Κέρδη:
- Ανωνυμοποίηση και αξιολόγηση της αναγκαιότητας πριν δοθούν τα ευαίσθητα και οικονομικά δεδομένα του πελάτη σε εργαλεία τεχνητής νοημοσύνης
- Δυνατότητα διάκρισης των διαφορών μεταξύ εταιρικών και δημόσιων εργαλείων AI στο απόρρητο, τη διατήρηση δεδομένων και τη χρήση στην εκπαίδευση
- Δυνατότητα διαχείρισης κινδύνων παραβίασης δεδομένων, περιόδου διατήρησης και κοινής χρήσης τρίτων στο πλαίσιο του KVKK
Η ασφάλιση είναι ένα από τα επαγγέλματα που εργάζονται με τα πιο ευαίσθητα δεδομένα. Ένας ασφαλιστικός φάκελος. Μπορεί να περιλαμβάνει στοιχεία ταυτότητας, διεύθυνση, εισόδημα, τραπεζικό λογαριασμό, ιστορικό υγείας, αρχεία ζημιών, πινακίδα κυκλοφορίας, τίτλο ιδιοκτησίας, ακόμη και οικογενειακά στοιχεία. Ορισμένα από αυτά τα δεδομένα υπόκεινται στην υψηλότερη προστασία ως "προσωπικά δεδομένα ειδικής φύσης" στο KVKK (Νόμος για την Προστασία Δεδομένων Προσωπικού Χαρακτήρα). Χαρακτηριστικά παραδείγματα αυτού είναι τα δεδομένα υγείας, βιομετρικά και παρόμοια. Η ανεξέλεγκτη κοινή χρήση αυτών των δεδομένων κατά τη χρήση εργαλείων τεχνητής νοημοσύνης (ειδικά εκείνων που βασίζονται στο cloud) αποτελεί σοβαρό κίνδυνο παραβίασης και απώλειας εμπιστοσύνης. Μετά τη διαρροή, τα δεδομένα δεν μπορούν να ανακτηθούν. Σε αυτήν την ενότητα, θα μάθετε πώς να ανωνυμοποιείτε δεδομένα πελατών (αφαίρεση προσωπικών στοιχείων ταυτοποίησης) πριν τα δώσετε στην τεχνητή νοημοσύνη, τις διαφορές απορρήτου μεταξύ εταιρικών και δημόσιων εργαλείων και πώς να διαχειρίζεστε τους κινδύνους παραβίασης δεδομένων, αποθήκευσης και κοινής χρήσης τρίτων στο πλαίσιο του KVKK. Αυτή η μονάδα δεν είναι νομικές συμβουλές. Εξηγεί γενικές αρχές, συμβουλευτείτε το τμήμα συμμόρφωσης/νομικό τμήμα σε συγκεκριμένη περίπτωση.
Γιατί το απόρρητο είναι κρίσιμο: τύποι δεδομένων
Στην ασφάλιση, είναι απαραίτητο να διαχωριστούν τα δεδομένα ανάλογα με το επίπεδο προστασίας:
- Στοιχεία ταυτότητας: Όνομα, επώνυμο, TR ID, ημερομηνία γέννησης, επικοινωνία. Προσδιορίζει άμεσα το άτομο.
- Οικονομικά στοιχεία: Εισόδημα, τραπεζικός λογαριασμός, ιστορικό πληρωμών. Προσωπική και ευαίσθητη.
- Ειδικά δεδομένα ποιότητας: Υγεία, βιομετρικά δεδομένα. Υψηλότερη προστασία. Απαιτούνται αυστηρότεροι όροι (ρητή συγκατάθεση ή νόμιμη εξαίρεση) για την επεξεργασία.
- Στοιχεία αρχείου: Αριθμός ασφαλιστηρίου, πινακίδα κυκλοφορίας, τίτλος ιδιοκτησίας, λεπτομέρεια ζημιάς. Όταν συνδυάζεται με άλλα, μπορεί να αποκαλύψει ταυτότητα.
