเข้าชมพื้นที่ได้ แอปพลิเคชัน B ช่วยให้ผู้สรรหาสามารถรวบรวมข้อมูลส่วนบุคคลจากผู้สมัครในระหว่างการสัมภาษณ์วิดีโอ สำหรับ A เจ้าหน้าที่รักษาความปลอดภัยของอาคารจะใช้เครื่องสแกนเอกสาร ID ขององค์กรเพื่อบันทึกภาพใบอนุญาตที่สว่างเพียงพอ โฟกัสคมชัด และไม่ถูกบดบัง สำหรับ B ผู้ให้สัมภาษณ์จะใช้เว็บแคมของตนเองเพื่อบันทึกภาพของใบอนุญาตของตนในขณะที่ถือไว้ ทำให้มีความเสี่ยงที่ภาพจะเบลอ แสงจ้า และบดบังรายละเอียด เนื่องจาก A และ B มีคุณภาพของภาพอินพุตที่แตกต่างกันเพราะอุปกรณ์และกระบวนการบันทึกภาพที่แตกต่างกัน จึงมีอัตราข้อผิดพลาดที่แตกต่างกันแม้ว่าแต่ละแอปพลิเคชันจะถูกปรับใช้ได้อย่างสมบูรณ์แบบโดยใช้ Textract

วิธีการที่ขับเคลื่อนโดยการทดสอบ: เราใช้ชุดข้อมูลหลายชุดเพื่อประเมินประสิทธิภาพ ชุดข้อมูลการประเมินเพียงชุดเดียวไม่สามารถแสดงภาพที่แท้จริงของประสิทธิภาพได้ นั่นเป็นเพราะชุดข้อมูลการประเมินจะแตกต่างกันไปตามองค์ประกอบเชิงประชากร (จำนวนและประเภทของกลุ่มที่กำหนด) ปริมาณของความแปรปรวนที่สับสน (คุณภาพของเนื้อหา ความตรงตามวัตถุประสงค์) ประเภทและคุณภาพของป้ายกำกับที่มีอยู่ และปัจจัยอื่นๆ เราวัดประสิทธิภาพของ Textract โดยการทดสอบในชุดข้อมูลการประเมินที่มีภาพของเอกสารประจำตัว ประสิทธิภาพโดยรวมในชุดข้อมูลแสดงด้วยคะแนน F1 (F1) ซึ่งปรับสมดุลเปอร์เซ็นต์ของฟิลด์ที่คาดการณ์ที่ถูกต้อง (ความแม่นยำ) กับเปอร์เซ็นต์ของฟิลด์ที่ถูกต้องที่รวมอยู่ในการทำนาย (ความจำ) คะแนน F1 จะอยู่ในช่วง [0,1] การเปลี่ยนเกณฑ์ความเชื่อมั่นในคู่คีย์-ค่าจะเปลี่ยนคะแนน F1 กลุ่มในชุดข้อมูลสามารถกำหนดได้โดยคุณลักษณะที่สำคัญ (เช่น เขตอำนาจศาล ความยาวของนามสกุล) ความแปรปรวนที่สับสน (เช่น เค้าโครงการออกแบบกราฟิก คุณภาพของภาพ) หรือทั้งสองอย่างรวมกัน ชุดข้อมูลการประเมินจะแตกต่างกันไปตามปัจจัยเหล่านี้และปัจจัยอื่นๆ ด้วยเหตุนี้คะแนน F1 ทั้งโดยรวมและสำหรับกลุ่ม จึงแตกต่างกันไปในชุดข้อมูลแต่ละชุด เมื่อคำนึงถึงความแปรปรวนนี้ กระบวนการพัฒนาของเราจะตรวจสอบประสิทธิภาพของ AnalyzeID โดยใช้ชุดข้อมูลการประเมินหลายชุด ดำเนินการตามขั้นตอนเพื่อเพิ่ม F1 สำหรับกลุ่มที่ AnalyzeID ทำงานได้ดีน้อยที่สุด ทำงานเพื่อปรับปรุงชุดชุดข้อมูลการประเมินผล จากนั้นทำซ้ำ

