Κέρδη:
- Προετοιμάζει απαντήσεις σε αιτήματα πληροφοριών σύμφωνα με τη νομοθεσία, εξηγώντας ούτε λίγο ούτε πολύ.
- Ανωνυμοποιεί τα ανοιχτά δεδομένα πριν από τη δημοσίευση και τα σαρώνει σε επίπεδο συνδυασμών που κινδυνεύουν να επαναπροσδιοριστούν.
- Γνωρίζει ότι η διαφάνεια είναι ένα εργαλείο διακυβέρνησης που αυξάνει την εμπιστοσύνη του κοινού και διακρίνει τι πρέπει να τηρείται εμπιστευτικό.
Ο ακρογωνιαίος λίθος μιας δημοκρατικής δημόσιας διοίκησης είναι η διαφάνεια: η ικανότητα των πολιτών να μαθαίνουν πώς και σε ποια βάση λαμβάνονται οι αποφάσεις που τους αφορούν. Αυτή η αρχή ζωντανεύει σε δύο συγκεκριμένους μηχανισμούς. Το πρώτο είναι το δικαίωμα στην ενημέρωση (Νόμος για το Δικαίωμα στην Πληροφόρηση Αρ. 4982· οι πολίτες μπορούν να ζητούν πληροφορίες και έγγραφα από δημόσιους φορείς, με εξαιρέσεις). Το δεύτερο είναι τα ανοιχτά δεδομένα (οι δημόσιοι οργανισμοί δημοσιεύουν το μη προσωπικό και μη εμπιστευτικό μέρος των δεδομένων που παράγουν με τρόπο ώστε να μπορούν όλοι να έχουν πρόσβαση και να χρησιμοποιούν). Εδώ, η τεχνητή νοημοσύνη είναι ένα ισχυρό βοήθημα για την ταξινόμηση των εισερχόμενων αιτημάτων πληροφοριών, την παραγωγή σχεδίων απαντήσεων, την προαξιολόγηση ποιες πληροφορίες μπορούν να δοθούν και ποιες εξαιρούνται, και την προετοιμασία ανοιχτών συνόλων δεδομένων για δημοσίευση. Όμως, η διπλή επιφύλαξη αυτής της ενότητας είναι σημαντική: η διαφάνεια δεν πρέπει να είναι ούτε περισσότερη ούτε λιγότερη – ο πολίτης πρέπει να έχει τις πληροφορίες που δικαιούται, αλλά τα προσωπικά δεδομένα και οι πραγματικές εξαιρέσεις πρέπει να προστατεύονται. Αυτή η ισορροπία καθορίζεται από τον αρμόδιο δημόσιο υπάλληλο και όχι από το AI.
Τα δύο λανθασμένα άκρα της απόκτησης γνώσης
Σε αιτήματα για πληροφορίες, τα σφάλματα μπορούν να γίνουν προς δύο κατευθύνσεις:
- Έλλειψη διαφάνειας: Αδικαιολόγητη απόρριψη πληροφοριών που δίνονται ως «εμπιστευτικές/εξαιρετικές». Αυτό τόσο παραβιάζει το δικαίωμα όσο και δημιουργεί δυσπιστία στον θεσμό και συχνά καταλήγει στο δικαστικό σώμα.
- Υπεραποκάλυψη: Τυχαία αποκάλυψη προσωπικών δεδομένων τρίτων, εμπορικό μυστικό ή πραγματική εξαίρεση (ασφάλεια κ.λπ.) κατά την υποβολή ενός εγγράφου. Αυτό παραβιάζει το KVKK και προκαλεί ζημιά.
Η τεχνητή νοημοσύνη μπορεί να βοηθήσει και στα δύο άκρα: μπορεί να σαρώσει ένα έγγραφο, να επισημάνει προσωπικά δεδομένα μέσα σε αυτό και να προτείνει τη διόρθωση (απόκρυψη/αφαίρεση εμπιστευτικών/προσωπικών τμημάτων του εγγράφου). Μπορεί να αναφέρει την κατηγορία εξαίρεσης κάτω από την οποία θα αξιολογήσετε το αίτημα. Όμως η τελική απόφαση -αν δοθούν αυτές οι πληροφορίες, ποιο μέρος είναι κρυφό- ανήκει σε πρόσωπο που φέρει τη νομική ευθύνη.
