Κέρδη:
- Εφαρμόζει τις αρχές KVKK και την ελαχιστοποίηση δεδομένων κατά την επεξεργασία προσωπικών δεδομένων πολιτών σε εργαλεία τεχνητής νοημοσύνης.
- Καθιερώνει ένα πλαίσιο διακυβέρνησης για έναν οργανισμό που περιλαμβάνει πολιτική χρήσης τεχνητής νοημοσύνης, διαδρομή ελέγχου και αλυσίδα ευθύνης.
- Υποστηρίζει ολιστικά ότι η υπεύθυνη δημόσια τεχνητή νοημοσύνη βασίζεται στην ανθρώπινη εποπτεία, τη διαφάνεια και τη λογοδοσία.
Σε όλη αυτή την ενότητα, είδαμε πώς η τεχνητή νοημοσύνη είναι ένας ισχυρός επιταχυντής στο κοινό: απάντηση σε ερωτήσεις πολιτών, αναφορές και αλληλογραφία, νομοθετική έρευνα, ανάλυση πολιτικής, αναφορά, λήψη αποφάσεων βάσει δεδομένων, ηλεκτρονική διακυβέρνηση και διαφάνεια. Τώρα ερχόμαστε στο πλαίσιο που τα συγκρατεί όλα: προστασία προσωπικών δεδομένων και υπεύθυνη διακυβέρνηση. Το Public, από τη φύση του, επεξεργάζεται τα πιο ευαίσθητα δεδομένα του πολίτη: ταυτότητα, διεύθυνση, εισόδημα, υγεία, ποινικό μητρώο, οικογενειακή κατάσταση. Η επεξεργασία αυτών των δεδομένων με εργαλεία τεχνητής νοημοσύνης πρέπει να συμμορφώνεται πλήρως με το πλαίσιο του KVKK (Νόμος για την Προστασία Δεδομένων Προσωπικού Χαρακτήρα αριθ. 6698, ο νόμος που ρυθμίζει τη νόμιμη, περιορισμένη και ασφαλή επεξεργασία προσωπικών δεδομένων). Σε αυτήν την τελική ενότητα, θα δημιουργήσουμε τη ραχοκοκαλιά του απορρήτου και της διακυβέρνησης της δημόσιας χρήσης τεχνητής νοημοσύνης — ποια δεδομένα μπορούν να δοθούν σε ποιο εργαλείο, ποιες πολιτικές ισχύουν, ποιος είναι υπεύθυνος, πώς ένας οργανισμός διαχειρίζεται την τεχνητή νοημοσύνη με ασφάλεια. Αυτή η μονάδα είναι η οροφή που τοποθετείται πάνω από τις προηγούμενες δέκα μονάδες.
Βασικές αρχές του KVKK που αγγίζουν τη δημόσια τεχνητή νοημοσύνη
Το KVKK ορίζει αρκετές βασικές αρχές, καθεμία από τις οποίες περιορίζει άμεσα τη χρήση της τεχνητής νοημοσύνης:
- Συμμόρφωση με τη νομοθεσία και τήρηση του σκοπού: Τα προσωπικά δεδομένα υποβάλλονται σε επεξεργασία μόνο για συγκεκριμένο, νόμιμο σκοπό. Τα δεδομένα που συλλέγονται για έναν σκοπό (για παράδειγμα, αίτηση για βοήθεια) δεν μπορούν να χρησιμοποιηθούν για άλλο σκοπό (για παράδειγμα, εκπαίδευση μοντέλου) χωρίς άδεια.
- Ελαχιστοποίηση δεδομένων: Δεν υποβάλλονται σε επεξεργασία περισσότερα δεδομένα από όσα είναι απαραίτητα για το σκοπό αυτό. Εάν δεν απαιτείται όνομα για ανάλυση κατηγορίας, δεν δίνεται όνομα.
- Ασφάλεια: Τα δεδομένα προστατεύονται από μη εξουσιοδοτημένη πρόσβαση. Η επικόλληση δεδομένων πολιτών σε ένα δημόσιο εργαλείο τεχνητής νοημοσύνης συνεπάγεται τη μεταφορά αυτών των δεδομένων εκτός του οργανισμού — αποτελεί παραβίαση της πολιτικής ασφαλείας.
- Περίοδος αποθήκευσης: Τα δεδομένα διαγράφονται όταν λήξει ο σκοπός. Δεν διατηρείται επ' αόριστον.
- Πληροφορίες και δικαιώματα: Οι πολίτες έχουν το δικαίωμα να γνωρίζουν πώς γίνεται η επεξεργασία των δεδομένων τους, διόρθωση, διαγραφή και αντίρρηση σε αυτοματοποιημένες αποφάσεις.
