zisky:
- Schopnost klasifikovat daňové poplatníky a finanční údaje v rámci povinnosti důvěrnosti KVKK a daňového řádu a stanovit úroveň ochrany
- Schopnost aplikovat kroky anonymizace, maskování a bezpečného/institucionálního výběru nástrojů před poskytnutím dat umělé inteligenci
- Schopnost získat návyk vyhýbat se řízení bez dozoru tím, že zná právní, trestní a profesionální důsledky porušení soukromí.
Profesionál vidí nejdůvěrnější informace daňového poplatníka: obrat, zisk, bankovní pohyby, platy zaměstnanců, IČ, smlouvy, partnerské struktury. Tyto informace jsou chráněny dvěma samostatnými právními vrstvami: KVKK (zákon o ochraně osobních údajů, zákon zakazující neoprávněné zpracování osobních údajů) a povinností mlčenlivosti podle zákona o daňovém řádu (povinnost profesionála zachovávat mlčenlivost o informacích, které se v rámci své povinnosti dozví). V době umělé inteligence tato ochrana čelí nové hrozbě: vkládání citlivých dat do nekontrolovaného nástroje. Princip této jednotky je jednoduchý: data jsou chráněna před vstupem do AI; Do nehlídaného vozidla se nedostanou žádná citlivá data.
Dvouvrstvá ochrana a proč je třeba ji brát vážně
- Vrstva KVKK: Veškeré informace (jméno, TR ID, plat, kontakt) patřící skutečným osobám jsou osobní údaje. Neoprávněné zpracování, převod a nedostatečná ochrana budou mít za následek správní pokuty a kompenzace.
- Vrstva důvěrnosti VUK: Profesionál nemůže sdílet finanční tajemství daňového poplatníka s třetími stranami. Porušení s sebou nese jak trestněprávní, tak profesní (disciplinární) důsledky.
Zkušební zůstatek nebo výplatní listina vložená do veřejně dostupného nástroje umělé inteligence může být považována za „převedenou na třetí stranu“. Často není jasné, jak nástroj ukládá data a zda se používá při školení. Tato nejistota sama o sobě představuje dostatečné riziko.
Pozor: Myšlenka, že „to stejně nikdo neuvidí“, není právní obrana. Jakmile data vstoupí do nekontrolovaného systému, jsou mimo vaši kontrolu. Porušení soukromí není nebezpečné kvůli možnosti, že k němu dojde, ale protože je nevratné, jakmile k němu dojde.
Před poskytnutím dat AI: kroky ochrany
- Klasifikovat. Jsou údaje, které máte, osobní, finanční tajemství nebo veřejné? Podle toho určete úroveň ochrany.
- Nutnost otázky. Je skutečně nutné dát modelu tato data, nebo lze úkol provést s anonymními/souhrnnými daty?
- Anonymizovat/maskovat. Jejich jména jsou K1, K2; společnosti Ş1, Ş2; Nahraďte TR ID a čísla účtů maskou. Zobecněte jedinečné detaily, které poskytují nepřímou diagnózu.
- Vyberte si bezpečné vozidlo. Pokud je to možné, použijte firemní/schválený nástroj, který zaručí uchování dat.
- Udržujte stopu. Zaznamenejte si, která data jste kterému nástroji poskytli a s jakou ochranou.
Typ dat
příklad
konzervační přístup
identifikační údaje
Jméno, TR ID
maskovat/anonymizovat; nikdy nedávejte syrové
finanční tajemství
Obrat, zisk, banka
Shrnout/anonymizovat; firemní vozidlo
údaje o vztahu
partner, dodavatel
zobecnit; odstranit jedinečný detail
veřejné
deklarovaná rozvaha
lze normálně zpracovat
Jak se anonymizace provádí v praxi?
Anonymizace činí identitu nerozlišitelnou, přičemž data zůstávají užitečná. Necháte si například analyzovat výplatní pásku: místo jména a TR ID vložíte pořadové číslo, analýza rozdělení mezd se nenaruší, ale nelze nikoho identifikovat. Kritickým bodem je nepřímá diagnóza: výrazy jako „jediná žena generální ředitelka“ nebo „jediná 92letá ve společnosti 35 lidí“ prozradí osobu, i když jméno smažete; Ty jsou také zobecněné.
tři mini pouzdra
Případ 1 – Únik mezd. Stážista nahraje mzdový list 3500 lidí (jméno, občanský průkaz, plat) do bezplatného webového nástroje a řekne „shrnout“. U dat existuje riziko, že budou zamíchána do úložiště vozidla; Dochází k porušení mlčenlivosti KVKK i VUK. Pokud to zákazník zjistí, je konec. Správným způsobem bylo použít vozidlo schválené společností nebo pouze rozdělovat mzdu maskováním svého jména/TR ID.