Ο μεγαλύτερος κίνδυνος είναι η δυνατότητα ταυτοποίησης που προκύπτει όταν συγκεντρώνετε αυτά τα δεδομένα. Ενώ η "45χρονη γυναίκα" είναι ανώνυμη, η "45χρονη γυναίκα + μια συγκεκριμένη πινακίδα + μια συγκεκριμένη διεύθυνση" μπορεί να αποκαλύψει ταυτότητα.
Προσοχή: Το να πείτε "διαγραφή" μετά την παροχή δεδομένων στο εργαλείο τεχνητής νοημοσύνης δεν το διαγράφει στην πραγματικότητα. Ορισμένα εργαλεία αποθηκεύουν την είσοδο και τη χρησιμοποιούν ακόμη και για να εκπαιδεύσουν το μοντέλο. Κανόνας: ποτέ μην στέλνετε ευαίσθητα δεδομένα. Η ανωνυμοποίηση έρχεται πριν από την αποστολή.
Ανωνυμοποίηση: πώς να το κάνετε
Η ανωνυμοποίηση είναι η αφαίρεση αναγνωρίσιμων πληροφοριών και η αντικατάστασή τους από ένα πραγματικό ισοδύναμο. Ο στόχος είναι να γίνει το άτομο μη αναγνωρίσιμο, διατηρώντας παράλληλα την ποιότητα παραγωγής. Καλή ανωνυμοποίηση:
- Αφαιρεί το όνομα, το TR ID, το τηλέφωνο, τη διεύθυνση, τον αριθμό συμβολαίου, την πινακίδα κυκλοφορίας και τις πληροφορίες τίτλου ιδιοκτησίας.
- Τα αντικαθιστά με ένα αναλυτικά ουσιαστικό ισοδύναμο: «45 ετών, άνδρας, ασφαλιστήριο, Κεντρική Ανατολία, μονόπλευρη σύγκρουση».
- Αποφεύγει τους σπάνιους/ιδιαίτερους συνδυασμούς: ένα πολύ συγκεκριμένο επάγγελμα + ένα πολύ μικρό μέρος, που από μόνο του μπορεί να ανοίξει ταυτότητα.
- Διατηρεί την ιατρική/τεχνική έννοια: όπως "συμπληρωματική υγεία, προγραμματισμένη ορθοπεδική χειρουργική επέμβαση".
Συμβουλή: Μετά την ανωνυμοποίηση, αναρωτηθείτε: "Αν ένας άγνωστος διάβαζε αυτό το κείμενο, θα μπορούσε να βρει το άτομο;" Εάν η απάντηση είναι ναι, γενικεύστε περαιτέρω. Ιδιαίτερα σπάνιοι συνδυασμοί (μικρή συνοικία + συγκεκριμένο συμβάν) είναι επικίνδυνοι.
Enterprise vs Public tools
Δεν έχουν όλα τα εργαλεία τεχνητής νοημοσύνης το ίδιο επίπεδο απορρήτου. Διαφέρουν σε τρεις διαστάσεις:
- Διατήρηση δεδομένων: Διατηρεί την είσοδο και για πόσο χρονικό διάστημα;
- Χρήση στην εκπαίδευση: Χρησιμοποιεί την είσοδο για την εκπαίδευση του μοντέλου;
- Τοποθεσία και σύμβαση: Πού γίνεται η επεξεργασία των δεδομένων, υπάρχει εταιρική συμφωνία επεξεργασίας δεδομένων;
Τα θεσμικά εργαλεία (συμβατικές διαβεβαιώσεις επεξεργασίας δεδομένων του ιδρύματος) συχνά προσφέρουν όρια στη μη χρήση και αποθήκευση δεδομένων στην εκπαίδευση. Τα δημόσια, δωρεάν εργαλεία μπορούν να αποθηκεύσουν στοιχεία και να τα χρησιμοποιήσουν στην εκπαίδευση. Κανόνας: τα ευαίσθητα δεδομένα υποβάλλονται σε επεξεργασία μόνο με εγκεκριμένα από το ίδρυμα μέσα με σύμβαση και σε όσο το δυνατόν πιο ανώνυμη μορφή. Η εισαγωγή δεδομένων πελάτη σε μη εγκεκριμένο εργαλείο καθιστά τον επεξεργαστή δεδομένων μη ελεγχόμενο.