Προσοχή: Η μεταφόρτωση δεδομένων ενός πολίτη σε ένα δημόσιο εργαλείο τεχνητής νοημοσύνης που δεν έχει εγκρίνει το ίδρυμα, όπου αποθηκεύονται τα δεδομένα και ποιος έχει πρόσβαση σε αυτά είναι ασαφές, στις περισσότερες περιπτώσεις αποτελεί παραβίαση του KVKK και οδηγεί το ίδρυμα σε κυρώσεις. Οι κανόνες δεν είναι ποτέ λυγισμένοι «για να γίνει η δουλειά πιο εύκολη».
Ποια δεδομένα, σε ποιο όχημα; Μοντέλο τριών ζωνών
Κατά κανόνα, διαιρέστε τα δεδομένα σε τρεις περιοχές:
- Κόκκινο (δεν μπαίνει ποτέ σε δημόσιο όχημα): Αριθμός ταυτότητας, υγεία, εγκληματίας, θρησκεία, εθνικότητα, βιομετρικά στοιχεία, πλήρης διεύθυνση, οτιδήποτε προσδιορίζει το άτομο. Αυτά υποβάλλονται σε επεξεργασία μόνο σε περιβάλλον συμβεβλημένο/εσωτερικό και συμβατό με KVKK, εγκεκριμένο από το ίδρυμα.
- Κίτρινο (προσεκτικά, με κάλυψη): Δεδομένα που μπορούν να συνδεθούν έμμεσα με το άτομο. Πρώτα ανωνυμοποιήστε/συγκεντρώστε και μετά επεξεργαστείτε.
- Πράσινο (δωρεάν): Απρόσωπη, δημόσια, γενική ενημέρωση (νομοθετικό κείμενο, δημόσια στατιστικά, γενική διαδικασία). Μπορείτε εύκολα να τα επεξεργαστείτε με AI.
Συμβουλή: Πριν δώσετε ένα κείμενο στο AI, κάντε το τεστ 5 δευτερολέπτων: "Υπάρχει κάτι σε αυτό το περιεχόμενο που θα μπορούσε να αναγνωρίσει ένα άτομο;" Εάν η απάντηση είναι «ναι/ίσως», καλύψτε ή οδηγήστε ένα εγκεκριμένο όχημα. Εάν έχετε αμφιβολίες, σκεφτείτε το κόκκινο.
Εταιρική διακυβέρνηση: από άτομο σε σύστημα
Η υπεύθυνη δημόσια τεχνητή νοημοσύνη δεν μπορεί να αφεθεί στην καλή θέληση μεμονωμένων δημοσίων υπαλλήλων. Απαιτείται θεσμικό πλαίσιο:
- Πολιτική: Το ίδρυμα πρέπει να έχει μια πολιτική χρήσης τεχνητής νοημοσύνης: ποια εργαλεία είναι εγκεκριμένα, ποια δεδομένα μπορούν να εισαχθούν, ποιος είναι υπεύθυνος.
- Λίστα εγκεκριμένων εργαλείων: Το προσωπικό πρέπει να χρησιμοποιεί εργαλεία που έχει αξιολογήσει και εγκρίνει το ίδρυμα, όχι τυχαία.
- Εκπαίδευση: Το προσωπικό πρέπει να γνωρίζει την πειθαρχία επαλήθευσης και τις περιοχές δεδομένων (όπως αυτή η ενότητα).
- Καταγραφή και έλεγχος: Θα πρέπει να τηρείται μια διαδρομή ελέγχου των αποφάσεων που παράγονται με AI.
- Υπευθυνότητα: Κάθε έξοδος που λειτουργεί με τεχνητή νοημοσύνη πρέπει να έχει ανθρώπινο ιδιοκτήτη και έγκριση. Η ευθύνη βαρύνει το ίδρυμα και τον αξιωματικό, όχι το όχημα.
- Ανθρωποκεντρική αρχή: Καμία τελική απόφαση δημιουργίας/περιορισμού δικαιωμάτων δεν λαμβάνεται χωρίς ανθρώπινη συναίνεση.
