የውሂብ ሂደት፣ ማከማቻ፣ መቀነስ እና ማንነትን መደበቅ

ትርፍ፡

በእያንዳንዱ የውሂብ የሕይወት ዑደት ደረጃ ላይ የ AI ግምቶችን ይተግብሩ
የማቆያ ጊዜዎችን ያቀናብሩ እና የ AI ውይይት ታሪኮችን በጥፋት ፖሊሲ ውስጥ ያካትቱ
በስም ማጥፋት እና በስም ማጥፋት መካከል ያለውን ልዩነት መተግበር

የመረጃው "በኋላ" ክፍል የውሂብ ጥበቃ መኮንን ብዙውን ጊዜ የሚመለከትበት ነው. አንድ ጽሑፍ ወደ AI ከገባ በኋላ ሥራው የተጠናቀቀ ይመስላል; ነገር ግን፣ ያ መረጃው የሆነ ቦታ ተከማችቷል፣ ምናልባትም በሞዴል ስልጠና ውስጥ ጥቅም ላይ ይውላል፣ ምናልባት በውይይት ታሪክ ውስጥ ለወራት ይከማቻል። በዚህ ክፍል ውስጥ, ደረጃ በደረጃ የግል ውሂብ የሕይወት ዑደት እንነጋገራለን; ስለ ማቆያ ጊዜያት፣ ስለ AI የውይይት ታሪክ መጥፋት እና በሁለት ወሳኝ ቴክኒኮች መካከል ያለውን ልዩነት እንማራለን። ግቡ ሲገባ ብቻ ሳይሆን በህይወቱ በሙሉ መረጃን ማስተዳደር ነው።

የውሂብ የሕይወት ዑደት እና AI

የግል ውሂብ የሕይወት ዑደት ውስጥ ያልፋል; እያንዳንዱ ደረጃ AI-ተኮር ትኩረት ነጥቦች አሉት.

ደረጃ

ምን ይሆናል?

AI ትኩረት ነጥብ

ስብስብ

መረጃ ተገኝቷል

ዓላማው እና መሰረቱ ግልጽ ናቸው? ቀንሷል?

መጠቀም/ማቀነባበር

ወደ AI ገብቷል፣ ተሰራ

ጭምብል ተሠርቷል? ተቀባይነት ያለው ተሽከርካሪ?

ማከማቻ

ውሂብ ተጠብቆ ይቆያል

የውይይት ታሪክ ለምን ያህል ጊዜ ይቆያል?

ማስተላለፍ

ወደ ሌላ ሰው ይሄዳል

አለምአቀፍ አገልጋይ? ተገቢ ዋስትና አለ?

ጥፋት

ስረዛ/ስም ማጥፋት

ዓላማው ከተጠናቀቀ በኋላ ተሰርዟል? መለዋወጫዎች ተካትተዋል?

ሁለቱ በጣም ችላ የተባሉት ደረጃዎች ማከማቻ እና መጣል ናቸው. መረጃው "የተረሳ" እና በሲስተሙ ውስጥ መከማቸቱን ይቀጥላል - ሁለቱም የ KVKK መርህ የሚጥሱ እና በመጣስ ጊዜ ጉዳቱን ያጎላል.

የማከማቻ ጊዜ: ለምን ያህል ጊዜ ማቆየት ይችላሉ?

የ KVKK ማቆየት መርህ ግልጽ ነው፡ የግል መረጃ ለተሰራበት አላማ ከሚያስፈልገው በላይ ሊቀመጥ አይችልም። አላማው በማይገኝበት ጊዜ ውሂቡ መሰረዝ፣ መደምሰስ ወይም ማንነታቸው መገለጽ አለበት። ተቋሙ የማከማቻ እና የማስወገጃ ፖሊሲ ያዘጋጃል; ለእያንዳንዱ የውሂብ ምድብ ምን ያህል ማቆየት እንዳለበት ይወስናል.