Βήμα προς βήμα: Εργασία με ασφάλεια με εμπιστευτικά δεδομένα
- Ταξινόμηση των δεδομένων. Ταυτότητα / οικονομικά / ειδικής ποιότητας / δεδομένα αρχείου.
- Τεστ αναγκαιότητας. Είναι πραγματικά απαραίτητα αυτά τα δεδομένα για αυτήν την εργασία; Εάν όχι, μην το χρησιμοποιήσετε.
- Ανωνυμοποίηση. Αφαιρέστε τα αναγνωριστικά, αντικαταστήστε τα πραγματικά ισοδύναμα, γενικεύστε σπάνιους συνδυασμούς.
- Επιλέξτε όχημα. Μόνο οχήματα εγκεκριμένα από την αντιπροσωπεία, συμβεβλημένα. Δεν υπάρχουν ευαίσθητα δεδομένα διαθέσιμα στο δημόσιο εργαλείο.
- Εργαστείτε με ελάχιστα δεδομένα. Μοιραστείτε τις ελάχιστες πληροφορίες που απαιτούνται για την εργασία.
- Διαχειριστείτε τον χώρο αποθήκευσης και την κοινή χρήση. Πού αποθηκεύετε το αποτέλεσμα, με ποιον το μοιράζεστε; Συμμορφωθείτε με την περίοδο διατήρησης του KVKK και τους κανόνες τρίτων. Αφήστε το σημάδι σας.
τρεις μίνι θήκες
Περίπτωση 1 — Προστασία ευαίσθητων δεδομένων. Ένας ειδικός αποζημιώσεων ήθελε να ρωτήσει την AI για έναν περίπλοκο φάκελο ασφάλισης υγείας. Αντί να γράψει το όνομα, την ταυτότητα και τη διάγνωση του ασφαλισμένου, δημιούργησε ένα ανώνυμο πλαίσιο όπως «52 ετών, γυναίκα, συμπληρωματική πολιτική υγείας, προγραμματισμένη επέμβαση βαλβίδας καρδιάς, αμφισβητούμενο ποσό». Η ποιότητα της παραγωγής δεν έχει μειωθεί. Τα ιδιωτικά δεδομένα δεν πήγαν σε κανένα σύννεφο. Τα δεδομένα υγείας υπόκεινται στην υψηλότερη προστασία. αυτή η συνήθεια απέτρεψε την παραβίαση.
Περίπτωση 2 — Σπάνια παγίδα συνδυασμού. «38 ετών, γυναίκα, μόνο φαρμακοποιός σε [πολύ μικρή κομητεία], πολιτική επαγγελματικής ευθύνης», έγραψε ένας ειδικός. Αν και αυτό τεχνικά δεν περιείχε όνομα, αποκάλυψε άμεσα την ταυτότητά του καθώς ήταν ο μόνος φαρμακοποιός σε εκείνη την περιοχή. Αυτό το παρατήρησε ο ειδικός και το γενίκευσε ως «μικρός οικισμός, επάγγελμα υγείας». Η ανωνυμοποίηση δεν σημαίνει απλώς διαγραφή του ονόματος, καταστρέφει την αναγνωρισιμότητα.
Περίπτωση 3 — Λανθασμένη επιλογή εργαλείου. Για ταχύτητα, ένας υπάλληλος θα ανέβαζε την ανάλυση της αξίωσης πελάτη σε ένα δωρεάν, δημόσιο εργαλείο. Η πολιτική ομάδας τίθεται σε ισχύ: τα δεδομένα πελατών υποβάλλονται σε επεξεργασία μόνο στο εγκεκριμένο από το ίδρυμα εργαλείο με σύμβαση. Ο υπάλληλος πρώτα ανωνυμοποίησε τα δεδομένα και στη συνέχεια τα έτρεξε στο εγκεκριμένο εργαλείο. Εάν χρησιμοποιούνταν ένα μη εγκεκριμένο εργαλείο, ο κίνδυνος αποθήκευσης και χρήσης δεδομένων στην εκπαίδευση θα ήταν ανεξέλεγκτος.