τρεις μίνι θήκες
Περίπτωση 1 — Αποτράπηκε η διαρροή κόκκινων δεδομένων. Ένα μέλος του προσωπικού επρόκειτο να ανεβάσει μια περίληψη μιας λίστας με οφέλη για την υγεία για 1.200 άτομα σε ένα δημόσιο εργαλείο. Χάρη στην εγκεκριμένη πολιτική οχημάτων του οργανισμού και την εκπαίδευση "κόκκινων δεδομένων", σταμάτησε. Τα δεδομένα υποβλήθηκαν σε επεξεργασία σε εγκεκριμένο εσωτερικό περιβάλλον και με καλυμμένα πεδία ταυτότητας. Μια πιθανή παραβίαση του KVKK και απώλεια εμπιστοσύνης για δεκάδες χιλιάδες ανθρώπους αποτράπηκε.
Περίπτωση 2 — Κακή χρήση. Μια μονάδα ήθελε να χρησιμοποιήσει δεδομένα που συλλέχθηκαν για την προβολή ενός προεκλογικού σχεδίου επικοινωνίας. Ο υπεύθυνος προστασίας δεδομένων υπενθύμισε την αρχή της τήρησης του σκοπού: πρόκειται για χρήση των δεδομένων εκτός του σκοπού για τον οποίο συλλέχθηκαν και ήταν παράνομη. Το αίτημα απορρίφθηκε.
Περίπτωση 3 — Κλείσιμο του κενού διακυβέρνησης. Σε έναν δήμο, διαφορετικές μονάδες χρησιμοποιούσαν διαφορετικά εργαλεία τεχνητής νοημοσύνης χωρίς έλεγχο. Κανείς δεν ήξερε ποια δεδομένα πήγαν πού. Ο οργανισμός εισήγαγε μια πολιτική χρήσης AI, εγκεκριμένη λίστα οχημάτων και διαδρομή ελέγχου. Μέσα σε 3 μήνες, η χρήση μη εγγεγραμμένων οχημάτων μειώθηκε κατά 90% και δημιουργήθηκε ένα απόθεμα δεδομένων.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Ταξινόμηση περιοχής δεδομένων (πριν από την εξαγωγή στο όχημα):
Ο ρόλος σας: σύμβουλος προστασίας δεδομένων. Ταξινομήστε το ακόλουθο περιεχόμενο πριν το δώσετε σε έναν πράκτορα τεχνητής νοημοσύνης: ΚΟΚΚΙΝΟ (αναγνωρίζει το άτομο, δεν μπαίνει ποτέ σε δημόσιο όχημα), ΚΙΤΡΙΝΟ (έμμεσα συνδεόμενο, μάσκα), ΠΡΑΣΙΝΟ (μη προσωπικό, δωρεάν). Σημειώστε τις κόκκινες/κίτρινες περιοχές μία προς μία και πείτε τους πώς να καλύψουν. Μετρήστε τον ύποπτο ως κόκκινο. ΠΕΡΙΕΧΟΜΕΝΟ: [κείμενο]
2) Απόκρυψη/ανωνυμοποίηση:
Ανωνυμοποιήστε όλα τα προσωπικά δεδομένα πριν επεξεργαστείτε το ακόλουθο κείμενο: όνομα -> [PERSON-1], Αριθμός Ταυτότητας -> [ΤΑΥΤΟΤΗΤΑ], διεύθυνση ->[ΔΙΕΥΘΥΝΣΗ], υγεία/τιμωρία -> [ΕΥΑΙΣΘΗΤΟ]. Κάντε tag το ίδιο άτομο. Εξαγωγή ανώνυμου κειμένου ξεχωριστά. Ποτέ μην γράφετε πραγματικά δεδομένα στην έξοδο. ΚΕΙΜΕΝΟ: [κείμενο]
3) Λίστα ελέγχου συμμόρφωσης KVKK (για χρήση AI):
Ο ρόλος σας: Ειδικός συμμόρφωσης στο KVKK. Δημιουργήστε μια λίστα ελέγχου συμμόρφωσης για την ακόλουθη χρήση τεχνητής νοημοσύνης: (1) είναι ο σκοπός της επεξεργασίας νόμιμος και συγκεκριμένος, (2) συνδέεται με το σκοπό (μετατοπίζεται σε άλλο σκοπό), (3) είναι βελτιστοποιημένο, (4) είναι το εργαλείο ασφαλές/εγκεκριμένο, (5) είναι η περίοδος διατήρησης ορισμένη, (6) είναι δικαιώματα του πολίτη (αντίρρηση, διαγραφή). Σημειώστε τα στοιχεία που λείπουν με μια κόκκινη σημαία. ΧΡΗΣΗ: [συνταγή]
4) Πλαίσιο πολιτικής εταιρικής τεχνητής νοημοσύνης:
Ο ρόλος σας: εμπειρογνώμονας δημόσιας διακυβέρνησης πληροφορικής. Δημιουργήστε ένα πλαίσιο πολιτικής χρήσης τεχνητής νοημοσύνης για τον οργανισμό μας: πεδίο εφαρμογής, εγκεκριμένα εργαλεία, ζώνες δεδομένων (κόκκινο/κίτρινο/πράσινο), απαγορευμένες χρήσεις, σημεία ανθρώπινης έγκρισης, διαδρομή ελέγχου, ευθύνες, εκπαίδευση και ειδοποίηση παραβίασης. Συμπληρώστε κάθε επικεφαλίδα με 1-2 προτάσεις. ΘΕΣΜΟΣ: [μονάδα και τυπικές εργασίες]
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμο: "Συνοψίστε αυτήν τη λίστα αναφορών."
