พนักงานคนแรกของเรา: ตัวทำให้ชุดข้อมูลเป็นนิรนาม — MVP0 ในช่วงทดลองงาน

----
Données brutes client (SPG, cours, évaluations)
  ├→ Noms de stagiaires en clair dans les PDF
  ├→ Emails dans les métadonnées JSON
  ├→ IP de connexion dans les logs pgvector
  ├→ Identifiants dans les nœuds Graphify
  └→ Références OF pilote dans les schémas SQL
----

ผลลัพธ์: ไม่คุณก็ทำ RAG บนข้อมูลสกปรก (โมเดลสร้าง PII ขึ้นมาเอง, ไม่สอดคล้องกับ RGPD, มีความเสี่ยงทางกฎหมาย) หรือไม่ก็ไม่ทำอะไรเลย (ไม่มีผลิตภัณฑ์) ทางเลือกที่สาม — การทำความสะอาดด้วยมือ — ไม่สามารถขยายขนาดได้

คำตอบของฉัน: ไม่หลีกเลี่ยงปัญหา L'**ทำให้เป็นอัตโนมัติ**.

== MVP0: ผู้ทำให้ไม่ระบุตัวตน พนักงานคนแรกในช่วงทดลองงาน

MVP0 ไม่ใช่ฟีเจอร์ มันเป็น**ผู้เชี่ยวชาญด้านสินค้าโภคภัณฑ์**— พนักงานที่ทำงานสกปรกแบบโง่ ๆ และชั่วร้าย ซึ่งไม่มีใครอยากพูดถึงในพิตช์เด็ค

สิ่งที่เขาทำ:

[source]
----
ENTRÉE : Données brutes multi-sources
  ├→ AsciiDoc (SPG_A2SP.adoc) → noms, dates, OF pilote
  ├→ JSON (catalogue formations) → emails, téléphones
  ├→ YAML (config workspace) → tokens OAuth2
  ├→ SQL (schémas DDL) → IP, adresses
  ├→ pgvector (métadonnées embeddings) → identifiants
  ├→ ONNX (outputs classification) → noms propres
  └→ Graphify (graph.json) → nœuds avec PII

SORTIE : Datasets propres, format standardisé
  ├→ [ANONYMIZED] remplace les PII détectées
  ├→ Classification RGPD (niveau 0→4)
  ├→ Rapport d'audit (quoi a été nettoyé)
  └→ Dataset prêt pour RAG ET fine-tuning
----

มันตรวจจับรูปแบบที่ชัดเจนที่สุดก่อน (อีเมล`.*@.*`, โทเค็น`sk-*`, `ghp_*`, IPs) แล้วมันก็เรียนรู้ ช่วงทดลองงานก็คือแบบนี้: เราตรวจสอบว่ามันไม่ปล่อยผลลบปลอมหลุดผ่านก่อนจะบรรจุเป็นทางการ

== สิ่งที่ MVP นี้ปลดล็อก (และไม่ใช่แค่การปฏิบัติตามข้อกำหนด)

การทำให้เป็นนิรนามในฐานะ MVP0 ไม่ใช่ด่านเก็บค่าผ่านทาง RGPD ก่อนถึงทางด่วน แต่คือทางด่วนนั้นเอง นี่คือสิ่งที่มันเปิดทางไว้:

=== ปัจจุบัน: ความเป็นจริงเสริมในพรอมต์

[source]
----
DONNÉES BRUTES CLIENT
    ↓
Anonymiseur MVP0 → datasets propres
    ↓
RAG pgvector (MVP1) → top-K documents similaires (filtrés, anonymisés)
    ↓
LLM (deepseek-v4-pro) → réponse augmentée, zéro PII
----

RAG ไม่ได้ค้นหาในข้อมูลสกปรก — มันค้นหาในพื้นที่**สะอาดโดยการออกแบบ**. สิ่งนี้เปลี่ยนทุกอย่างในเรื่องคุณภาพของคำตอบ: LLM ไม่ต้องเสียเวลาหลบเลี่ยง PII ที่มันรับรู้ได้แต่ไม่ควรกล่าวถึง

=== อนาคต: การปรับแต่งละเอียดบนข้อมูลที่ปลอดภัย

[source]
----
MVP0 → datasets propres accumulés (session après session)
    ↓
Fine-tuning expert métier (CDA, FPA) sur données zéro PII
    ↓
Modèle fine-tuné exposé via Ollama (sans fuite de données)
----

การไฟน์ทูนด้วยข้อมูลดิบถือเป็นหายนะทางกฎหมายที่อาจเกิดขึ้นได้ สำหรับข้อมูลที่สะอาดนั้น มันเป็น**วิธีการที่สามารถทำซ้ำได้**. ลูกค้าแต่ละรายสะสมชุดข้อมูลที่ทำความสะอาดแล้วของตน ลูกค้าแต่ละรายสามารถไฟน์จูนโมเดลผู้เชี่ยวชาญเฉพาะด้านธุรกิจของตนบนข้อมูลของตน — โดยไม่เคยเปิดเผยข้อมูลส่วนบุคคลเลย

== ทำไมมันถึงขายได้

นี่ไม่ใช่ «เครื่องมือการปฏิบัติตาม GDPR» แต่เป็น**วิธีการที่ทำซ้ำได้ซึ่งเปลี่ยนปัญหาสากลให้กลายเป็นสินทรัพย์**กรุณาระบุข้อความภาษาฝรั่งเศสที่ต้องการให้แปลด้วย