Τέσσερα μηνύματα με δυνατότητα αντιγραφής
1) Βοηθός ανωνυμοποίησης:
Αφαιρέστε όλα τα προσωπικά και αναγνωριστικά δεδομένα από το ακόλουθο κείμενο: όνομα, επώνυμο, ταυτότητα, ημερομηνία γέννησης, τηλέφωνο, διεύθυνση, αριθμός ασφαλιστηρίου, πινακίδα κυκλοφορίας, τίτλος ιδιοκτησίας, IBAN. Αντικαταστήστε τα με ένα πραγματικό ισοδύναμο με αναλυτική σημασία (π.χ. "45 ετών, άνδρας, ασφαλιστήριο συμβόλαιο, μονόπλευρη σύγκρουση"). Γενικεύστε σπάνιους/διακριτικούς συνδυασμούς (μικρό μέρος + ειδική ενασχόληση). Διατηρήστε την ιατρική/τεχνική σημασία. Κείμενο: [επικόλληση]
2) Έλεγχος αναγνωρισιμότητας:
Ελέγξτε το ακόλουθο ανώνυμο κείμενο για αναγνώριση: [κείμενο]Ρωτήστε: Μπορεί ένας άγνωστος να βρει το άτομο με αυτό το κείμενο; Υπάρχει σπάνιος συνδυασμός (μικρός οικισμός + συγκεκριμένο επάγγελμα/γεγονός), μοναδική ημερομηνία ή ποσό; Επισημάνετε κάθε επικίνδυνο σημείο και προτείνετε πώς να γενικεύσετε με μεγαλύτερη ασφάλεια.
3) Απαίτηση και ταξινόμηση δεδομένων:
Ταξινόμηση και δοκιμή απαίτησης των δεδομένων που απαιτούνται για την ακόλουθη εργασία: Εργασία: [περιγραφή] Τα δεδομένα που έχω: [λίστα]Για κάθε δεδομένα: τύπος (ταυτότητα/οικονομικό/ειδικό/αρχείο), απαιτείται για αυτήν την εργασία (ναι/όχι), εάν χρειάζεται, πώς να τα χρησιμοποιήσετε ανώνυμα. Επισημάνετε τα περιττά δεδομένα ως "μη χρήση".
4) Λίστα ελέγχου επιλογής οχήματος:
Δημιουργήστε μια λίστα ελέγχου πριν χρησιμοποιήσετε ένα εργαλείο AI με δεδομένα ασφάλισης. Συμπεριλάβετε ερωτήσεις: Είναι το όχημα εγκεκριμένο από το ίδρυμα; Υπάρχει συμφωνία επεξεργασίας δεδομένων; Αποθηκεύει/χρησιμοποιεί τα δεδομένα στην εκπαίδευση; Πού γίνεται η επεξεργασία των δεδομένων; Για ποιον τύπο δεδομένων είναι κατάλληλο/ακατάλληλο; Αρκεί η ανωνυμοποίηση;
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμο: "Αξιολογήστε το αρχείο του πελάτη Ahmet Yılmaz (TC 123..., επισυνάπτεται ιατρική έκθεση)."
Πρόβλημα: Η ταυτότητα και τα ευαίσθητα δεδομένα (υγείας) κοινοποιούνται απευθείας. μεγάλος κίνδυνος παραβίασης του KVKK.
Ισχυρό: "Λάβετε υπόψη το ακόλουθο ανώνυμο πλαίσιο: ηλικία 52 ετών, γυναίκα, συμπληρωματική πολιτική υγείας, προγραμματισμένη χειρουργική επέμβαση, ποσό αμφισβήτησης. Δεν υπάρχουν πληροφορίες ταυτοποίησης."
Γιατί είναι καλό: Το αναλυτικό νόημα διατηρείται, η ταυτότητα και τα ευαίσθητα δεδομένα δεν αποκαλύπτονται.