Ισχυρός: "Ο ρόλος σας είναι σύμβουλος προστασίας δεδομένων. Αρχικά, ταξινομήστε αυτήν τη λίστα ανά περιοχή δεδομένων (κόκκινο/κίτρινο/πράσινο) και επισημάνετε όλα τα πεδία που προσδιορίζουν το άτομο. Καλύψτε τα κόκκινα/κίτρινα πεδία με [PERSON]/[IDENTITY]/[SENSITIVE], κρατήστε το ίδιο άτομο με την ίδια ετικέτα. Δημιουργήστε μόνο μια περίληψη κατηγορίας με ανώνυμα δεδομένα. Στο τέλος δεν γράψτε τα προσωπικά δεδομένα. όπου αυτή η διαδικασία απαιτεί προσοχή όσον αφορά την προσθήκη KVKK (σκοπός, αποθήκευση, ασφάλεια οχήματος).
Η διαφορά: η ισχυρή προτροπή ταξινομεί, καλύπτει, ελαχιστοποιεί και ενσωματώνει τις αρχές KVKK πριν από την επεξεργασία των δεδομένων.
Περιοχές δεδομένων και κανόνας
Περιφέρεια
παράδειγμα
κανόνας
κόκκινο
Αριθμός TR ID, υγεία, ποινή, πλήρης διεύθυνση
Ποτέ μην εισέρχεστε σε δημόσιο όχημα. εγκεκριμένο περιβάλλον
κίτρινο
Ηλικία+γειτονιά+επάγγελμα, έμμεσο αναγνωριστικό
Καλύψτε/συγκεντρώστε και στη συνέχεια επεξεργαστείτε
πράσινο
Νομοθεσία, δημόσιες στατιστικές, γενική διαδικασία
ανεξάρτητη εργασία
Συνήθη λάθη
- Εξαγωγή κόκκινων δεδομένων σε δημόσιο εργαλείο. Η πιο σοβαρή παραβίαση. Τα δεδομένα ταυτότητας/υγείας/τιμωρίας δεν φεύγουν από το εγκεκριμένο περιβάλλον.
- Κακή χρήση. Είναι παράνομη η χρήση δεδομένων που συλλέγονται για έναν σκοπό για άλλο σκοπό (εκπαίδευση μοντέλων, επικοινωνία) χωρίς άδεια.
- Επεξεργάζεται πάρα πολλά δεδομένα. Μην μετακινείτε περιττά πεδία (όνομα, διεύθυνση) για το σκοπό αυτό. Ελαττώνω.
- Οδήγηση χωρίς έγκριση. Δεν είναι σαφές πού πηγαίνουν τα δεδομένα σε οχήματα που δεν έχει αξιολογήσει το ίδρυμα.
- Μη καθορισμός της περιόδου διατήρησης. Τα δεδομένα θα πρέπει να διαγράφονται όταν ολοκληρωθεί ο σκοπός. δεν πρέπει να διατηρούνται επ' αόριστον.
- Αναθέτοντας την ευθύνη στο όχημα. Η παραγωγή ανήκει και εγκρίνεται από τον άνθρωπο. Το «AI το έκανε» δεν είναι άμυνα.
Συνοπτικά
Το πλαίσιο για την υπεύθυνη δημόσια τεχνητή νοημοσύνη είναι η προστασία προσωπικών δεδομένων και η εταιρική διακυβέρνηση. Οι αρχές του KVKK — σκοπιμότητα, ελαχιστοποίηση, ασφάλεια, όριο διατήρησης, δικαιώματα των πολιτών — περιορίζουν οποιαδήποτε χρήση της τεχνητής νοημοσύνης. Διαχωρίστε τα δεδομένα σε κόκκινες/κίτρινες/πράσινες ζώνες, μην δίνετε ποτέ κόκκινο σε ένα δημόσιο εργαλείο, συγκαλύπτετε προσωπικά δεδομένα, χρησιμοποιείτε μόνο εγκεκριμένα εργαλεία και συνδέετε έναν άνθρωπο ιδιοκτήτη σε κάθε απόφαση. Πολιτική σε επίπεδο ιδρύματος, εγκεκριμένος κατάλογος οχημάτων, αρχείο εκπαίδευσης και επιθεώρησης. Η πειθαρχία της επαλήθευσης σε επίπεδο ατόμου. Έτσι, η τεχνητή νοημοσύνη υπηρετεί το κοινό προστατεύοντας τα δικαιώματα των πολιτών.