Προσοχή: Η δήλωση της AI ότι "αυτές οι πληροφορίες εμπίπτουν στο πεδίο εφαρμογής της εξαίρεσης" ή "μπορούν να δοθούν" δεν αποτελεί νομική γνώμη. Η αξιολόγηση εξαιρέσεων γίνεται και αιτιολογείται σύμφωνα με τα σχετικά άρθρα του Νόμου για την Πρόσβαση στις Πληροφορίες. Το AI παράγει μόνο pre-quals και drafts.
Ασφαλής δημοσίευση ανοιχτών δεδομένων
Τα ανοιχτά δεδομένα αυξάνουν τη δημόσια αποτελεσματικότητα και τη λογοδοσία. επιχειρηματίες, δημοσιογράφοι, ερευνητές δημιουργούν αξία από αυτά τα δεδομένα. Ωστόσο, πριν από τη δημοσίευση ενός συνόλου δεδομένων, θα πρέπει να ελέγχεται έναντι του κινδύνου επαναπροσδιορισμού (τα δεδομένα που θεωρούνται ανώνυμα συνδέονται ξανά με άτομα συνδυάζοντάς τα με άλλα δεδομένα). Για παράδειγμα, ο συνδυασμός "ηλικία + γειτονιά + σπάνιο επάγγελμα" μπορεί να υποδηλώνει ένα μόνο άτομο. Κατά την προετοιμασία ενός συνόλου δεδομένων για δημοσίευση, η τεχνητή νοημοσύνη είναι χρήσιμη για την επισήμανση επικίνδυνων συνδυασμών στηλών και τη σύνταξη ενός λεξικού δεδομένων (περιγραφή του τι σημαίνει κάθε στήλη).
Συμβουλή: Πριν δημοσιεύσετε ανοιχτά δεδομένα, ρωτήστε: «Μπορώ να βρω ένα άτομο συνδυάζοντας δύο-τρεις στήλες σε αυτό το σύνολο;» Εάν η απάντηση είναι "ίσως", συγκεντρώστε (ομαδική αντί για μεμονωμένη), συνδυάστε σπάνιες κατηγορίες ή αφαιρέστε την ευαίσθητη περιοχή.
Βήμα προς βήμα ροή πληροφοριών
- Κατανόηση και ταξινόμηση της ζήτησης. Τι ζητείται, ποια μονάδα αφορά, ποια είναι η διάρκεια;
- Υπάρχουν πληροφορίες ή πρέπει να παραχθούν; Ο νόμος καλύπτει την υπάρχουσα γνώση. το ίδρυμα ενδέχεται να μην χρειαστεί να εκπονήσει νέα ανάλυση (επιβεβαιωμένη).
- Αξιολόγηση εξαίρεσης. Υπάρχουν εξαιρέσεις όπως προσωπικά δεδομένα, ασφάλεια, εμπορικά μυστικά, εσωτερική γνώμη;
- Σύνταξη. Αφαιρέστε μέρη του εξαγώγιμου εγγράφου που πρέπει να διατηρηθούν.
- Αιτιολογημένη απάντηση. Το μέρος που δόθηκε/δεν δόθηκε και η βάση του. Μέθοδος ένστασης εάν απορριφθεί.
- Καταγραφή και διαδρομή ελέγχου. Το αίτημα, η απόφαση και η αιτιολόγηση καταγράφονται.
τρεις μίνι θήκες
Περίπτωση 1 — Αποφεύχθηκε το σφάλμα επεξεργασίας. Ένας οργανισμός θα υποβάλει έγγραφο διαγωνισμού σε αίτημα για την ελευθερία της πληροφόρησης. Το AI σάρωσε το έγγραφο και σημείωσε τους αριθμούς τηλεφώνου και τους αριθμούς TR ID τριών ατόμων. Αν είχε σταλεί χωρίς διόρθωση, θα ήταν παραβίαση του KVKK. τα προσωπικά δεδομένα μαυρίστηκαν, το έγγραφο παραδόθηκε με ασφάλεια.
Περίπτωση 2 — Διορθώθηκε η άδικη απόρριψη. Μια μονάδα θα απέρριπτε συνήθως ένα αίτημα για δεδομένα δραστηριότητας ως "εσωτερικά". Όταν η τεχνητή νοημοσύνη ρωτήθηκε για τις κατηγορίες εξαιρέσεων, φάνηκε ότι αυτά τα δεδομένα ήταν στην πραγματικότητα ήδη δημοσιευμένα ως ανοιχτά δεδομένα. Το αίτημα ικανοποιήθηκε, ενδεχόμενη ένσταση και μήνυση αποτράπηκε.
