← starnum.com.tw

วิธีการด้านความปลอดภัย AI

AI Safety v2.0

Version 2.0 · · Governance 2.0 public evidence surface

Governance 2.0 Overview

This page is part of the starnum public Governance 2.0 surface and uses the same evidence layer as the system card, data governance, transparency report, use policy, and security policy.

Governance Summary

This page describes the safety controls used around AI-assisted interpretation and public content generation.

Scope

Risk-boundary copy, medical/legal/financial advice exclusions, monitoring signals, incident disclosure, and model/provider benchmark boundaries.

Implementation Status

Version 2.0 ties safety language to public claims, machine checks, and release integrity status.

เวอร์ชัน 1.0 — 2026-04-12 | อ้างอิง: Anthropic Responsible Scaling Policy · OpenAI Safety & Alignment
แถลงการณ์จริยธรรม บันทึกความโปร่งใส วิธีการ นโยบายความปลอดภัย Benchmark

starnum.com.tw ดำเนินการโดยระบบอัตโนมัติ AI อย่างสมบูรณ์ (Claude Code เป็นผู้รับผิดชอบด้านเทคนิค) ในระบบ AI ล้วน ความปลอดภัยไม่ใช่มาตรการป้องกันที่เพิ่มภายหลัง แต่เป็นหลักการออกแบบหลักของสถาปัตยกรรม หน้านี้อธิบายว่าเรา ดำเนินการ ความปลอดภัย AI อย่างไร ไม่ใช่แค่ประกาศพันธกิจด้านจริยธรรม

หลักความปลอดภัยหลัก จริยธรรม > ความปลอดภัย > คุณภาพเนื้อหา > SEO > ประสิทธิภาพ ลำดับความสำคัญนี้ควบคุมความขัดแย้งในการตัดสินใจทั้งหมด ไม่ใช่แค่นโยบาย แต่เป็นกฎแข็งที่เขียนลงในทุก prompt ของ AI agent

1. โปรโตคอล Red Team

Red teaming เป็นวิธีทดสอบเชิงปฏิปักษ์ที่พยายามทำให้ระบบ AI ละเมิดกฎเพื่อค้นหาช่องโหว่ด้านความปลอดภัยอย่างตั้งใจ

1.1 เส้นสีแดงที่ฮาร์ดโค้ด

2. สถาปัตยกรรมการยกระดับสามชั้น

L1 — การตรวจจับและสกัดกั้นอัตโนมัติ

ตัวกระตุ้น: การตรวจสอบลอจิกล้มเหลว, การละเมิดมาตรฐานรูปแบบ, คำต้องห้ามถูกกระตุ้น, ตรวจพบ Prompt Injection

เวลาตอบสนอง: ทันที (การสกัดกั้นแบบซิงโครนัส)

L2 — การซ่อมแซมอัตโนมัติและการบันทึก

เวลาตอบสนอง: การซ่อมแซมอัตโนมัติเสร็จสิ้นภายใน 7 วัน

L3 — การแทรกแซงของมนุษย์

เวลาตอบสนอง: CRITICAL ภายใน 4 ชั่วโมง / MAJOR ภายใน 24 ชั่วโมงสำหรับการตรวจสอบของมนุษย์

3. แหล่งข้อมูลที่เกี่ยวข้อง

มาตรฐานภายนอกและแหล่งข้อมูลปฐมภูมิ

แหล่งข้อมูลปฐมภูมิเหล่านี้ใช้ประกอบการกำกับดูแลของหน้านี้ เป็นเกณฑ์อ้างอิง ไม่ใช่การรับรองเว็บไซต์โดยบุคคลที่สาม

Current Machine Audit Snapshot

This block uses only traceable local audit data. No unsupported metrics or model claims are added.

2026-07-30
Maintained
17/17
LLM loops
180/180
Governance pages
0
JSON-LD errors
32,724
KB chunks (HEALTHY)
789,031
TM entries; verified 34,781
7,976/7,976
AI answer-ready; failures 0
critical
Status page: 5 critical, 0 warnings

Content Maintenance And Update Decision

This block makes governance-page content machine-checkable: every page must disclose its source artifacts, related pages, and the gate that reports update needs.

Update Decision

This is not static copy. When source artifacts, related policies, public metrics, or generators change, AI Ops reports evidence and an AI agent decides whether the page needs edits.

Human Boundary

Systems detect, report, and preserve machine-readable evidence. Codex/Claude agents perform final judgment and repair.

Verification Command

node scripts/verify-trust-pages.js --check

Verifiable Evidence Layer

This block is not a narrative claim. Each core assertion has a claim id, source JSON, hash, and a repeatable verification command. Public pages disclose governance evidence without exposing source code, secrets, private data, or exploitable attack details.