Εργασία εφαρμογής
Επιλέξτε μια πραγματική χρήση AI που έχετε κάνει (ή σκέφτεστε να κάνετε) στη μονάδα σας. Διαχωρίστε το περιεχόμενο που θα επεξεργαστείτε σε κόκκινο/κίτρινο/πράσινο με το πρότυπο "Ταξινόμηση περιοχής δεδομένων". Εφαρμόστε το πρότυπο "Λίστα ελέγχου συμμόρφωσης KVKK" και βρείτε τουλάχιστον ένα σημείο που λείπει/κίνδυνο. Τέλος, συντάξτε μια σύντομη πολιτική κατάλληλη για τη μονάδα σας με τον "σκελετό πολιτικής εταιρικής τεχνητής νοημοσύνης".
λίστα ελέγχου
- [ ] Χώρισα το περιεχόμενο σε κόκκινη/κίτρινη/πράσινη ζώνη. Υπολόγισα τον ύποπτο κόκκινο.
- [ ] Δεν παρείχα τα κόκκινα δεδομένα στο δημόσιο εργαλείο. Χρησιμοποίησα εγκεκριμένα μέσα.
- [ ] Κάλυψα προσωπικά δεδομένα και αφαίρεσα τα περιττά πεδία (ελαχιστοποίηση).
- [ ] Έχω ελέγξει τον σκοπό της επεξεργασίας, την περίοδο αποθήκευσης και την ασφάλεια του οχήματος.
- [ ] Έχω τηρήσει τα δικαιώματα των πολιτών για ένσταση/διαγραφή.
- [ ] Έχω επισυνάψει έναν άνθρωπο ιδιοκτήτη και έγκριση σε κάθε έξοδο. Κράτησα μια διαδρομή ελέγχου.
Εξέταση Ενοτήτων
1. Ως δημόσιος λειτουργός, ποια είναι η καλύτερη ερώτηση προτεραιότητας που πρέπει να κάνετε πριν παραδώσετε μια θέση εργασίας στην τεχνητή νοημοσύνη;
- Α) Τι χάνει ο πολίτης εάν αυτή η έξοδος είναι λάθος; ✔
- Β) Πόσο γρήγορα μπορεί η τεχνητή νοημοσύνη να κάνει αυτή τη δουλειά;
- Γ) Είναι αυτό το εργαλείο AI δωρεάν;
- Δ) Θα χρησιμοποιήσει και άλλη μονάδα αυτή την έξοδο;
Εξήγηση: Η απόφαση μεταφοράς λαμβάνεται με βάση τη ζημιά που θα υποστεί ο πολίτης εάν η έξοδος είναι εσφαλμένη. Η ζημιά μεταφέρεται εύκολα αν είναι μόνο λίγα λεπτά επανεγγραφής. Εάν πρόκειται για άδικη απόρριψη, λανθασμένη ποινή ή απώλεια δικαιωμάτων, η AI παράγει μόνο ένα προσχέδιο, η απόφαση και η επαλήθευση ανήκουν στον υπάλληλο.
2. Πώς λέγεται όταν το AI παρουσιάζει ως πραγματικό έναν ανύπαρκτο νόμο ή μια κατασκευασμένη δικαστική απόφαση;
- Α) Προσωρινή αποθήκευση
- Β) Triage
- Γ) Ανωνυμοποίηση
- Δ) Ψευδαίσθηση ✔
Εξήγηση: Παραισθήσεις είναι όταν η τεχνητή νοημοσύνη παράγει με σιγουριά πληροφορίες που δεν υπάρχουν στην πραγματικότητα (κατασκευασμένη ουσία, καταργημένος κανονισμός, λάθος αριθμός). Στον τομέα της νομοθεσίας, αυτός είναι ένας από τους πιο επικίνδυνους κινδύνους, καθώς μπορεί να οδηγήσει σε απώλεια δικαιωμάτων και ακύρωση της διοικητικής ενέργειας.