Περίπτωση 3 — Κίνδυνος επαναπροσδιορισμού. Ένας δήμος θα δημοσιεύει το σύνολο δεδομένων «αιτήματα υπηρεσιών» ως ανοιχτά δεδομένα. Το σύνολο περιελάμβανε ανάλυση περιοχής γειτονιάς + πλήρους διεύθυνσης. Το AI προειδοποίησε ότι το πεδίο διεύθυνσης θα μπορούσε να δείχνει μεμονωμένα ψηφία. Η διεύθυνση συγκεντρώθηκε σε επίπεδο δρόμου και το σύνολο δημοσιεύτηκε με ασφάλεια.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Ταξινόμηση αιτήματος πληροφοριών:
Ο ρόλος σας: ειδικός στην απόκτηση πληροφοριών. Επεξεργαστείτε το ακόλουθο αίτημα: (1) τι ακριβώς ζητείται, (2) ποια μονάδα αφορά, (3) εάν απαιτεί υπάρχουσες πληροφορίες ή νέα παραγωγή, (4) πιθανές κατηγορίες εξαιρέσεων (προσωπικά δεδομένα, ασφάλεια, εμπορικό μυστικό κ.λπ.). Να διευκρινιστεί ότι κάθε εξαίρεση «πρέπει να αιτιολογείται από το σχετικό άρθρο». Λήψη αποφάσεων, προαξιολόγηση. ΑΙΤΗΣΗ: [κείμενο]
2) Διόρθωση (επισήμανση προσωπικών/εμπιστευτικών δεδομένων):
Στο παρακάτω έγγραφο, επισημάνετε όλα τα μέρη που πρέπει να ΜΑΣΚΑΛΟΥΝΤΑΙ σε μια απάντηση πληροφοριών: όνομα-επώνυμο, αριθμός TR ID, διεύθυνση, τηλέφωνο, πληροφορίες υγείας/ποινικές πληροφορίες, δεδομένα τρίτων, εμπορικό μυστικό. Γράψτε μια σύντομη αιτιολόγηση για κάθε ζώδιο. Αφήστε το εξαγώγιμο μέρος του εγγράφου ως έχει. ΕΓΓΡΑΦΟ: [κείμενο]
3) Προσχέδιο αιτιολογημένης απάντησης:
Συντάξτε αιτιολογημένη απάντηση στο ακόλουθο αίτημα: (1) ποιες πληροφορίες δόθηκαν, (2) ποιο μέρος δεν δόθηκε και γιατί (ρήτρα εξαίρεσης [προς επιβεβαίωση]), (3) μέθοδος ένστασης και διάρκεια [να επιβεβαιωθεί]. Η γλώσσα πρέπει να είναι επίσημη και με σεβασμό. Η αιτιολόγηση για το μέρος που δεν δίνεται πρέπει να είναι συγκεκριμένη, όχι γενική. ΑΙΤΗΣΗ: [σύνοψη] ΑΠΟΦΑΣΗ: [τι δόθηκε/δεν δόθηκε]
4) Ανοίξτε το στοιχείο ελέγχου εκ νέου ελέγχου ταυτότητας:
Εξετάστε τις στήλες του συνόλου δεδομένων παρακάτω. Καταγράψτε ποιοι συνδυασμοί στηλών μπορεί να υποδεικνύουν ένα άτομο (κίνδυνος επαναπροσδιορισμού). Προτείνετε κάποιο μετριασμό για κάθε κίνδυνο: συσσώρευση, συσσώρευση σπάνιων κατηγοριών, εξόρυξη αγρού. Απλώς χρησιμοποιήστε τη δεδομένη λίστα στηλών. ΣΤΗΛΕΣ: [λίστα]
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμο: "Απαντήστε σε αυτό το αίτημα για πληροφορίες."
Güçlü: "Ο ρόλος σας είναι εμπειρογνώμονας της μονάδας πληροφοριών. Πρώτα, ταξινομήστε το αίτημα: τι ζητείται, ποια ενότητα, είναι διαθέσιμη, ποιες είναι οι πιθανές εξαιρέσεις. Σημειώστε κάθε εξαίρεση ως "να δικαιολογείται από το σχετικό άρθρο", μην λάβετε εσείς νομική απόφαση. Στη συνέχεια, σημειώστε τα προσωπικά/εμπιστευτικά μέρη που πρέπει να καλυφθούν στο έγγραφο που θα υποβληθεί με μια πρόταση τροποποίησης, συμπεριλαμβανομένης της πρότασης. να κάνετε την αιτιολόγηση συγκεκριμένη."