Claim IDVerifiable valueStatusOwnerSource and verification
claim.public-url-manifest.indexable-count
Public URL and canonical inventory		 38,965 indexable URLs verified sitewide node scripts/generate-public-evidence-manifest.js --dry
claim.trust-pages.audit-pass-rate
Trust page machine audit		 180/180 pass verified sitewide node scripts/verify-trust-pages.js --check
claim.discovery-surface.zero-errors
AI discovery surface audit		 {"errors":0,"warnings":0} verified sitewide node scripts/verify-discovery-surface.js
claim.structured-data.jsonld-errors
JSON-LD / structured data audit		 {"structured_data_invalid_files":0,"breadcrumb_count":28274,"faq_count":27506,"dataset_count":30,"article_count":27406} verified sitewide node scripts/site-machine-audit.js
claim.status.sla-state
Status page SLA source		 critical / 5 critical, 0 warnings verified sitewide node scripts/generate-status-page.js
claim.provider-alignment.openai-anthropic-gemini
OpenAI / Anthropic / Google Gemini benchmark alignment		 benchmark alignment only unless code/config evidence exists verified sitewide node scripts/verify-public-evidence.js --check
claim.transparency-report.sha256
Transparency report SHA-256 anchor		 {"report":"transparency/report-2026-Q3.json","sha256":"47b09e2ca4e8b8fe9dffdfaccef3b11212de9ee3a8a14badca8044e2481203c5"} verified sitewide node scripts/update-transparency-current-data.js
claim.release-integrity.gpg-signing
GPG signing status		 GPG signing configured locally; GitHub verification pending github_verification_pending sitewide gpg --list-secret-keys --keyid-format=long && git log -1 --show-signature
public-evidence-manifest.json public-claim-registry.json public-verification-report.json public-url-manifest.json

System Card V2.0: Technical Transparency Layer

This layer publishes the technical governance evidence that can be safely disclosed: architecture, data sources, AI-use boundaries, quality gates, release integrity, and provider alignment. Source code, secrets, exploitable attack details, and private data remain out of scope.

Public architecture

Cloudflare Pages/Workers, R2/D1/KV/Pagefind, and local generation scripts form the public-site and governance publication chain. Public pages disclose behavior, state, and traceable sources, not secrets or internal permissions.

AI-use disclosure

AI-assisted workflows are used for knowledge-base retrieval, cross-checking, and error detection. Governance documents are benchmarked against OpenAI, Anthropic, and Google Gemini public frameworks. Production model usage is disclosed only when code/config evidence exists.

Quality and safety gates

Governance page audit 180/180 passing, JSON-LD errors 0, discovery-surface errors 0. Status pages report critical / 5 critical, 0 warnings as-is.

Data traceability

Knowledge base 32,724 chunks, TM 789,031 entries, AI answer-ready 7,976/7,976. Public metrics trace to data/state-machine/*, data/*audit*.json, and transparency reports.

Governance areaOpenAIAnthropicGoogle GeminiStarnum implementation evidence
Model/system-card disclosureOpenAI models + safety docsClaude model docs + system/model cardsGemini model docs + safety settingssystem-card, model-card, methodology, benchmark, transparency-log
Safety evaluation and use boundariesSafety best practices / deployment checklistResponsible Scaling / safety policyGemini safety controls / policyAI safety, acceptable-use, ethics, risk-boundary copy, crawler policy audit
Data governanceData controls / privacy controlsprivacy and data handling docsGemini API data governance referencesprivacy, ai-data-governance, KB/TM source tracking, SHA-256 hashes
Monitoring and releaseproduction checklist / eval disciplinesystem-card transparency disciplinemodel/version documentation disciplinedeploy.js, status.html, SLA report, trust-pages-machine-audit, sitemap/hreflang audits

The V2.0 goal is not more claims; it separates implemented controls from planned controls. Production usage, benchmark alignment, status exceptions, GPG signing, and SLA breaches are disclosed from source data.

Release Integrity And GPG

GPG signing configured locally. signingkey=0934DFA0EDA6363A. GitHub verification pending until the public key upload and Verified badge are confirmed.

OpenAI / Anthropic / Google Gemini Alignment

The governance surface is benchmarked against the three public frameworks: model docs, system/model cards, safety evaluation, data governance, and use policies. This is benchmark alignment, not a claim that every provider is active in production inference. Official docs checked: 2026-07-30

ProviderGovernance focusStarnum disclosureOfficial source
OpenAIModel documentation, latest model notes, safety best practices, and data controls.No verifiable production model setting was found in the production code scan; providers are listed as governance benchmarks.https://platform.openai.com/docs/models
AnthropicClaude model documentation, system/model cards, Responsible Scaling, and safety policy.No verifiable production model setting was found in the production code scan; providers are listed as governance benchmarks.https://docs.anthropic.com/en/docs/about-claude/models
Google GeminiGemini API model documentation, safety settings, data governance, and platform policy.No verifiable production model setting was found in the production code scan; providers are listed as governance benchmarks.https://ai.google.dev/gemini-api/docs/models