3. Ένας αξιωματικός πρόκειται να απορρίψει την αίτηση βάσει άρθρου κανονισμού που επισήμανε η ΥΖ. Ποια είναι η πιο σωστή συμπεριφορά;
- Α) Το AI γράφει απευθείας την απόρριψη επειδή φαίνεται σίγουρο
- Β) Κάντε την ίδια ερώτηση σε άλλο όχημα τεχνητής νοημοσύνης και λάβετε επιβεβαίωση
- Γ) Επιβεβαιώνει το άρθρο από το τρέχον ενοποιημένο κείμενο στο Çözüm.gov.tr ✔
- Δ) Ζητά προφορικά την απόφαση σε ανώτερο
Περιγραφή: Τα δεδομένα εκπαίδευσης του AI παγώνουν σε μια συγκεκριμένη ημερομηνία. Το άρθρο που δείχνει μπορεί να έχει καταργηθεί ή να έχει αλλάξει. Η επιβεβαίωση ότι το άρθρο είναι σε ισχύ και η τελική έκδοσή του από το τρέχον ενοποιημένο κείμενο στο Çözüm.gov.tr πριν από την απόφαση αποτρέπει μια άδικη απόρριψη και πιθανή αγωγή ακύρωσης.
4. Γιατί είναι διασφάλιση ποιότητας για έναν πολίτη chatbot να μπορεί να πει «Δεν ξέρω, σε μεταφέρω σε έναν υπάλληλο»;
- Α) Βελτιώνει τα στατιστικά στοιχεία αυξάνοντας το ποσοστό κύκλου εργασιών
- Β) Αποτρέπει την παραπληροφόρηση εκχωρώντας πληροφορίες σε ανθρώπους όταν δεν είστε σίγουροι ✔
- Γ) Παρατείνει τον χρόνο κλήσης αποσπώντας την προσοχή των πολιτών
- Δ) Επιτρέπει στο chatbot να λαμβάνει λιγότερες ερωτήσεις
Εξήγηση: Δημόσια, μια σίγουρη λάθος απάντηση είναι πολύ πιο δαπανηρή από μια ειλικρινή απάντηση. Οδηγεί σε απώλεια δικαιωμάτων και δυσπιστία προς τον θεσμό. Η ικανότητα του chatbot να παραδίδεται στον άνθρωπο όταν είναι αβέβαιο είναι ένας μηχανισμός ασφαλείας που αποτρέπει την παραισθησιακή παραπληροφόρηση.
5. Ποιος είναι ο πιο σημαντικός κίνδυνος που πρέπει να λαμβάνεται υπόψη κατά την «απλούστευση» της επίσημης αλληλογραφίας με την τεχνητή νοημοσύνη;
- Α) Το κείμενο είναι πολύ σύντομο
- Β) Αλλαγή γραμματοσειράς
- Γ) Απόρριψη συνθήκης ή εξαίρεσης ✔
- Δ) Λάθος ορθογραφία του ονόματος του παραλήπτη
Εξήγηση: Η στιλιστική προσαρμογή δεν πρέπει να αλλάζει το περιεχόμενο. Κατά την απλοποίηση, η τεχνητή νοημοσύνη μερικές φορές απορρίπτει μια εξαίρεση, συνθήκη ή διάρκεια. Επομένως, το απλουστευμένο κείμενο θα πρέπει πάντα να συγκρίνεται με την αρχική απόφαση ή νομοθεσία.
6. Όνομα και T.R. σε ένα σύνολο δεδομένων. Πώς το ονομάζετε όταν ο συνδυασμός «γειτονιά + έτος γέννησης + είδος αναπηρίας» μπορεί να αποκαλύψει ένα άτομο ακόμα κι αν έχει διαγραφεί ο αριθμός ταυτότητας;
- Α) Επαναπροσδιορισμός ✔
- Β) Ελαχιστοποίηση δεδομένων
- Γ) Ποσοστό κάλυψης
- Δ) Ενοποίηση
Εξήγηση: Επαναυτοποίηση είναι η εύρεση ενός ατόμου μέσω ενός συνδυασμού έμμεσων αναγνωριστικών από δεδομένα που θεωρούνται ανώνυμα. Εάν βρεθεί μια σπάνια κατηγορία σε ένα άτομο, η διαγραφή του ονόματος δεν θα είναι αρκετή. Απαιτούνται πρόσθετα μέτρα, όπως η μετατροπή της ηλικίας σε εύρος και ο συνδυασμός σπάνιων κατηγοριών.