Διαφορά: η ισχυρή άμεση εξισορρόπηση της διαφάνειας και της προστασίας, συνδέει την εξαίρεση με την αιτιολόγηση, προσθέτει τη διόρθωση και τη διαδρομή προσφυγής.
Προσέγγιση ανά τύπο πληροφοριών
Τύπος πληροφοριών
Προεπιλογή
Προσοχή
Στατιστικά στοιχεία, συγκεντρωτικά στοιχεία
ανοιχτό
Έλεγχος επαναπροσδιορισμού
Αιτία διοικητικής δράσης
μπορεί να δοθεί
Διορθώστε τα δεδομένα τρίτων
Προσωπικά δεδομένα τρίτων
προστατεύονται
KVKK; αλλά με άδεια/εξαίρεση
Εξαίρεση ασφάλειας/απόρρητου
προστατεύονται
Είναι πραγματική εξαίρεση, επιβεβαιώστε
Εσωτερική γνώμη/διαπραγμάτευση
Εξαρτάται
Αξιολογήστε σύμφωνα με το σχετικό άρθρο
Ανωνυμοποίηση και κίνδυνος επαναπροσδιορισμού
Το πιο τεχνικό αλλά κρίσιμο βήμα στη δημοσίευση ανοιχτών δεδομένων είναι η ανωνυμοποίηση (καθιστώντας ένα άτομο μη αναγνωρίσιμο άμεσα ή έμμεσα από ένα δεδομένα). Όνομα και T.R. Η διαγραφή του αριθμού ταυτότητας συχνά δεν είναι αρκετή. επειδή ο συνδυασμός πολλών συνηθισμένων περιοχών καθιστά ένα άτομο αναγνωρίσιμο. Αυτό ονομάζεται επαναπροσδιορισμός (εύρεση του ατόμου μέσω αντιστοίχισης δεδομένων που πιστεύεται ότι είναι ανώνυμα με άλλες πληροφορίες). Για παράδειγμα, αν σε μια γειτονιά υπάρχει ένας ανύπαντρος 92χρονος χήρος, η τριάδα «γειτονιά + ηλικία + οικογενειακή κατάσταση» θα τον αποκαλύψει. Η τεχνητή νοημοσύνη μπορεί να βοηθήσει να ελέγξει ποιοι συνδυασμοί πεδίων σε ένα σύνολο δεδομένων κινδυνεύουν να αποκαλυφθούν και να προτείνει ασφαλέστερη ομαδοποίηση (μετατροπή ηλικίας σε εύρος, συνδυασμός σπάνιων κατηγοριών). Όμως η απόφαση για δημοσίευση και ο τελικός έλεγχος είναι ευθύνη του ιδρύματος.
Μίνι θήκη — αποκάλυψη με τρεις περιοχές. Ένας δήμος δημοσίευσε δεδομένα κοινωνικής πρόνοιας «ανώνυμα»: χωρίς όνομα, αλλά γειτονιά, έτος γέννησης και είδος αναπηρίας. Ένας δημοσιογράφος παρατήρησε ένα σπάνιο είδος αναπηρίας σε ένα άτομο σε μια μόνο γειτονιά και αναγνώρισε το άτομο. Τα δεδομένα αποσύρθηκαν. Αναδημοσιεύτηκε όταν το έτος γέννησης μετατράπηκε σε μεσοδιάστημα 10 ετών και οι σπάνιες κατηγορίες ομαδοποιήθηκαν στα «άλλα».
Πρότυπο που ελέγχει τον κίνδυνο επαναπροσδιορισμού:
Εργασία: Εξετάστε τις στήλες του παρακάτω συνόλου δεδομένων. Δεν δημοσιεύω προσωπικά δεδομένα, θέλω μόνο έλεγχο κινδύνου. Στήλες: [ονόματα στηλών] Έξοδος: 1) Άμεσα αναγνωριστικά (πρέπει να διαγραφούν). 2) Έμμεσοι συνδυασμοί αναγνωριστικών (κίνδυνος επαναπροσδιορισμού). 3) Συνιστώμενη ομαδοποίηση/απόκρυψη για κάθε επικίνδυνο συνδυασμό. 4) Ερωτήσεις τελικού ελέγχου πριν από τη δημοσίευση. Κανόνας: Δεν επικόλλησα καμία πραγματική προσωπική αξία. απλά εξετάστε τη δομή της στήλης.
