Gevinster:
- Evne til at klassificere data efter deres følsomhed (offentlige/interne/fortrolige/kritiske) og anonymisere fortrolige og kritiske data uden at afsløre dem til offentlige værktøjer
- At gøre verifikation til en refleks og markere fakta, gå til kilden og skalere trinene til at åbne kilden givet af kunstig intelligens i henhold til risikoen
- Evne til at anvende etikken om gennemsigtighed, tilskrivning og fortrolighed ved at forstå, at sletning ikke er beskyttelse, og at ansvaret ikke kan tilskrives mediet.
To principper går igen i hver enhed i dette modul: opretholde fortrolighed og verificere hvert output. Denne enhed forvandler disse to principper til én systematisk disciplin - fordi de største risici ved at bruge AI i personlig produktivitet ikke er hastighed eller kvalitet, men lækkede data og ubekræftet løgn. Én forkert e-mail kan rettes; Kundedata, der er blevet sendt til serveren, kan ikke hentes. Et opdigtet nummer præsenteret i en selvsikker tone vil modbevise en beslutning, hvis den ikke bemærkes. Det er derfor, privatliv og autentificering er grundlaget for effektivitet, der er bygget fra bunden, ikke "tilføjes senere."
Vilkår. Personlige data er oplysninger, der identificerer en person - navn, ID-nummer, e-mail, helbred, placering. KVKK/GDPR er de love, der regulerer beskyttelsen af personoplysninger (KVKK i Türkiye, GDPR i EU). Dataklassificering er handlingen med at mærke information i henhold til dens følsomhed (offentlig, intern, fortrolig). Anonymisering er fjernelse af personligt identificerbare elementer fra data. Verifikation er at verificere nøjagtigheden af et output med en uafhængig kilde.
Privatliv: hvad skal man indsætte, hvad man ikke skal indsætte
Alt, hvad du indtaster i AI-værktøjet, går i de fleste tilfælde til en server og gemmes i en eller anden tjeneste eller kan bruges til at træne modellen. Så det grundlæggende spørgsmål er: er du villig til at give disse oplysninger til en ukendt tredjepart? Hvis svaret er nej, så giv det heller ikke til AI.
Brug en simpel klassifikation:
klasse
eksempel
Falder det ind i AI?
Generelt
Udgivet information, udkast til tekst
gratis
interiør
Procesnotat, generisk møderesumé
Ved at anonymisere
hemmelighed
Kundedata, økonomi, strategi
Kun institutionsgodkendte køretøjer
kritisk
Adgangskode, API-nøgle, kontrakt, sundhed
aldrig
Praktiske beskyttelser: anonymiser personlige data (giv navnene "Person A", firmaet "Virksomhed X"); bruge din institutions godkendte AI-værktøj (virksomhedsversioner garanterer ofte ikke at bruge dataene i træningen); og læs din brugspolitik for kunstig intelligens - ellers er det forsigtigt som standard.
Forsigtig: Antagelsen "Jeg har slettet chatten, den er nu sikker" er forkert. Sletning fjerner den fra grænsefladen, men gendanner ikke posten på serveren eller de data, der er involveret i træningen. Beskyttelse begynder før limning; ikke efter.
Validering: en systematisk vane
Gør verifikationen til en refleks i stedet for "Jeg gør det, hvis jeg tænker på det." Her er en praktisk verifikationsdisciplin:
- Marker fakta. Hvert navn, dato, nummer, citat, lov, påstand i udskriften - disse vil blive verificeret.
- Gå til kilden. Bekræft hver kendsgerning med en uafhængig, pålidelig kilde. Åbn kilden givet af AI og læs den; Findes den, indeholder den den information?
- Skaler efter risiko. Let kontrol på en intern note med lav risiko; Fuldstændig kontrol over en høj-stakes præsentation eller ekstern kommunikation.
- Accepter det usikre. Hvis AI siger "ikke sikker", eller oplysningerne ikke kan bekræftes, skal du ikke udfylde det tomme felt med fremstilling; Lad det være "uverificeret".
Nøgleforskel: Du kan generelt stole på AI's sprogarbejde (flydende sætning, pæn struktur, passende tone). Stol aldrig blindt på AI's påstande om fakta (dette tal, denne dato, denne kilde). Validering adskiller de to.
Etik: gennemsigtighed og ansvar
At bruge AI til effektivitet er ikke et etisk problem - men hvordan du bruger det kan være. Tre principper: Gennemsigtighed — i nogle sammenhænge (akademisk arbejde, journalistik, officielt dokument) skal du muligvis angive, at du bruger kunstig intelligens. Attribution — at tage en andens idé gennem AI og præsentere den som din egen er plagiat, selvom mediet ændrer sig. Ansvar - alt hvad du poster er dit ansvar; "AI skrev det" er ikke en undskyldning.
Trin for trin: sikker AI-workflowkontrol
- Sorter før du indsætter. I hvilken klasse er disse data? Stop hvis det er hemmeligt/kritisk.
- Anonymiser. Fjern personlige ejendele, hvis det ikke er nødvendigt.
- Fremstil og marker fakta. Identificer elementerne i outputtet for at validere.
- Verificere. Risikoskaleret, kildebaseret bekræftelse.
- Ejer det. Retoucher med din egen stemme, tag ansvar.
- Kend dit mærke. Hold styr på, hvad du har indsat hvor, og hvilket værktøj, der gemmer dataene.
