Dobici:
- Anonimizacija i procena neophodnosti pre davanja osetljivih i finansijskih podataka korisnika alatima veštačke inteligencije
- Sposobnost razlikovanja razlika između korporativnih i javnih AI alata u privatnosti, zadržavanju podataka i upotrebi u obrazovanju
- Sposobnost upravljanja rizicima kršenja podataka, perioda čuvanja i dijeljenja trećih strana u okviru KVKK-a
Osiguranje je jedna od profesija koje rade s najosjetljivijim podacima. Dosije osiguranja; Može uključivati podatke o identitetu, adresu, prihod, bankovni račun, zdravstvenu istoriju, evidenciju o oštećenjima, registarske tablice, vlasnički list, pa čak i podatke o porodici. Neki od ovih podataka podležu najvišoj zaštiti kao "lični podaci posebne prirode" u KVKK (Zakon o zaštiti ličnih podataka); Zdravstveni, biometrijski i slični podaci su tipični primjeri za to. Nekontrolirano dijeljenje ovih podataka prilikom korištenja alata umjetne inteligencije (posebno onih koji se temelje na oblaku) predstavlja ozbiljan rizik od kršenja i gubitka povjerenja. Kada jednom procure, podaci se ne mogu povratiti. U ovoj ćete jedinici naučiti kako anonimizirati podatke o klijentima (uklanjanje ličnih podataka) prije nego što ih date umjetnoj inteligenciji, razlike u privatnosti između korporativnih i javnih alata i kako upravljati rizicima povrede podataka, pohranjivanja i dijeljenja trećih strana u okviru KVKK-a. Ova jedinica nije pravni savjet; Objašnjava opšte principe, konsultujte odeljenje za usaglašenost/pravno u konkretnom slučaju.
Zašto je privatnost kritična: tipovi podataka
U osiguranju je potrebno izdvojiti podatke prema stepenu zaštite:
- Podaci o identitetu: Ime, prezime, TR ID broj, datum rođenja, kontakt. Direktno identifikuje osobu.
- Finansijski podaci: Prihodi, bankovni račun, istorija plaćanja. Lično i osetljivo.
- Podaci o posebnom kvalitetu: Zdravlje, biometrijski podaci. Najviša zaštita; Za obradu su potrebni stroži uslovi (eksplicitna saglasnost ili zakonski izuzetak).
- Podaci o fajlu: broj police, registarska tablica, vlasnički list, detalj o šteti. U kombinaciji s drugima, može otkriti identitet.
Najveća opasnost je uočljivost koja se javlja kada objedinite ove podatke. Dok je "45 godina stara žena" anonimna, "45 godina žena + određena registarska tablica + određena adresa" može otkriti identitet.
Pažnja: Izgovaranje "izbriši" nakon davanja podataka alatu za umjetnu inteligenciju zapravo ih ne briše. Neki alati pohranjuju unos i čak ga koriste za obuku modela. Pravilo: nikada ne šaljite osjetljive podatke; Anonimizacija dolazi prije slanja.
Anonimizacija: kako to učiniti
Anonimizacija je uklanjanje identifikacionih informacija i zamjena činjeničnim ekvivalentom; Cilj je učiniti osobu neprepoznatljivom uz očuvanje kvaliteta izlaza. Dobra anonimizacija:
- Uklanja ime, TR ID, telefon, adresu, broj polise, registarske tablice i podatke iz vlasničkog lista.
- On ih zamjenjuje analitički značajnim ekvivalentom: "45 godina, muškarac, polisa osiguranja, Centralna Anadolija, jednostrani sudar".
- Izbjegava rijetke/izrazite kombinacije: vrlo specifična profesija + vrlo malo mjesto, koje samo može otvoriti identitet.
- Zadržava medicinsko/tehničko značenje: kao što je "komplementarno zdravlje, planirana ortopedska operacija".
Savjet: Nakon što ste anonimizirali, zapitajte se: "Ako stranac pročita ovaj tekst, može li pronaći tu osobu?" Ako je odgovor da, generalizirajte dalje. Posebno rijetke kombinacije (mali okrug + određeni događaj) su opasne.
Enterprise protiv javnih alata
Nemaju svi AI alati isti nivo privatnosti. Razlikuju se u tri dimenzije:
- Zadržavanje podataka: Da li zadržava unos i koliko dugo?
