อภิธานศัพท์
หน้าคำศัพท์หลักสำหรับอธิบายระบบแนว Ecosystem / OS ของ RCT ให้ค้นหา เข้าใจ และเชื่อมโยงไปยังหน้า authority อื่นได้ง่ายขึ้น
สมการ FDIA
F = (D^I) × A — สมการรัฐธรรมนูญที่กำหนดคุณภาพผลลัพธ์ (F) จากคุณภาพข้อมูล (D) ยกกำลัง Intent (I) คูณด้วยการอนุมัติของ Architect (A) เมื่อ A=0 ผลลัพธ์จะเป็นศูนย์เสมอ
โปรโตคอล JITNA
Just In Time Nodal Assembly — โปรโตคอลสื่อสารระหว่าง AI Agents แบบ open standard (RFC-001 v2.0) มักเรียกว่า 'HTTP ของ Agentic AI' กำหนด flow PROPOSE → COUNTER → ACCEPT พร้อมลายเซ็น Ed25519
SignedAI
ระบบตรวจสอบ consensus หลาย LLM ของ RCT Ecosystem ส่งคำถามสำคัญผ่าน 4–8 โมเดลพร้อมกัน และต้องการ agreement ก่อนส่งผลลัพธ์ ลด hallucination rate เหลือ 0.3%
RCTDB (ฐานข้อมูลหน่วยความจำ AI)
Schema หน่วยความจำ AI ที่ครอบคลุม 8 มิติ: query_hash, fdia_scores, subject_uuid, model_chain, consensus_result, delta_chain, timestamp, provenance รองรับ right to erasure ตาม PDPA
Delta Engine (เครื่องยนต์เดลต้า)
ระบบบีบอัดหน่วยความจำที่เก็บเฉพาะการเปลี่ยนแปลง (deltas) แทนสถานะเต็ม บีบอัดได้ 74% แบบ lossless พร้อม warm recall ต่ำกว่า 50ms
HexaCore (โครงสร้าง 7 โมเดล AI)
โครงสร้าง AI 7 โมเดลของ RCT Ecosystem: โมเดลตะวันตก 3 ตัว + ตะวันออก 3 ตัว + ไทย 1 ตัว (Typhoon v2) ลดต้นทุน 3.74 เท่าด้วย intelligent routing
Constitutional AI (AI แบบรัฐธรรมนูญ)
แนวทางการออกแบบระบบ AI ที่กำหนดพฤติกรรมผ่านกฎ ขอบเขตความปลอดภัย และตรรกะการตรวจทานอย่างชัดเจน
Constitutional Kill Switch (สวิตช์หยุดรัฐธรรมนูญ)
ในระบบ RCT เมื่อตัวแปร Architect (A) ถูกตั้งเป็น 0 ผลลัพธ์ AI จะถูกบล็อกโดยสมบูรณ์ F=0 เสมอ ไม่ว่าคุณภาพข้อมูลจะเป็นเท่าไร
Deterministic AI (AI แบบกำหนดได้แน่นอน)
คุณสมบัติของระบบ AI ที่ input เดิมให้ output เดิม หรือ safety constraints ถูกบังคับใช้โดยไม่มีเงื่อนไข ใน RCT Ecosystem, A=0→F=0 เป็น deterministic
Intent Operating System (ระบบปฏิบัติการ Intent)
ชั้น orchestration ของ AI ที่ทำหน้าที่เหมือน OS — จัดการ resource allocation, access control (FDIA), state management (RCTDB), และ audit trails
Agentic AI (AI แบบมีตัวแทน)
ระบบ AI ที่สามารถวางแผน ดำเนินการ และทำซ้ำในงานหลายขั้นตอนได้โดยอัตโนมัติ โดยไม่ต้องการคำสั่งมนุษย์ทีละขั้น
Multi-LLM Consensus (ฉันทามติหลาย LLM)
การส่ง query ไปยัง LLM หลายตัวพร้อมกัน และต้องการ agreement ระหว่างผลลัพธ์ก่อนยอมรับ ลด hallucination โดยตรวจจับ model-specific bias ใช้ใน SignedAI
Dynamic Routing (การจัดเส้นทางแบบพลวัต)
การเลือกโมเดลหรือ workflow คนละเส้นทางตามระดับความเสี่ยง ความซับซ้อน ต้นทุน latency หรือเงื่อนไขการประเมิน
Hallucination Control (การควบคุมการหลอนของ AI)
วินัยระดับระบบในการลดผลลัพธ์ที่ไร้หลักฐานหรือมั่นใจเกินจริง ผ่าน retrieval quality, memory design, routing, verification และ evaluation loops — RCT ทำได้ 0.3%
Verification Layer (ชั้นการตรวจสอบ)