ความยุติธรรมและความอคติ: เป้าหมายของเราคือ AnalyzeID เพื่อแยกฟิลด์ข้อความจากเอกสารประจำตัวด้วยความแม่นยำสูงโดยไม่คำนึงถึงเขตอำนาจของใบอนุญาตหรือคุณลักษณะเชิงประชากรของบุคคลที่แสดงโดยเอกสาร เพื่อให้บรรลุเป้าหมายนี้เราใช้กระบวนการพัฒนาซ้ำดังที่อธิบายไว้ข้างต้น ในส่วนหนึ่งของกระบวนการนี้ เราสร้างชุดข้อมูลเพื่อบันทึกช่วงเขตอำนาจศาล (รัฐต่างๆ ในสหรัฐอเมริกา) และเทมเพลตที่จัดการโดย AnalyzeID ภายใต้เงื่อนไขต่างๆ สำหรับคุณภาพของภาพ เราทดสอบเป็นประจำบนชุดข้อมูลของภาพเอกสารซึ่งเรามีคู่คีย์-ค่าที่เชื่อถือได้ เราพบว่า AnalyzeID ทำงานได้ดีในด้านเขตอำนาจศาลและคุณลักษณะเชิงประชากร ตัวอย่างเช่น ในชุดข้อมูลภายในที่ประกอบด้วยด้านหน้าของใบขับขี่ของสหรัฐอเมริกาจาก 50 รัฐ ความแม่นยำ F1 ต่ำสุดระหว่างรัฐคือ 95% และ F1 ต่ำสุดสำหรับกลุ่มประชากรที่กำหนดโดยอายุ สถานะทหารผ่านศึก และความยาวของนามสกุลคือ 99% เนื่องจากผลลัพธ์ไม่เพียงแต่ขึ้นอยู่กับ AnalyzeID เท่านั้น แต่ยังขึ้นอยู่กับเวิร์กโฟลว์ของลูกค้าและชุดข้อมูลการประเมินด้วย เราขอแนะนำให้ลูกค้าทดสอบ AnalyzeID บนเนื้อหาของตนเอง

ความสามารถในการอธิบาย: ลูกค้าสามารถเข้าถึงคะแนนความเชื่อมั่นสำหรับแต่ละฟิลด์ข้อความซึ่งพวกเขาอาจใช้ประโยชน์สำหรับการกำหนดเกณฑ์ความเชื่อมั่นรวมถึงการทำความเข้าใจที่ดีขึ้นเกี่ยวกับผลลัพธ์ AnalyzeID คีย์ที่คาดการณ์ไว้ได้มอบข้อมูลเชิงลึกเกี่ยวกับการคาดการณ์สำหรับค่า

ความครอบคลุม: เราเพิ่มความครอบคลุมสูงสุดด้วยเทคนิคหลายอย่าง รวมถึงการใช้ชุดข้อมูลการฝึกขนาดใหญ่ที่บันทึกความแปรปรวนหลายประเภทของเอกสารจำนวนมาก อินพุตที่เหมาะสมสำหรับ AnalyzeID ประกอบด้วยภาพที่ไม่มีเงาบัง แสงจ้า หรือบดบังรายละเอียดอื่นๆ โดยเอกสารจะตั้งตรงภายในกรอบภาพ อย่างไรก็ตาม โมเดล AnalyzeID ได้รับการฝึกให้มีความยืดหยุ่นแม้ว่าอินพุตจะแตกต่างจากเงื่อนไขที่เหมาะสม

ความเป็นส่วนตัวและความปลอดภัย: AnalyzeID จะบันทึกและประมวลผลข้อความ โดยจะไม่มีการแบ่งปันอินพุตและเอาต์พุตกับลูกค้ารายอื่น  ลูกค้าสามารถเลือกไม่เข้าร่วมการฝึกอบรมเกี่ยวกับเนื้อหาของลูกค้าได้ทาง AWS Organizations หรือวิธีไม่เข้าร่วมอื่นๆ ที่เราอาจมีให้ ดูข้อมูลเพิ่มเติมในส่วนที่ 50.3 ของข้อกำหนดการให้บริการ AWS และคำถามที่พบบ่อยเกี่ยวกับความเป็นส่วนตัวของข้อมูลบน AWS สำหรับข้อมูลความเป็นส่วนตัวและการรักษาความปลอดภัยเฉพาะบริการ โปรดดูส่วนความเป็นส่วนตัวของข้อมูลในคำถามที่พบบ่อยเกี่ยวกับ Textract และเอกสารประกอบสำหรับการรักษาความปลอดภัยของ Amazon Textract