ለ AI የተለየ ወሳኝ ነጥብ፡ የ AI የውይይት ታሪኮች እንዲሁ የተከማቹ መረጃዎች ናቸው። አንድ ሰራተኛ የደንበኛ ውሂብን ወደ ተመሳሳይ ውይይት ለወራት ካስገባ ያ ታሪክ የውሂብ ማከማቻ ይሆናል። ለዚህም፡-

በድርጅት AI መሳሪያዎች ውስጥ የውሂብ ማቆያ ቅንብሮችን ያዋቅሩ (ከተቻለ ታሪክን በራስ ሰር ይሰርዙ ወይም በሞዴል ስልጠና ውስጥ መጠቀምን ያጥፉ)።
የውይይት ታሪክ በጥፋት መርሐግብርዎ ውስጥ ያካትቱ።
በድርጅት ውል ውስጥ "በሞዴል ስልጠና አይጠቀሙ" (መርጦ መውጣት) አማራጭን ያረጋግጡ።

ትኩረት: ውሂብን መሰረዝ ከማያ ገጹ ላይ ማስወገድ ብቻ አይደለም. በአቅራቢው አገልጋይ ላይ ያሉ ምትኬዎች፣ ምዝግብ ማስታወሻዎች እና ቅጂዎችም ግምት ውስጥ መግባት አለባቸው። "ተሰረዘ" ሲሉ የሰረዙት ነገር በእውነት የማይመለስ መሆኑን ያረጋግጡ።

ማንነትን መደበቅ ወይስ ስም ማጥፋት?

እነዚህ ሁለት ቃላት ብዙውን ጊዜ ግራ ይጋባሉ፣ ነገር ግን ህጋዊ ውጤታቸው በከፍተኛ ሁኔታ ይቃወማሉ።

ማንነትን መደበቅ፡ በማንኛውም መንገድ ከአንድ ሰው ጋር እንዳይገናኝ መረጃ መስራት። በትክክል ከተሰራ ውጤቱ ከአሁን በኋላ የግል መረጃ አይደለም እና ከKVKK ወሰን ውጭ ይወድቃል። ምሳሌ፡ ነጠላ ረድፎችን በ10,000 ሰዎች የውሂብ ስብስብ ውስጥ መሰረዝ እና እንደ "ኢስታንቡል ውስጥ በ25-34 የዕድሜ ክልል ውስጥ ያለው አማካይ ወጪ" ያሉ አጠቃላይ ስታቲስቲክስ ብቻ ይቀራል።
ስም ማጥፋት፡ የማንነት መረጃ በኮድ/መለያ ተተካ፣ነገር ግን "ቁልፍ" ላለው ሰው ሊመለስ ይችላል። ምሳሌ፡ ከ«አህመት ይልማዝ» ይልቅ «Customer-4471»ን መጻፍ፣ ነገር ግን የትኛው ኮድ የማን እንደሆነ የሚያሳይ ሠንጠረዥ ማስቀመጥ። ይህ አሁንም የግል መረጃ ነው እና በKVKK ክልል ውስጥ ይወድቃል።

ባህሪ

ማንነትን መደበቅ

ስም ማስመሰል

ግለሰቡን መመለስ ይቻላል?

አይ (በትክክል ከተሰራ)

አዎ፣ ከቁልፉ ጋር

አሁንም የግል መረጃ ነው?