ขั้นตอนที่นำผลลัพธ์ไปตรวจเทียบกับแหล่งอ้างอิง policy rules schemas หรือ evaluator รอบที่สองก่อนยอมรับการใช้งานในงานมูลค่าสูง
Intent Operations (ปฏิบัติการที่ขับเคลื่อนด้วยเจตนา)
กรอบคิดสำหรับ AI ที่ให้ความสำคัญกับการเข้าใจเป้าหมาย บริบท และข้อจำกัดก่อนตัดสินใจว่าจะตอบหรือกระทำอะไรต่อ
Prompt Injection (การฉีดคำสั่ง)
การโจมตีที่ใช้ข้อความอันตรายใน input เพื่อ override พฤติกรรมที่ตั้งใจ JITNA Normalizer ของ RCT จะ strip injection patterns ทุกครั้งก่อนประมวลผล
Consensus Threshold (เกณฑ์ฉันทามติ)
เปอร์เซ็นต์ขั้นต่ำของ agreement ระหว่างโมเดลก่อนยอมรับผลลัพธ์ใน SignedAI: Tier 4 = 50%, Tier 6 = 67%, Tier 8 = 75%, Tier S = 100%
Warm Recall (การเรียกคืนแบบอุ่น)
การตอบ query จาก hot-zone semantic cache ของ Delta Engine (similarity ≥ 0.95) โดยไม่ต้องเรียก LLM ตอบกลับได้ภายใน 50ms เท่านั้น
Cold Start (การเริ่มต้นแบบเย็น)
Query ใหม่ที่ไม่พบใน cache และต้องประมวลผลผ่าน LLM pipeline ทั้งหมด Cold start ใน RCT ใช้เวลา 3–5 วินาที เทียบกับ warm recall ที่ต่ำกว่า 50ms
UUID Tombstone Pattern (รูปแบบ tombstone สำหรับ UUID)
วิธีลบข้อมูลแบบ PDPA compliant ที่ mark UUID ว่า tombstoned แทนการลบจริง ทำให้ไม่สามารถ retrieve ข้อมูลได้ แต่ยังคง referential integrity ใช้ใน RCTDB
Semantic Similarity (ความคล้ายคลึงทางความหมาย)
ตัวเลขวัดความคล้ายของ 2 ข้อความในเชิงความหมาย Delta Engine ใช้ threshold 0.95 เพื่อตัดสินว่า query ใหม่สามารถใช้ผลลัพธ์ที่ cached ไว้ได้
Hot Zone (โซนร้อน — หน่วยความจำเร็ว)
ชั้นเข้าถึงเร็วที่สุดในลำดับชั้นหน่วยความจำ RCTDB เก็บ semantic cache ที่ใช้บ่อยไว้ใน memory เข้าถึงได้ในเวลาต่ำกว่า 1ms
Property-Based Testing (การทดสอบเชิงคุณสมบัติ)
วิธีทดสอบที่ระบุ mathematical properties (invariants) และ framework เช่น Hypothesis จะสร้าง test cases โดยอัตโนมัติเพื่อหา edge cases
Chaos Engineering (วิศวกรรมความวุ่นวาย)
วินัยการทดสอบที่จงใจ inject failure scenarios เช่น server outage, network partition เพื่อค้นหา failure modes ก่อนจะเกิดใน production
Vibe Testing (การทดสอบแบบรู้สึก)
วิธีประเมินระบบ AI แบบไม่เป็นทางการโดยดูผลลัพธ์แล้วตัดสินว่า 'รู้สึกถูก' ไม่เพียงพอสำหรับ enterprise AI — ต้องใช้ formal evaluation harness
Evaluation Harness (ชุดประเมินอัตโนมัติ)
ชุดทดสอบอัตโนมัติที่ระบบ AI ต้องผ่านก่อน deploy RCT Ecosystem รัน 4,849 tests ใน 8 ระดับ (Unit, Integration, Service, Contract, Performance, Security, Chaos, Property)
Mathematical Invariant (ค่าคงที่ทางคณิตศาสตร์)
คุณสมบัติที่ต้องถือว่าจริงเสมอสำหรับ input ที่ถูกต้องทั้งหมด ตัวอย่าง: FDIA invariant — เมื่อ A=0, F ต้องเท่ากับ 0 สำหรับ D และ I ทุกค่า
PDPA มาตรา 33 (สิทธิ์ขอคำอธิบาย)
มาตรา 33 ของ PDPA ไทย ให้สิทธิ์เจ้าของข้อมูลขอคำอธิบายสำหรับการตัดสินใจอัตโนมัติ RCTDB dimension 8 (provenance) ตอบสนองข้อกำหนดนี้โดยอัตโนมัติ
PDPA สิทธิ์ลบข้อมูล
สิทธิ์ของเจ้าของข้อมูลตาม PDPA (และ GDPR) ในการขอลบข้อมูลส่วนบุคคลถาวร ใน RCTDB ใช้ UUID tombstone pattern ที่ mark ข้อมูลว่าถูกลบโดยไม่ทำลาย referential integrity