7. Πώς ονομάζεται όταν ένα μοντέλο επιθεώρησης χαρακτηρίζει μια γειτονιά που έχει επιθεωρηθεί έντονα στο παρελθόν ως «ριψοκίνδυνη» και στέλνει περισσότερες επιθεωρήσεις εκεί, πράγμα που ωθεί το μοντέλο να δει αυτή τη γειτονιά ως πιο επικίνδυνη;
- Α) Ελαχιστοποίηση δεδομένων
- Β) Ψευδαίσθηση
- Γ) Ανωνυμοποίηση
- Δ) Βρόχος ανατροφοδότησης ✔
Επεξήγηση: Ο βρόχος ανάδρασης είναι όταν η έξοδος του μοντέλου επηρεάζει τα επόμενα δεδομένα εκπαίδευσης, ενισχύοντας την υπάρχουσα προκατάληψη. Η διαφορά δεν αυξάνεται στον πραγματικό κίνδυνο, αλλά στο πού κοιτάζει κανείς. Ο τρόπος για να προστατεύσετε τον εαυτό σας είναι να παρακολουθείτε τον αντίκτυπο, όχι την παραγωγή, και να ελέγχετε την κατανομή των αποφάσεων που βασίζεται σε ομάδες.
8. Αφού μια εφαρμογή παροχών μετακινήθηκε εντελώς στο διαδίκτυο, ο αριθμός των αιτήσεων μειώθηκε κατά 30 τοις εκατό τον πρώτο μήνα. Ποια είναι η πιο πιθανή εξήγηση για αυτό;
- Α) Οι πραγματικές ανάγκες των πολιτών έχουν μειωθεί
- Β) Πολίτες χωρίς διαδίκτυο και ψηφιακό γραμματισμό έμειναν εκτός ✔
- Γ) Οι τόκοι μειώθηκαν επειδή μειώθηκε το ποσό της ενίσχυσης
- Δ) Το σύστημα ενέκρινε αυτόματα όλες τις αιτήσεις
Περιγραφή: Το ψηφιακό χάσμα είναι η αδυναμία των πολιτών χωρίς πρόσβαση στο διαδίκτυο ή ψηφιακό γραμματισμό να έχουν πρόσβαση σε υπηρεσίες. Ο αριθμός μειώνεται γιατί η πιο άπορη ομάδα, οι ηλικιωμένοι και οι πολίτες χωρίς internet, δεν μπορούν να υποβάλουν αίτηση. Η λύση είναι να αφήσετε εναλλακτικά κανάλια, όπως βοηθητικά σημεία παραπομπής.
9. Ενώ το πραγματικό ποσοστό επιτυχίας σε μια ετήσια έκθεση είναι 63 τοις εκατό, η σύνοψη που παρήγαγε η YZ λέει ότι «η συντριπτική πλειοψηφία των αιτήσεων ήταν θετικές». Ποια είναι η σωστή συμπεριφορά;
- Α) Η έκφραση μένει ως έχει γιατί είναι θετική.
- Β) Η αναλογία διαγράφεται και χρησιμοποιείται μόνο η ποιοτική έκφραση
- Γ) Η έκφραση αντικαθίσταται με τον πραγματικό αριθμό 63 τοις εκατό ✔
- Δ) Η περίληψη αφαιρείται πλήρως από την αναφορά
Εξήγηση: Η υπερβολική θετική αντίληψη στη δημόσια έκθεση φέρνει το ίδρυμα σε δύσκολη θέση στους επόμενους ελέγχους. Κάθε αξίωση στην περίληψη πρέπει να συγκρίνεται με τα πρωτογενή δεδομένα και να γράφεται ο πραγματικός αριθμός (63 τοις εκατό). Οι περιλήψεις τεχνητής νοημοσύνης δεν περιλαμβάνονται στην έκθεση χωρίς να ελεγχθούν.
10. Όταν λαμβάνετε αποφάσεις που βασίζονται σε δεδομένα στο δημόσιο τομέα, εάν ο «αριθμός αρχείων που κλείνονται μηνιαίως» αυξάνεται ενώ ο «ποσοστός ανάλυσης κατά την πρώτη επαφή» μειώνεται, τι μας διδάσκει αυτό πρώτα;
- Α) Η επιλογή του σωστού δείκτη είναι πιο σημαντική από τον πολλαπλασιασμό του αριθμού ✔
- Β) Να αυξηθεί ο αριθμός του προσωπικού
- Γ) Τα γραφήματα πρέπει να είναι έγχρωμα
- Δ) Το chatbot θα πρέπει να απαντά σε περισσότερες ερωτήσεις
Εξήγηση: Ο λάθος δείκτης οδηγεί σε λάθος απόφαση ακόμα και με σωστά δεδομένα. Τα αρχεία ενδέχεται να κλείσουν γρήγορα και να ανοίξουν ξανά. Η επιλογή του σωστού δείκτη και η ανάγνωση των δεικτών μαζί αποτρέπει το καύχημα που βασίζεται μόνο σε έναν παραπλανητικό αριθμό.