ความโปร่งใส: ลูกค้าที่รวม AnalyzeID ไว้ในเวิร์กโฟลว์ ควรพิจารณาเปิดเผยการใช้ ML ต่อผู้ใช้ปลายทางและบุคคลอื่นๆ ที่ได้รับผลกระทบจากการใช้งาน และให้ผู้ใช้ปลายทางสามารถให้ข้อเสนอแนะเพื่อปรับปรุงเวิร์กโฟลว์ได้ หากเหมาะสมสำหรับกรณีการใช้งาน ลูกค้ายังสามารถอ้างอิงบัตรบริการ AI นี้ได้ในเอกสารของพวกเขา

การกำกับดูแล: เรามีวิธีการที่เข้มงวดในการสร้างบริการ AWS AI ของเราอย่างรับผิดชอบ รวมไปถึงกระบวนการพัฒนาผลิตภัณฑ์ที่ทำงานย้อนกลับซึ่งรวม AI ที่รับผิดชอบในขั้นตอนการออกแบบ การให้คำปรึกษาด้านการออกแบบและการประเมินการใช้งานโดยผู้เชี่ยวชาญด้านวิทยาศาสตร์และข้อมูล AI ที่รับผิดชอบ การทดสอบตามปกติ การตรวจสอบร่วมกับลูกค้า และการพัฒนาแนวทางปฏิบัติที่ดีที่สุด การเผยแพร่ และการฝึกอบรมด้วย

แนวทางปฏิบัติที่ดีที่สุดในการนำไปใช้จริงและการเพิ่มประสิทธิภาพการทำงาน

เราสนับสนุนให้ลูกค้าสร้างและใช้งานแอปพลิเคชันของตนอย่างรับผิดชอบ ตามที่อธิบายไว้ใน คู่มือการใช้แมชชีนเลิร์นนิงอย่างรับผิดชอบ AWS ซึ่งรวมถึงการใช้แนวปฏิบัติ AI ที่รับผิดชอบเพื่อแก้ไขมิติที่สำคัญ ได้แก่ ความยุติธรรมและความอคติ ความครอบคลุม ความสามารถในการอธิบาย ความเป็นส่วนตัวและความปลอดภัย ความโปร่งใส และการกำกับดูแล
 
การออกแบบเวิร์กโฟลว์: เรากำหนดประสิทธิภาพเป็นประสบการณ์ของผู้ใช้ปลายทางที่โต้ตอบกับแอปพลิเคชันที่พัฒนาโดยลูกค้าซึ่งรวมถึง AnalyzeID สำหรับการแยกข้อความ ประสิทธิภาพของแอปพลิเคชันใดๆ ที่ใช้ AnalyzeID ขึ้นอยู่กับการออกแบบเวิร์กโฟลว์ของลูกค้า รวมถึง: (1) ความแปรปรวนของภาพ (2) การกำหนดเกณฑ์ความเชื่อมั่น (3) การควบคุมดูแลของมนุษย์ (4) ความสอดคล้องของเวิร์กโฟลว์และ (5) การทดสอบความเปลี่ยนแปลงของประสิทธิภาพเป็นระยะ
 
  1. ความแปรปรวนของภาพ: ภาพที่ไม่มีเงาบัง แสงจ้า หรือบดบังรายละเอียดอื่นๆ โดยเอกสารจะถูกบันทึกในมุมตรงและตั้งตรงภายในกรอบภาพ ลูกค้าสามารถสนับสนุนผู้ใช้ปลายทางได้โดยการให้คำแนะนำที่เหมาะสมสำหรับการถ่ายภาพที่ดี