አይደለም

አዎ

የ KVKK ስፋት

ውጭ

ውስጥ

ወደ AI ለመግባት

በጣም አስተማማኝ መንገድ

በድጋሚ, መሰረት / ህግ ያስፈልጋል

ጠቃሚ ምክር: "የሚቀለበስ ነው?" ወደ AI ውሂብ ከመግባትዎ በፊት. ብለው ይጠይቁ። በውስጡ ቁልፍ/ተዛማጅ ካለ፣ስሙ ያልተሰየመ እና አሁንም የግል መረጃ ነው። እውነተኛ ማንነትን መደበቅ የተዋሃደውን ውጤት ማጋራት ነው እንጂ የግለሰብ ረድፎችን አይደለም።

ሶስት ጥቃቅን ጉዳዮች

ጉዳይ 1 - የሐሰት ስም-አልባነት። አንድ የጤና አጠባበቅ ኩባንያ ለኤአይአይ መረጃን ለመተንተን "ስም-አልባ" አድርጓል ያለውን መረጃ ይሰጠዋል. ነገር ግን ስብስቡ የልደት ቀን, አውራጃ እና ያልተለመደ ምርመራን ያካትታል; ይህ ትሪዮ በትንሽ ካውንቲ ውስጥ አንድ ነጠላ ሰው ሊያመለክት ይችላል። ይህ ስም-አልባ አይደለም; መረጃ አሁንም ግላዊ ነው። ትክክለኛው መንገድ፡ የትውልድ ቀንን ወደ የዕድሜ ክልል መለወጥ፣ በካውንቲ አጠቃላይ ማድረግ፣ ብርቅዬ ምርመራዎችን ማቧደን - ማለትም፣ እውነተኛ ድምር።

ጉዳይ 2 - የውይይት መደራረብ. በጥሪ ማእከል ውስጥ፣ 6 ወኪሎች የደንበኞችን መረጃ በተመሳሳይ የድርጅት AI መለያ ለ4 ወራት ያስገባሉ። ያለፈውን ማንም አያጸዳውም; በመጨረሻም ከ12,000 በላይ የደንበኞች መስተጋብር በአንድ ቦታ ተከማችቷል። በኦዲት ውስጥ, ይህ ክምችት እንደ ትልቅ አደጋ ምልክት ተደርጎበታል. መፍትሄው፡ በየ30 ቀኑ ታሪኩን በራስ ሰር ለመሰረዝ ማዋቀር፣ ስራው ሲጠናቀቅ ዘግቶ የመውጣት ህግ እና ለማቆያ ፖሊሲ ክፍት የሆነ አንቀጽ።

ጉዳይ 3 - ትክክለኛ የውሸት ስም. የሰራተኛ አፈጻጸምን ከ AI ጋር ሲተነተን፣የ HR ቡድን እንደ "Employee-001" ያሉ ስሞችን ይሰይማል እና ተዛማጅ ሰንጠረዡን በተለየ መዳረሻ-የተገደበ ፋይል ያስቀምጣል። ይህ pseudonymization ነው; መረጃው አሁንም ግላዊ ነው, ግን አደጋው ይቀንሳል. ቡድኑ ይህ ማንነትን መደበቅ እንዳልሆነ ስለሚያውቅ ህጋዊ መሰረቱን እና የማቆያ ጊዜውን በዚሁ መሰረት ይወስናል።

ሊገለበጡ የሚችሉ አብነቶች

አብነት 1 - የማቆየት እና የማጥፋት ፖሊሲ መስመር፡ "ለሚከተለው የውሂብ ምድብ የማቆያ-አጥፊ ፖሊሲ መስመር ያቅርቡ፡ [ምድብ]። መስኮች፡ የማቆያ ጊዜ (በዓላማ የተረጋገጠ)፣ የማጥፋት ዘዴ (መሰረዝ/ማጥፋት/ ስም ማጥፋት)፣ AI የውይይት ታሪክ የተካተተ እንደሆነ፣ ኃላፊነት የሚሰማው ሚና። ሕጋዊ የማቆየት ግዴታ ካለ አስታውስ።