Fire kopierbare sikkerheds-/godkendelsesskabeloner
Anonymiser følgende tekst, før du giver den til AI:- Skift navne til "Person A/B" og virksomheder til "Virksomhed
Angiv alle de fakta, der skal verificeres i dette AI-output:- Lav et separat punkttegn for hvert navn, dato, nummer, statistik, citat og påstand.- Spørg "hvordan verificerer jeg?" for hver. Foreslå (hvilken kilde).- Flag uverificerbare/tvivlsomme. Output: """[indsæt]"""
Bekræft følgende påstand i henhold til den kilde, du gav: Påstand: [tal/fakta].- Er denne påstand virkelig inkluderet i den kilde, du nævnte?- Ellers sig "Jeg kunne ikke verificere det i denne kilde", gør det op.- Hvis du ikke er sikker, så tal ikke, som om du er sikker.
Tjek hvilke privatlivsrisici der er i denne opgave:Opgave: [Arbejdet jeg har tænkt mig at udføre med AI, med hvilke data].- Hvilken dataklasse falder det ind under (offentlig/intern/fortroligt/kritisk)?- Skal det ind i et offentligt AI-værktøj eller ej?- Hvis ikke, hvad er det sikre alternativ?
Svag prompt / Stærk prompt
Svag: "Opsummer den kundeklagemail." (Det inkluderer kundens navn, ordre-id, måske telefon - det hele går direkte til serveren.)
Stærk: Anonymiser først teksten ("Kunde A, bestil [id skjult], klager over dette produkt"), og sig derefter "opsummer denne anonymiserede tekst". Samme effektivitet, ingen personlige datalæk. Forskellen er ikke i output, men i at opretholde input.
tre minisager
Tilfælde 1 — Irreversibel lækage. En medarbejder indsatte hele kundelisten (navn, telefon, forbrug) i et generisk AI-værktøj for at "segmentere dem." Institutionen vurderede dette som en krænkelse af KVKK; dataene var nu på tredjepartsserveren og kunne ikke hentes. Den samme analyse kunne udføres risikofrit med anonymiserede data eller et virksomhedsværktøj.
Tilfælde 2 — Det giver verifikationsrefleksen. En journalist gjorde det til en regel at faktatjekke hver statistik og citat givet af AI på dens oprindelige kilde før offentliggørelse. På en uge fandt han ud af, at 2 ud af 5 "fakta" givet af AI var falske. Denne refleks forhindrede mulige falske nyheder og tab af omdømme.
Case 3 - Undskyldningen "AI skrev det" virkede ikke. En konsulent sendte en AI-genereret rapport til klienten uden at verificere den; Det falske retskrav i den vildledte kunden. "det kom fra AI"-forsvaret holdt ikke vand hos hverken kunden eller regulatoren; Ansvaret lå på konsulenten. Lektion: værktøjet ændrer sig, ansvaret gør det ikke.
Almindelige fejl
- Indsættelse af fortrolige/kritiske data: Den dyreste og irreversible fejl; klassificere først.
- Tænker "Jeg har slettet det, jeg er sikker": Sletning fortryder ikke serverregistreringen; beskyttelse før indsættelse.
- Forvirrende fakta med sprog: Stol på sproget, bekræft fakta - adskil de to.
- Ikke at åbne kilden givet af AI: Kan producere falske aftryk; se kilde.
- At lægge skylden på værktøjet: "AI skrev det" er ingen undskyldning.
- Ikke at kende politikken: Læs organisationens AI-brugspolitik; Ellers skal du være forsigtig.
Tip: Giv dig selv en simpel personlig regel: "Jeg indsætter ikke noget fortroligt eller kritisk i det offentlige AI-værktøj; jeg verificerer hver figur og kilde, før jeg sender den." Denne regel med to sætninger reducerer de fleste af risiciene i dette modul lige fra hånden.
Sammenfattende
- De største AI-risici er ikke hastighed eller kvalitet, men lækkede data og ubekræftet unøjagtighed.
- Klassificer data (offentlige/interne/fortrolige/kritiske); Giv ikke de fortrolige og kritiske til offentlige AI-værktøjer, anonymiser det.
- Sletning er ikke beskyttelse; Beskyttelsen begynder før limning.
- Gør verifikation til en refleks: flag fakta, gå til kilden, åbn kilden til AI, skaler efter risiko.
- Stol på AI's sprog, stol på dets fakta; Ansvaret påhviler ikke køretøjet, det er altid dit.
Ansøgningsopgave
Tag en egentlig tekst, som du vil give til AI i denne uge. Med den fjerde skabelon skal du først bestemme privatlivsklassen; Hvis der er fortrolige data, anonymiser dem med den første skabelon. Efter at have modtaget AI-output, skal du få den anden skabelon til at liste de fakta, der skal verificeres, og bekræfte mindst én af dem ved den oprindelige kilde. Skriv dig selv en regel med to sætninger til verifikation af privatlivets fred, og post den et sted.
tjekliste
- [ ] Jeg klassificerede dataene, før jeg indsatte dem.
- [ ] Jeg leverede ikke fortrolige/kritiske data til det offentlige AI-værktøj; Jeg anonymiserede det om nødvendigt.
- [ ] Jeg verificerede hver kendsgerning (navn, dato, nummer, kilde) i outputtet.
- [ ] Jeg åbnede kilden givet af AI og tjekkede, om den faktisk indeholder den.
- [ ] Jeg sørgede for, at jeg kendte virksomhedens AI-politik.
- [ ] Jeg tog ansvaret for det endelige output.