  2. เกณฑ์ความเชื่อมั่น: ลูกค้าอาจปรับประสิทธิภาพโดยการตั้งค่าตัวกรองหรือเกณฑ์สำหรับคู่คีย์-ค่าที่ AnalyzeID สร้างขึ้นตามคะแนนความเชื่อมั่นที่กำหนดให้กับคู่นั้น เพื่อความแม่นยำที่ดีขึ้น ให้เลือกเกณฑ์สูง เพื่อการจำได้ได้ดีขึ้น ให้เลือกเกณฑ์ที่ต่ำกว่า ในการกำหนดเกณฑ์ที่เหมาะสม ลูกค้าอาจรวบรวมชุดตัวแทนของอินพุต ทำป้ายกำกับฟิลด์ข้อความของแต่ละชุด และลองใช้เกณฑ์ที่สูงขึ้นหรือต่ำลงจนกว่าผู้ใช้จะพอใจกับประสบการณ์ที่ได้รับ

  3. การกำกับดูแลของมนุษย์: หากเวิร์กโฟลว์แอปพลิเคชันของลูกค้าเกี่ยวข้องกับกรณีการใช้งานที่มีความเสี่ยงสูงหรือมีความละเอียดอ่อน เช่น การตัดสินใจที่มีผลต่อสิทธิหรือการเข้าถึงบริการที่สำคัญของบุคคล เราขอแนะนำให้มีการตรวจสอบจากมนุษย์ในเวิร์กโฟลว์แอปพลิเคชันตามความเหมาะสมด้วย การดึงคีย์-ค่าอัตโนมัติด้วย AnalyzeID สามารถทำหน้าที่เป็นเครื่องมือในการลดความพยายามในการแก้ปัญหาด้วยตนเองอย่างเต็มรูปแบบ และช่วยให้มนุษย์สามารถตรวจสอบและประเมินเอกสารระบุตัวตนได้อย่างรวดเร็ว

  4. ความสอดคล้องกัน: ลูกค้าควรกำหนดและบังคับใช้นโยบายสำหรับประเภทของภาพอินพุตที่ได้รับอนุญาต และวิธีที่มนุษย์รวมการใช้เกณฑ์ความเชื่อมั่นและการตัดสินของตนเองเพื่อกำหนดผลลัพธ์สุดท้าย นโยบายเหล่านี้ควรมีความสอดคล้องกันในกลุ่มประชากร การแก้ไขภาพอินพุตหรือเกณฑ์ความเชื่อมั่นที่ไม่มีความสอดคล้องกันอาจส่งผลให้เกิดผลลัพธ์ที่ไม่ยุติธรรมสำหรับกลุ่มประชากรที่แตกต่างกัน

  5. การเปลี่ยนแปลงของประสิทธิภาพ: การเปลี่ยนแปลงประเภทของภาพที่ลูกค้าส่งไปยัง AnalyzeID หรือการเปลี่ยนแปลงบริการอาจนำไปสู่ผลลัพธ์ที่แตกต่างกัน เพื่อแก้ไขการเปลี่ยนแปลงเหล่านี้ ลูกค้าควรพิจารณาทดสอบประสิทธิภาพของ Textract ซ้ำเป็นระยะๆ และปรับเวิร์กโฟลว์ หากจำเป็น

ข้อมูลเพิ่มเติม

อภิธานศัพท์

ความยุติธรรมและอคติ หมายถึงวิธีที่ระบบ AI ส่งผลกระทบต่อกลุ่มย่อยของผู้ใช้ที่แตกต่างกัน (เช่น ตามเพศ เชื้อชาติ)

ความสามารถในการอธิบายได้ หมายถึงการมีกลไกในการทำความเข้าใจและประเมินผลลัพธ์ของระบบ AI

ความครอบคลุม หมายถึงการมีกลไกเพื่อให้แน่ใจว่าระบบ AI ทำงานได้อย่างน่าเชื่อถือ

ความเป็นส่วนตัวและความปลอดภัย หมายถึงข้อมูลที่ได้รับการปกป้องจากการโจรกรรมและการถูกเปิดเผย

การกำกับดูแลหมายถึง การมีกระบวนการในการกำหนด การนำไปใช้ และบังคับใช้แนวทางปฏิบัติ AI ที่รับผิดชอบภายในองค์กร

ความโปร่งใส หมายถึงการสื่อสารข้อมูลเกี่ยวกับระบบ AI เพื่อให้ผู้มีส่วนได้ส่วนได้เสียสามารถมีข้อมูลในการเลือกเกี่ยวกับการใช้อุปกรณ์ได้