አብነት 2 - ማንነትን መደበቅ ቼክ፡ "የሚከተለው የውሂብ ስብስብ በእውነት ስም-አልባ መሆኑን ይገምግሙ፡ [መስኮችን ይዘርዝሩ።] የትኛውን የመስኮች ውህዶች አንድን ሰው እንደገና እንዲለይ ሊያደርጉት ይችላሉ (ለምሳሌ የትውልድ ቀን + ዚፕ ኮድ + ብርቅዬ ባህሪ)? ማንነቱ እንዳይገለጽ ለማድረግ ለእያንዳንዱ የአደጋ መስክ (ለምሳሌ የዕድሜ ክልል፣ የግዛት ደረጃ) አጠቃላይ አስተያየት ይስጡ።"

አብነት 3 — ጭንብል + መመለሻ ቁልፍ መለያየት፡ "የሚቀጥለውን ጽሁፍ ስም ማስመሰል፡ የግል መረጃን (እንደ [NAME]->K001) ኮድ አድርግ፣ ነገር ግን የሚዛመድ ሠንጠረዥን ለብቻው ስጠኝ። በጽሁፉ ውስጥ ትክክለኛ ማንነትን አታስቀምጥ። ተዛማጅ ሰንጠረዡ 'የግል ውሂብ' እንደሆነ እና ለብቻው መቀመጥ እንዳለበት አስተውል።"

አብነት 4 - የ AI መሳሪያ መረጃ ማከማቻ ኦዲት: "የምንጠቀመው AI መሳሪያ የውሂብ ማከማቻ ባህሪን ለማጣራት የጥያቄዎችን ዝርዝር ያዘጋጁ: ታሪኩ ለምን ያህል ጊዜ እንደሚቆይ, ሊሰረዝ ይችላል, በአምሳያ ስልጠና ውስጥ ጥቅም ላይ ይውላል, መርጦ መውጣት አለ, መረጃው የት ነው የተካሄደው, መጠባበቂያዎቹ ምንድን ናቸው? ለእያንዳንዱ ጥያቄ የሚጠበቀውን 'አስተማማኝ' መልስ ይፃፉ."

ደካማ ጥያቄ / ጠንካራ ጥያቄ

ደካማ፡ "ይህን ውሂብ ስም-አልባ አድርግ።" (ኮዶች እና ስሞችን ይተዋል)-> ቅጽል ስሞች ብቻ; እንደ የትውልድ ቀን ፣ ያልተለመደ ባህሪ ፣ እንደገና የመለየት አደጋዎች ይቀራሉ ፣ “ስም የለሽ” የሚል ቅዠት ይፈጥራል። GÜÇLÜ: "በዚህ ስብስብ ውስጥ ሰውየውን እንደገና ሊለዩ የሚችሉ የሜዳ ውህዶችን ፈልግ፤ እያንዳንዳቸውን ጠቅለል አድርግ (የእድሜ ክልል፣ የግዛት ደረጃ) ግቤ አንድ ሪከርድ ሳይሆን አጠቃላይ ስታቲስቲክስ ነው። በውጤቱም ማንም ሰው እንደ አንድ ሰው ተለይቶ ሊታወቅ አይችልም እና ይህንን ያረጋግጡ።" -> ሞዴሉ እንደገና ማንነትን የመለየት አደጋን በመቀነስ ወደ እውነተኛ ማንነት መገለጽ ያቀናል።

የተለመዱ ስህተቶች

ስም-አልባ ስም የመስጠት ስህተት; የግል ውሂብ ሆኖ መቆየቱን መርሳት.
ስሞችን መሰረዝ እና እንደ የልደት ቀን + አካባቢ + ያልተለመደ ባህሪ ያሉ ገላጭ ጥምረቶችን ይተዋል ።
የ AI ውይይት ታሪክን የማቆየት/የመጥፋት ደንብ አይገዛም። ያለገደብ ይከማቹ.
በውሉ ውስጥ "በሞዴል ስልጠና አይጠቀሙ" (መርጦ መውጣት) የሚለውን አንቀጽ ማረጋገጥ አለመቻል።
ስረዛ ስል ስክሪኑን አጽዳ እና ስለ ምትኬ እና ሎግ ረስተው ማለቴ ነው።
ከዓላማው ይልቅ የማከማቻ ጊዜውን ለ"እንደ አጋጣሚ" ማቆየት።
ዝውውሩ እና ማከማቻው በአገልግሎት አቅራቢው አገልጋይ ላይም መከናወኑን ችላ በማለት።