- Upotreba u obuci: Da li koristi input za obuku modela?
- Lokacija i ugovor: Gdje se obrađuju podaci, postoji li korporativni ugovor o obradi podataka?
Institucionalni alati (ugovorne garancije institucije, garancije za obradu podataka) često nude ograničenja za nekorištenje i pohranjivanje podataka u obrazovanju. Javni, besplatni alati mogu pohraniti input i koristiti ga u obuci. Pravilo: osjetljivi podaci se obrađuju samo na način koji je odobrila institucija, ugovorena sredstva iu što je moguće anonimnijem obliku. Unošenje podataka o korisniku u neodobreni alat čini procesor podataka nekontroliranim.
Korak po korak: siguran rad s povjerljivim podacima
- Klasifikujte podatke. Identitet / finansijski / poseban kvalitet / podaci o fajlu.
- Test neophodnosti. Jesu li ti podaci zaista potrebni za ovaj zadatak? Ako ne, nemojte ga koristiti.
- Anonimiziraj. Uklonite identifikatore, zamijenite činjenične ekvivalente, generalizirajte rijetke kombinacije.
- Odaberite vozilo. Samo ugovorena vozila odobrena od strane agencije; Nema osjetljivih podataka dostupnih javnom alatu.
- Radite sa minimalnim podacima. Podijelite minimalne informacije potrebne za zadatak.
- Upravljajte pohranom i dijeljenjem. Gdje pohranjujete izlaz, s kim ga dijelite; Poštujte KVKK period zadržavanja i pravila treće strane. Ostavite svoj trag.
tri mini kofera
Slučaj 1 — Zaštita osjetljivih podataka. Specijalista za potraživanja želio je pitati AI o složenom dosijeu zdravstvenog osiguranja. Umjesto pisanja imena, lične karte i dijagnoze osiguranika, stvorio je anonimni kontekst kao što je "52 godine života, žena, komplementarna zdravstvena politika, planirana operacija srčanih zalistaka, sporni iznos". Kvalitet rezultata nije smanjen; Privatni podaci nisu otišli ni u jedan oblak. Zdravstveni podaci podliježu najvišoj zaštiti; ova navika je spriječila kršenje.
Slučaj 2 — Rijetka kombinovana zamka. “38 godina, žena, jedini farmaceut u [vrlo malom okrugu], politika profesionalne odgovornosti”, napisao je jedan stručnjak. Iako ovo tehnički nije sadržavalo ime, direktno je otkrivalo njegov identitet jer je bio jedini farmaceut u tom okrugu. Stručnjak je to uočio i generalizovao kao "malo naselje, zdravstvena profesija". Anonimizacija nije samo brisanje imena, već uništavanje prepoznatljivosti.
Slučaj 3 — Pogrešan odabir alata. Radi brzine, zaposlenik bi uploadovao pregled zahtjeva korisnika na besplatni, javni alat. Politika tima stupa na snagu: podaci o klijentima se obrađuju samo u ugovorenom alatu koji je odobrila institucija. Zaposlenik je prvo anonimizirao podatke, a zatim ih pokrenuo u odobrenom alatu. Ako bi se koristio neodobreni alat, rizik od pohranjivanja podataka i korištenja u obrazovanju bio bi nekontrolisan.
Četiri upita za kopiranje
1) Pomoćnik za anonimizaciju:
Uklonite sve lične i identifikacione podatke iz sljedećeg teksta: ime, prezime, lična karta, datum rođenja, telefon, adresa, broj polise, registarske tablice, vlasnički list, IBAN. Zamijenite ih činjeničnim ekvivalentom s analitičkim značenjem (npr. "45 godina, muškarac, polisa osiguranja, jednostrani sudar"). Generalizirajte rijetke/izrazite kombinacije (malo mjesto + posebno zanimanje). Zadržati medicinsko/tehničko značenje. Tekst: [zalijepi]
2) Provjera prepoznatljivosti:
Provjerite sljedeći anonimni tekst za prepoznavanje: [tekst]Pitajte: Može li stranac pronaći osobu sa ovim tekstom? Postoji li rijetka kombinacija (malo naselje + određena profesija/događaj), jedinstveni datum ili iznos? Istaknite svaku rizičnu tačku i predložite kako sigurnije generalizirati.