Audit Trail (เส้นทางการตรวจสอบ)
บันทึกลำดับเวลาของการตัดสินใจ AI ทั้งหมด พร้อมรายละเอียดเพียงพอสำหรับ reconstruct ว่าเกิดอะไร เมื่อไร และทำไม RCTDB ทำสิ่งนี้โดยอัตโนมัติ
E-E-A-T (ประสบการณ์ ความเชี่ยวชาญ อำนาจ ความน่าเชื่อถือ)
กรอบ quality signal ของ Google: Experience, Expertise, Authoritativeness, Trustworthiness สำหรับ AI content ต้องมี first-hand experience, credentials ที่ verify ได้ authorship โปร่งใส และ claim ที่ตรวจสอบแล้ว
Topical Authority (อำนาจเชิงหัวข้อ)
ระดับที่ search engines ยอมรับ website ว่าเป็นแหล่งความรู้เชิงลึกและน่าเชื่อถือในหัวข้อเฉพาะ สร้างขึ้นผ่าน content depth, internal linking และ entity-level structured data
AEO (การปรับแต่งสำหรับ Answer Engine)
การออกแบบเนื้อหาเพื่อให้ถูกเลือกเป็นคำตอบโดย AI systems เช่น ChatGPT, Perplexity, Google AI Overviews ต้องใช้ FAQPage JSON-LD, Q&A format ชัดเจน และ claims ที่ verified
FAQPage Schema (โครงสร้าง schema ถามตอบ)
รูปแบบ JSON-LD ที่ mark up เนื้อหา Q&A ด้วย schema.org/FAQPage มีสิทธิ์ได้ Google Featured Snippets และ rich results ทำให้ click-through rate เพิ่มขึ้นมาก
DefinedTerm Schema (โครงสร้าง schema คำนิยาม)
ประเภท JSON-LD (schema.org/DefinedTerm) สำหรับ mark up คำศัพท์และคำนิยามทางเทคนิค ช่วย search engines เข้าใจ proprietary concepts และ Knowledge Graph entity recognition
Internal Linking (การเชื่อมโยงภายใน)
ลิงก์ระหว่างหน้าในเว็บเดียวกัน กระจาย PageRank ช่วย search engines ค้นพบเนื้อหา และนำผู้ใช้ผ่านหัวข้อที่เกี่ยวข้อง ลิงก์ที่ดีมี anchor text อธิบายชัดเจน
Architect Genome (จีโนมสถาปนิก)
DNA ของผู้สร้าง — genome พื้นฐานของระบบ 7 Genome ของ RCT เข้ารหัสวิสัยทัศน์สถาปนิกและรูปแบบโครงสร้างของ RCT Ecosystem
ARTENT Genome (จีโนมปัญญาการสร้างสรรค์)
ปัญญาการสร้างสรรค์ — genome ปัญญาเชิงสร้างสรรค์ของระบบ 7 Genome ของ RCT ดูแลความสามารถในการสร้าง AI output เชิงสร้างสรรค์
JITNA Genome (จีโนมชั้น Protocol)
ชั้น Protocol — genome การสื่อสารของระบบ 7 Genome ของ RCT ใช้งาน JITNA Protocol standard สำหรับการสื่อสารระหว่าง agent
Codex Genome (จีโนมคลังความรู้)
คลังความรู้ — genome เก็บความรู้ระยะยาวของระบบ 7 Genome ของ RCT จัดการการดึงและจัดระเบียบความรู้เชิงโครงสร้าง
SignedAI Genome (จีโนมชั้นการตรวจสอบ)
ชั้นการตรวจสอบ — genome ความไว้วางใจและ consensus ของระบบ 7 Genome ของ RCT ใช้งาน multi-model consensus และการตรวจสอบแบบ cryptographic
RCT-KnowledgeVault Genome (จีโนมสถาปัตยกรรมหน่วยความจำ)
สถาปัตยกรรมหน่วยความจำ — genome จัดเก็บข้อมูลถาวรของระบบ 7 Genome ของ RCT จัดการ RCTDB schema, Delta Engine compression และลำดับชั้นหน่วยความจำ
RCT-7 Genome (จีโนมพัฒนาต่อเนื่อง)
การปรับปรุงต่อเนื่อง — genome meta-learning ของระบบ 7 Genome ของ RCT ตรวจสอบประสิทธิภาพระบบ ระบุโอกาสพัฒนา และกำกับดูแลวิวัฒนาการของ ecosystem ทั้งหมด