Προσοχή: «Έσβησα το όνομα, πλέον ανώνυμο» είναι η πιο κοινή και επικίνδυνη παρανόηση. Η ανωνυμία δεν καθορίζεται από το ίδιο το πεδίο, αλλά από τον συνδυασμό πεδίων και την πιθανότητα αντιστοίχισης με εξωτερικά δεδομένα. Εάν έχετε αμφιβολίες, μην δημοσιεύσετε. Η ανωνυμία είναι μια αμετάκλητη απόφαση.
Συνήθη λάθη
- Συνήθης απόρριψη. Το να θεωρεί κανείς τις πληροφορίες που μπορεί να δοθούν ως περιττές «εμπιστευτικές» αποτελεί παραβίαση δικαιωμάτων και αιτία αγωγής.
- Υποβολή μη διορθωμένων εγγράφων. Η αποκάλυψη δεδομένων τρίτων αποτελεί παραβίαση του KVKK.
- Χρήση της εξαίρεσης χωρίς αιτιολόγηση. Η απόρριψη πρέπει να γίνεται με συγκεκριμένη ουσία και συγκεκριμένη αιτιολόγηση. Το να λέμε «εσωτερικά» δεν αρκεί.
- Στηριζόμενη στη νομική κρίση της AI. Η απόφαση για εξαίρεση είναι ανθρώπινη. Το AI προκρίνεται.
- Παράκαμψη επαναπροσδιορισμού σε ανοιχτά δεδομένα. Οι συνδυασμοί στηλών μπορούν να βρουν άτομα. σύνολο.
- Μη διευκρινίζοντας τα μέσα ένστασης. Στις απορρίψεις πρέπει να γράφεται (επιβεβαιώνεται) ο τρόπος και η διάρκεια της αίτησης.
Συνοπτικά
Η διαφάνεια είναι το θεμέλιο της εμπιστοσύνης του κοινού. Η τεχνητή νοημοσύνη είναι ένα ισχυρό βοήθημα για την ταξινόμηση των αιτημάτων FOI, τη σύσταση διόρθωσης, τη σύνταξη των απαντήσεων και την προετοιμασία ανοιχτών δεδομένων για δημοσίευση. Αλλά η ισορροπία είναι κρίσιμη: οι πολίτες πρέπει να λαμβάνουν τις πληροφορίες που δικαιούνται, οι πραγματικές εξαιρέσεις και τα προσωπικά δεδομένα πρέπει να προστατεύονται. Η απόφαση για εξαίρεση πρέπει να είναι αιτιολογημένη και ανθρώπινη. Τα ανοιχτά δεδομένα θα πρέπει να ελέγχονται για τον κίνδυνο επαναπροσδιορισμού πριν από τη δημοσίευση.
Εργασία εφαρμογής
Λάβετε ένα πραγματικό (καλυμμένο) αίτημα ελευθερίας πληροφοριών. Προεκτιμήστε με το πρότυπο "Αίτηση ταξινόμησης", εφαρμόστε το πρότυπο "Διαμόρφωση" σε ένα συνημμένο έγγραφο και σημειώστε τις περιοχές που θα καλυφθούν. Εφαρμόστε το πρότυπο "Έλεγχος εκ νέου αναγνώρισης ανοικτών δεδομένων" στις στήλες ενός ανοιχτού συνόλου δεδομένων και βρείτε τουλάχιστον έναν επικίνδυνο συνδυασμό.
λίστα ελέγχου
- [ ] Ταξινόμησα το αίτημα. Δεν απέρριψα τις πληροφορίες που θα μπορούσαν να δοθούν άσκοπα.
- [ ] Αξιολόγησα τις εξαιρέσεις με συγκεκριμένη ουσία και αιτιολόγηση (ανθρώπινη απόφαση).
- [ ] Έχω διαγράψει τα προσωπικά/εμπιστευτικά δεδομένα στο έγγραφο που θα υποβληθεί.
- [ ] Σε περίπτωση απόρριψης, έχω δηλώσει τον τρόπο και τη διάρκεια ένστασης (επιβεβαιωμένη).
- [ ] Έλεγξα τον κίνδυνο επαναπροσδιορισμού σε ανοιχτά δεδομένα.
- [ ] Κατέγραψα το αίτημα, την απόφαση και την αιτιολόγηση για έλεγχο.