γράφημα σύγκρισης
Τύπος δεδομένων
Επίπεδο προστασίας
Χρήση στην τεχνητή νοημοσύνη
Όνομα/TC/επαφή
ψηλά
Αφαιρέστε, βάλτε ισοδύναμο
Οικονομικά (εισόδημα/IBAN)
ψηλά
Αφαίρεση/γενίκευση
Υγεία/ειδικά προσόντα
υψηλότερο
Ποτέ ωμά. ανώνυμο + εγκεκριμένο όχημα
Αριθμός συμβολαίου/πινακίδα/τίτλος ιδιοκτησίας
μέτρια-υψηλή
Αφαίρεση μόνο επικίνδυνο
Συγκεντρωτικά / στατιστικά στοιχεία
χαμηλά
Διαθέσιμο (αν δεν υπάρχει επικοινωνία)
Συνήθη λάθη
- Επικόλληση ακατέργαστων προσωπικών δεδομένων/δεδομένων υγείας. Η πιο συχνή και σοβαρότερη παραβίαση.
- Νομίζοντας ότι αρκεί μόνο η διαγραφή του ονόματος. Σπάνιοι συνδυασμοί μπορεί να αποκαλύπτουν ακόμα την ταυτότητα.
- Βασιζόμαστε στο να πούμε "διαγραφή αργότερα". Το εργαλείο μπορεί να αποθηκεύει/χρησιμοποιεί δεδομένα στην εκπαίδευση.
- Μη εγκεκριμένη/δημόσια οδήγηση. Ανεξέλεγκτη επεξεργασία δεδομένων.
- Μη διαχείριση αποθηκευτικού χώρου και κοινής χρήσης. Απεριόριστη αποθήκευση εξόδου, ανεξέλεγκτη κοινή χρήση με τρίτους.
Συνοπτικά
Τα δεδομένα ασφάλισης είναι πολύ ευαίσθητα. Ειδικά δεδομένα όπως η υγεία υπόκεινται στην υψηλότερη προστασία βάσει του KVKK. Ταξινόμηση, αμφισβήτηση και ανωνυμοποίηση δεδομένων πριν τα δώσετε στην τεχνητή νοημοσύνη: αφαιρέστε τα αναγνωριστικά, εισαγάγετε πραγματικά ισοδύναμα, γενικεύστε σπάνιους συνδυασμούς. Επεξεργαστείτε ευαίσθητα δεδομένα μόνο σε εργαλεία εγκεκριμένα από το ίδρυμα, με συμβάσεις και σε ελάχιστο βαθμό. Διαχειριστείτε την περίοδο αποθήκευσης και την κοινή χρήση τρίτων στο πλαίσιο του KVKK και αφήστε ένα ίχνος. Συμβουλευτείτε τη συμμόρφωση/νομική αρχή στη συγκεκριμένη περίπτωση. Δεν είναι δυνατή η ανάκτηση δεδομένων που έχουν διαρρεύσει.
Εργασία εφαρμογής
Λάβετε ένα πραγματικό κείμενο βλάβης/αναφοράς (για δοκιμαστικούς σκοπούς). Ανωνυμοποιήστε με την προτροπή #1 και, στη συνέχεια, ελέγξτε την αναγνώριση με την προτροπή #2: υπάρχουν ακόμα σπάνιοι συνδυασμοί στο κείμενο που θα μπορούσαν να αποκαλύψουν το άτομο; Γενικεύστε κάθε κίνδυνο που βρίσκετε. Αξιολογήστε επίσης το εργαλείο AI που χρησιμοποιείτε με τη λίστα ελέγχου αριθμό 4: είναι κατάλληλο για ευαίσθητα δεδομένα;
λίστα ελέγχου
- [ ] Ταξινόμησα τα δεδομένα ανάλογα με τους τύπους τους.
- [ ] Εφάρμοσα το τεστ αναγκαιότητας. Δεν χρησιμοποίησα περιττά δεδομένα.
- [ ] Αφαίρεσα τα αναγνωριστικά και τα αντικατέστησα με ένα πραγματικό αντίστοιχο.
- [ ] γενίκευσα σπάνιους/διακριτικούς συνδυασμούς.
- [ ] Έκανα έναν έλεγχο αναγνωρισιμότητας.
- [ ] Χρησιμοποίησα μόνο οχήματα εγκεκριμένα από την εταιρεία, με σύμβαση.
- [ ] Διαχειρίστηκα τον χώρο αποθήκευσης και την κοινή χρήση τρίτων σύμφωνα με το KVKK. Άφησα σημάδι.