3) Zahtjevi za podatke i klasifikacija:
Klasifikujte i testirajte podatke potrebne za sledeći zadatak: Zadatak: [opis] Podaci koje imam: [lista]Za svaki podatak: tip (identitet/finansijski/posebni/fajl), da li je potreban za ovaj zadatak (da/ne), ako je potrebno, kako da se koristi anonimno. Označite nepotrebne podatke kao "ne koristiti".
4) Kontrolna lista za odabir vozila:
Napravite kontrolnu listu prije korištenja AI alata s podacima o osiguranju. Uključite pitanja: Da li je vozilo odobreno od strane institucije? Postoji li ugovor o obradi podataka? Da li pohranjuje/koristi ulaz u treningu? Gdje se obrađuju podaci? Za koji tip podataka je prikladan/neprikladan? Da li je anonimizacija dovoljna?
Slaba prompt / Jaka prompt
Slabo: "Procijenite dosije klijenta Ahmeta Yılmaza (TC 123..., medicinski izvještaj u prilogu)."
Problem: Identitet i osjetljivi (zdravstveni) podaci se dijele direktno; veliki rizik od kršenja KVKK.
Snažan: "Uzmite u obzir sljedeći anonimni kontekst: 52 godine, žena, dodatna zdravstvena politika, planirana operacija, sporni iznos. Nema informacija za identifikaciju."
Zašto je to dobro: Analitičko značenje je očuvano, identitet i osjetljivi podaci se ne otkrivaju.
uporedni grafikon
Tip podataka
Nivo zaštite
Upotreba u umjetnoj inteligenciji
Ime/TC/kontakt
visoko
Ukloniti, staviti ekvivalent
Finansijski (prihodi/IBAN)
visoko
Ukloni/generaliziraj
Zdravstvene/specijalne kvalifikacije
najviši
Nikad sirovo; anonimno + odobreno vozilo
Broj/tablica/vlasnički list
srednje visok
Remove; sama je rizična
Agregat/statistika
nisko
Dostupan (ako nema kontakta)
Uobičajene greške
- Lijepljenje neobrađenih ličnih/zdravstvenih podataka. Najčešći i najteži prekršaj.
- Misleći da je dovoljno samo brisanje imena. Rijetke kombinacije još uvijek mogu otkriti identitet.
- Oslanjajući se na izgovaranje "izbriši kasnije". Alat možda pohranjuje/koristi podatke u treningu.
- Neodobrena/javna vožnja. Nekontrolisana obrada podataka.
- Ne upravlja pohranom i dijeljenjem. Neograničeno skladištenje rezultata, nekontrolisano deljenje sa trećim licima.
Ukratko
Podaci o osiguranju su vrlo osjetljivi; Posebni podaci kao što je zdravlje podliježu najvišoj zaštiti prema KVKK-u. Klasifikujte, osporite i anonimizirajte podatke prije nego što ih date AI: uklonite identifikatore, uvedite činjenične ekvivalente, generalizirajte rijetke kombinacije. Obrađujte osjetljive podatke samo u alatima koje je odobrila institucija, ugovorenim alatima i to u minimalnoj mjeri. Upravljajte periodom skladištenja i dijeljenjem treće strane u okviru KVKK-a i ostavite trag. Konsultujte usklađenost/pravo u konkretnom slučaju; Procureli podaci se ne mogu dohvatiti.
Zadatak aplikacije
Dobijte stvarnu štetu/referentni tekst (u svrhu testiranja). Anonimizirajte s upitom #1, a zatim provjerite prepoznavanje s upitom #2: postoje li još rijetke kombinacije u tekstu koje bi mogle otkriti osobu? Generalizirajte svaki rizik koji nađete. Takođe procenite AI alat koji koristite sa kontrolnom listom broj 4: da li je pogodan za osetljive podatke?
kontrolna lista
- [ ] Podatke sam klasifikovao prema njihovim vrstama.
- [ ] Primijenio sam test nužnosti; Nisam koristio nepotrebne podatke.
- [ ] Uklonio sam identifikatore i zamijenio ih činjeničnim ekvivalentom.
- [ ] Generalizirao sam rijetke/izrazite kombinacije.
- [ ] Provjerio sam prepoznatljivost.
- [ ] Koristio sam samo ugovorena vozila odobrena od strane kompanije.
- [ ] Upravljao sam skladištenjem i dijeljenjem treće strane u skladu sa KVKK; Ostavio sam trag.