በማጠቃለያው

የግል ውሂብ የሕይወት ዑደት ውስጥ ያልፋል; በጣም ችላ የተባሉት ደረጃዎች ማከማቻ እና መጣል ናቸው.
ለዓላማው መረጃ ከሚያስፈልገው በላይ ለረጅም ጊዜ ሊቀመጥ አይችልም; ተቋሙ የማከማቻ እና የማጥፋት ፖሊሲ ማቋቋም አለበት።
AI የውይይት ታሪኮች እንዲሁ የተከማቹ መረጃዎች ናቸው; በቆሻሻ ማጠራቀሚያ እና በማከማቻ ቅንጅቶች ውስጥ መካተት አለበት.
ማንነትን መደበቅ ውሂቡን ከKVKK ያወጣል; ስም ማጥፋት አሁንም ውሂቡን ግላዊ ያደርገዋል።
ስም መሰረዝ ስም-አልባ አይደለም; እንደገና የመለየት አደጋ ላይ ያሉ ሁሉም ውህዶች አጠቃላይ መሆን አለባቸው።

የመተግበሪያ ተግባር

ድርጅትዎ በ AI የሚሰራ የውሂብ ምድብ ይምረጡ (ለምሳሌ የደንበኛ ድጋፍ መዝገቦች)። ለዚህ ምድብ የማቆያ እና የማጥፋት ፖሊሲ መስመርን ይፃፉ፡ የማቆያ ጊዜ (የተረጋገጠ)፣ የጥፋት ዘዴ፣ የ AI የውይይት ታሪክ የተካተተ እንደሆነ እና ኃላፊነት የሚሰማው ሚና። ከዚያም ከተመሳሳይ ዳታ የናሙና መዝገብ ውሰዱ እና መጀመሪያ ስሙን አምጡ (ተዛማጁን ሰንጠረዡን ለይተው ያስቀምጡ)፣ ከዚያ የትኞቹን መስኮች ጠቅለል አድርገው እንደሚገልጹ እና ይህን መዝገብ እንዴት ወደ እውነተኛ ማንነት አልባነት እንደሚያመጡት ይፃፉ። በመጨረሻም፣ የምትጠቀመውን የ AI መሳሪያ የውሂብ ማከማቻ ባህሪ የሚቆጣጠሩ አምስት ጥያቄዎችን አዘጋጅ እና ለእያንዳንዳቸው የምትጠብቀውን "አስተማማኝ" መልስ ጨምር።

የማረጋገጫ ዝርዝር

[ ] ለውሂብ ምድብ የማቆያ ጊዜውን እና የመጥፋት ዘዴን ወስኛለሁ።
[] የ AI ቻት ታሪክን በጥፋት መርሐግብር ውስጥ አካትቻለሁ።
[ ] "በሞዴል ስልጠና አይጠቀሙ" የሚለውን መርጦ የመውጣት ንጥሉን አረጋገጥኩ።
[ ] በስም ማጥፋት እና በስም መደበቅ መካከል ያለውን ልዩነት ተግባራዊ አድርጌያለሁ።
[ ] እንደገና የመለየት አደጋ ላይ ያሉ አጠቃላይ የመስክ ውህዶች አሉኝ።
[ ] በተጨማሪም በመሰረዙ ወሰን ውስጥ ምትኬዎችን እና ምዝግብ ማስታወሻዎችን አካትቻለሁ።
[] የ AI መሳሪያ የውሂብ ማከማቻ ባህሪን ኦዲት አድርጌያለሁ።