Případ 2 — Nepřímá diagnóza. Konzultant dá modelu seznam, ve kterém jména vymaže, ale ponechá frázi „jediný zahraniční manažer společnosti“. Toto prohlášení dává osobě pryč; Chybí anonymizace. Poučení: jedinečné detaily, které poskytují nepřímou diagnózu, by měly být také zobecněny.
Případ 3 – Dobrá manipulace. Před dodáním citlivých dat do modelu projde kancelář standardním krokem anonymizace: pomocí šablony převede jména, ID a názvy značek na kódy a poté je nechá analyzovat. Kvalita analýzy se nesnižuje, neuniká žádná identita. Soukromí a efektivita jsou chráněny společně.
Slabá výzva / Silná výzva
Slabá výzva:
Shrňte následující výplatní pásku: [Ahmet Yılmaz, TC 123..., plat 45 000; ...]
Nezpracované osobní údaje vstupují do vozidla nekontrolovaně; Je to přímé porušení.
Výkonná výzva:
Dám vám soubor dat. PŘED zpracováním použijte následující anonymizaci a ukažte mi také anonymizovanou verzi:- Udělejte osobě jména K1, K2... - Zcela odstraňte TR ID a čísla účtů.- Udělejte název společnosti/značky T1, K2.... Zobecněte jedinečné údaje, které by mohly osobu nepřímo identifikovat. Poté pracujte pouze na anonymní verzi.[DATA (co nejvíce maskovaná): ...]
Poznámka: Nejbezpečnější je nezadávat nezpracovaná osobní data vůbec; Pokud vstoupíte, musíte být maskovaní a v bezpečném vozidle.
Nápovědu ke klasifikaci dat:
Klasifikujte každé z následujících polí: jedná se o osobní údaje, je to finanční tajemství, je to veřejné? Napište doporučenou úroveň ochrany pro každou z nich. Pole: [názvy polí, ukázkový RETURN]
Postup vygenerování šablony anonymizace:
Vytvořte standardní kontrolní seznam anonymizace, který bych použil při analýze mezd/zkušebního zůstatku: která pole by měla být maskována, která by měla být vynechána, co bych měl hledat pro nepřímou diagnostiku?
Pro posouzení bezpečnosti vozidla:
Jaké otázky bych si měl položit při hodnocení, zda je nástroj umělé inteligence vhodný pro citlivá data daňových poplatníků (uchovávání dat, použití ve vzdělávání, firemní smlouva, umístění)? Vytvořte kontrolní seznam.
Časté chyby
- Zadávání nezpracovaných osobních údajů. Nikdy nevstupujte do vozidla bez ověření Name/TR ID.
- Vynechání nepřímé diagnózy. Jedinečný detail prozrazuje identitu, i když je jméno smazáno.
- Neptejte se na bezpečnost vozidla. Citlivá data se neuvádějí, aniž by věděli, jak nástroj data ukládá.
- Nezpochybňovat nutnost. Pokud lze úkol provést s anonymními/souhrnnými daty, nezpracovaná data nejsou uvedena vůbec.
- Nesledování. Pokud není zaznamenáno, které údaje byly kde poskytnuty, nelze porušení vysledovat.
V souhrnu
Data daňových poplatníků jsou ve dvou vrstvách chráněna povinností mlčenlivosti KVKK i VUK a největším novým rizikem v době umělé inteligence je nalepení citlivých dat na nekontrolovaný nástroj. Než jsou data vložena do modelu, jsou klasifikována, je zpochybněna jejich nezbytnost, identifikátory jako jméno/TR ID jsou maskovány a detaily, které poskytují nepřímou diagnózu, jsou zobecněny; Pokud je to možné, používá se pouze bezpečný firemní nástroj se zárukou uchování dat. Porušení soukromí je nevratné poškození; Nejbezpečnější data jsou data, která se nikdy nezadávají.
Aplikační úkol
Vezměte si do ruky typický citlivý soubor (např. výplatní listinu nebo zkušební zůstatek). Nejprve klasifikujte jejich obory (osobní/finanční tajemství/veřejné). Poté použijte šablonu anonymizace: uveďte, které oblasti budete maskovat, které odstraníte a co budete hledat pro nepřímou identifikaci. Nakonec pomocí kontrolního seznamu vyhodnoťte vhodnost zabezpečení nástroje umělé inteligence, který používáte/budete používat.
kontrolní seznam
- [ ] Údaje jsem klasifikoval jako osobní/finanční tajemství/veřejné.
- [ ] Zpochybnil jsem, zda je skutečně nutné poskytovat nezpracovaná data.
- [ ] Zamaskoval jsem/odstranil jsem jméno, TR ID a čísla účtů.
- [ ] Zobecnil jsem jedinečné detaily, které poskytují nepřímou diagnózu.
- [ ] Použil jsem pouze bezpečné/podnikové nástroje se zárukou uchování dat.
- [ ] Hodnotil jsem datovou politiku (úložiště, školení) nástroje.
- [ ] Zaznamenal jsem, která data jsem kde uvedl jako stopu.