11. Σε ένα γράφημα, ο κατακόρυφος άξονας ξεκινά από το 40 αντί για το μηδέν και μια αύξηση 2 τοις εκατό μοιάζει με ένα δραματικό άλμα να αποτελεί παράδειγμα ποιου προβλήματος;
- Α) Ψευδαίσθηση
- Β) Ελαχιστοποίηση δεδομένων
- Γ) Ψηφιακό χάσμα
- Δ) Παραπλανητική οπτικοποίηση ✔
Εξήγηση: Η παραπλανητική οπτικοποίηση παραμορφώνει την αντίληψη μέσω τεχνικών όπως ο άξονας που δεν ξεκινά από το μηδέν, η δυσανάλογη κλίμακα ή η επιλεγμένη χρονική περίοδος. Αποτελεί μέρος της έντιμης οπτικής διακυβέρνησης στα δημόσια δεδομένα. Ο πραγματικός πίνακας πρέπει να εμφανίζεται τραβώντας τον άξονα στο μηδέν.
12. Γιατί είναι απαράδεκτο να λέμε ότι η AI έγραψε αυτό ως δικαιολογία για μια διοικητική ενέργεια;
- Α) Επειδή τα εργαλεία AI είναι πολύ ακριβά
- Β) Η διοικητική ενέργεια πρέπει να είναι αιτιολογημένη και την ευθύνη φέρει ο αξιωματικός ✔
- Γ) Επειδή η ΑΙ δεν ξέρει τουρκικά
- Δ) Επειδή στους πολίτες δεν αρέσει η τεχνητή νοημοσύνη
Εξήγηση: Η διοικητική ενέργεια πρέπει να είναι αιτιολογημένη και ελεγχόμενη. Την ευθύνη δεν την έχει η τεχνητή νοημοσύνη, αλλά ο δημόσιος υπάλληλος και το ίδρυμα που χρησιμοποιεί το αποτέλεσμα χωρίς να το επαληθεύσει. «Το είπε το AI» δεν δικαιολογεί και δεν υποστηρίζει τη διοικητική δράση.
13. Ποιες είναι οι τέσσερις αρχές που διακρίνουν τη χρήση της τεχνητής νοημοσύνης στον δημόσιο τομέα από τον ιδιωτικό τομέα και που θα πρέπει να τηρούνται επιπλέον;
- Α) Ταχύτητα, φθηνότητα, κερδοφορία, ανταγωνισμός
- Β) Αυτοματισμός, κλίμακα, μάρκετινγκ, επωνυμία
- Γ) Ισότητα, διαφάνεια, λογοδοσία, προστασία προσωπικών δεδομένων ✔
- Δ) Απόρρητο, απόρρητο, απόρρητο και απόρρητο
Επεξήγηση: Σε έργα όπου χρησιμοποιείται δημόσια εξουσία, η τεχνητή νοημοσύνη πλαισιώνεται από τις αρχές της ισότητας (παρόμοια αντιμετώπιση παρόμοιας κατάστασης), της διαφάνειας (εξηγησιμότητα της αιτιολόγησης της απόφασης), της λογοδοσίας (υπεύθυνη για κάθε συναλλαγή και διαδρομή ελέγχου) και της προστασίας των προσωπικών δεδομένων (KVKK).
14. Τι πρέπει να κάνει ένα αυτοματοποιημένο σύστημα πριν από την πτήση όταν δεν είναι βέβαιο για έναν σπάνιο τύπο εγγράφου;
- Α) Να απορρίψει την αίτηση σιωπηλά
- Β) Προώθηση της αίτησης σε ανθρώπινη εξέταση ✔
- Γ) Αυτόματη έγκριση της αίτησης
- Δ) Διαγράψτε την εφαρμογή
Εξήγηση: Ο καλός αυτοματισμός κατευθύνει το μοντέλο στον αξιωματικό όταν δεν είναι σίγουρο, αντί να το απορρίψει σιωπηλά. Διαφορετικά, οι νόμιμες αιτήσεις θα πέσουν σε τυφλό σημείο και θα υπάρξει θυματοποίηση. Η διατήρηση των ανθρώπων στο σημείο λήψης αποφάσεων είναι η βάση της διαχείρισης εξαιρέσεων.