1. *บริษัทฝึกอบรมทุกแห่งมีข้อมูลสกปรก* — นั่นคือปัญหา
2. *ไม่มีรายใดมีไปป์ไลน์การทำความสะอาดหลายแหล่งแบบอัตโนมัติ* — นั่นคือตลาด
3. *วงจร: การทำให้ไม่ระบุตัวตน → RAG → การไฟน์ทูน เป็นกรรมสิทธิ์เฉพาะ* — นั่นคือกำแพงกั้น

SaaS Edster (MVP3) จะไม่ขาย “เวิร์กสเปซ Gradle” แต่จะขายวงจรปิดนี้ และ MVP0 คือประตูทางเข้า

== รูปแบบ SQL ในฐานะเส้นทางบริบทที่สาม

การนำเข้าข้อมูลแบบมีโครงสร้างไม่ใช่เพียงรูปแบบการแลกเปลี่ยนเท่านั้น สคีมา SQL (DDL) นั้นถือ**แบบจำลองความสัมพันธ์ระหว่างเอนทิตีของโดเมน**Please provide the French text you'd like me to translate into Thai.

[source]
----
CREATE TABLE formation (
  id UUID PRIMARY KEY,
  titre VARCHAR NOT NULL,
  referentiel RNCP REFERENCES rncp(id),
  organisme OF REFERENCES of_pilote(id)  -- ← va être anonymisé
);
----

DDL นี้ เมื่อถูกทำให้ไม่ระบุตัวตน (บรรทัดที่ 4) จะกลายเป็นแหล่งบริบทสำหรับ LLM ไม่ใช่ข้อความ — แต่เป็น**โมเดลธุรกิจ**. RAG ให้เนื้อหา (ความคล้ายคลึงเชิงเวกเตอร์) Graphify ให้ความสัมพันธ์ (โครงสร้างที่แน่นอน) และสคีมา SQL ให้**Domain-Driven Design โดยนัย**: bounded contexts, aggregates, value objects. LLM เข้าใจธุรกิจเพราะมันอ่านสคีมาของมัน

== โรดแมป: จาก MVP0 สู่ SaaS

[source]
----
MVP0 — Anonymiseur (ce que cet article décrit)
  Sortie : datasets propres, reproductible

MVP1 — RAG pgvector (dépend de MVP0)
  Realité augmentée en prompt sur données nettoyées

MVP2 — Graphify + ONNX + SQL DDD (dépend de MVP1)
  Vecteur composite de contexte (règles + similarité + relations exactes)

MVP3 — SaaS Edster (dépend de MVP0-2)
  Provisionnement workspace client complet
----

MVP แต่ละตัวขึ้นอยู่กับตัวก่อนหน้า ไม่มีตัวใดสามารถส่งมอบได้หากไม่มี MVP0 นี่คือเหตุผลที่ Anonymiseur ไม่ใช่ « P0 » ในแบ็กлог — มันเป็น**MVP0**. นี่คือสิ่งที่ต้องส่งมอบเชิงพาณิชย์รายการแรก และทุกสิ่งอื่นขึ้นอยู่กับความสำเร็จของสิ่งนี้

== บทสรุป: งานที่มองไม่เห็นซึ่งทำให้ทุกสิ่งเป็นไปได้

ในสตาร์ทอัพแบบดั้งเดิม การทำความสะอาดข้อมูลถูกจ้างทำภายนอก ทำด้วยมือ หรือถูกละเลย ในสถาปัตยกรรมนี้ นี่คือ**หัวใจของผลิตภัณฑ์**. ผู้ทำให้ไม่ระบุตัวตนคือพนักงานคนแรก เพราะหากไม่มีเขา ทุกสิ่งก็ไม่สามารถทำงานได้:

* หากไม่มี MVP0 → จะไม่มี RAG ด้านกฎหมาย (MVP1)
* หากไม่มี MVP0 → ไม่มีการ fine-tuning โดยไม่มีการรั่วไหลของข้อมูล (EPIC 5)
* ถ้าไม่มี MVP0 → ก็ไม่มี SaaS ที่น่าเชื่อถือ (MVP3)
* หากไม่มี MVP0 → ไม่มีความเป็นจริงเสริมในพรอมต์
* หากไม่มี MVP0 → ไม่มีเส้นทางบริบทที่สาม (SQL DDD)

เขาทำงานที่ไม่มีใครอยากทำ เขาจะไม่ถูกเอ่ยถึงในพิตช์เลย แต่เขาคือคนที่ทำให้โรงงานเดินต่อไป

และนั่นคือเหตุผลที่เราจ้างเขาเป็นคนแรก

== เอกสารอ้างอิง

* บทความเกี่ยวกับภววิทยาเชิงพื้นที่และวงแหวนแห่งความไว้วางใจ:link:../2026/0114_gouvernance_cercles_confiance_ontologie_spatiale_alignement_llm_post.html[ภววิทยาเชิงพื้นที่ในฐานะกลไกการจัดแนว]
* บทความเกี่ยวกับการกำกับดูแลเอเจนต์ Eager/Lazy :link:../2026/0108_gouvernance_agent_opencode_eager_lazy_post.html[กำกับดูแลเอเจนต์ AI ด้วย AsciiDoc]
* บทความเกี่ยวกับกลไก Hot/Warm/Cold:link:../2026/0110_mecanisme_backup_contexte_agent_post.html[Sliding Window และคลื่นความหนาวเย็น]
* บทความเกี่ยวกับการเปรียบเทียบ LLMs ทั้งสาม:link:../2026/0112_comparaison_kimi_glm_deepseek_long_contexte_plugin_gradle_opencode_post.html[DeepSeek-V4-Pro, Kimi K2.6, GLM-5.1]