سود:
- ارزیابی اطلاعات با توجه به حساسیت آن و تمایز بین خودروی باز و سیستم ایمن با رفلکس «از کلاس بپرس، با خودرو مطابقت کن»
- درک حداقل داده ها، امنیت و اصول مسئولیت KVKK و دیدن اینکه حذف نام کافی نیست و زمینه هویت است.
- امکان اتخاذ نظم و انضباط انتخاب ایمن ترین مسیر در صورت شک، حفاظت از داده های حساس در بالاترین سطح و گزارش تخلف به صورت شفاف.
چیزی که مشتری به شما می گوید – خشونت، بیماری، فقر، اعتیاد، اسرار خانوادگی – شکننده ترین و خصوصی ترین اطلاعات زندگی اوست. او این اطلاعات را با اطمینان از محرمانه بودن حرفه ای به شما می دهد. این اعتماد پایهای است که کار اجتماعی را ممکن میسازد. وقتی تکان می خورد، کلاینت دوباره باز نمی شود و سرویس کارکرد خود را از دست می دهد. حفظ این اعتماد در عصر هوش مصنوعی ابعاد جدیدی به خود گرفته است: وارد کردن اطلاعات مشتری در ابزار اشتباه اکنون نه تنها نقض حریم خصوصی است، بلکه طبق KVKK (قانون حفاظت از داده های شخصی) یک مسئولیت قانونی است و می تواند منجر به نشت غیرقابل برگشت اطلاعات شود. در این واحد، نحوه محافظت از داده های مشتری در عصر هوش مصنوعی، منطق اولیه KVKK، تمایز بین وسایل نقلیه باز و وسایل نقلیه ایمن، و یک رشته کاربردی "بهداشت داده ها" را یاد خواهید گرفت.
ابتدایی ترین قانون از ابتدا همان چیزی است که ما در این ماژول تکرار می کنیم: هیچ داده شخصی که مشتری را شناسایی می کند در ابزار هوش مصنوعی عمومی که موسسه شما تایید نکرده است وارد نمی شود. این یک جمله جوهر تمام جزئیات زیر است.
خلاصه KVKK برای مددکار اجتماعی
KVKK نحوه پردازش داده های شخصی (هر اطلاعاتی که شخص را مشخص یا قابل شناسایی می کند - نام، شناسه، آدرس، تلفن، و همچنین اطلاعاتی مانند سلامت، وضعیت خانوادگی، سوابق کیفری) را تنظیم می کند. بیشتر دادههایی که در مددکاری اجتماعی پردازش میکنید، دادههای شخصی حساس هستند (دادههایی که نشت آنها به ویژه مضر است، مانند سلامتی، زندگی جنسی، مذهب، قومیت، محکومیتهای کیفری) و به بالاترین محافظت نیاز دارد. معنای عملی KVKK برای شما به چند اصل خلاصه می شود:
- محدودیت هدف و حداقل داده: فقط به اندازه نیاز پردازش می شود. هنگام پردازش متن در هوش مصنوعی، هیچ گونه اطلاعات شخصی که برای کار مورد نیاز نیست وارد نکنید.
- امنیت: داده ها در برابر دسترسی غیرمجاز محافظت می شوند. ابزار هوش مصنوعی عمومی این امنیت را فراهم نمی کند.
- رضایت و شفافیت: اطلاع رسانی به مشتری در مورد نحوه پردازش داده ها. ارائه داده های مشتری به یک ابزار خارجی کنترل نشده در محدوده هیچ گونه رضایتی نیست.
- مسئولیت پذیری: اگر نقض رخ دهد، مسئولیت به عهده سازمان پردازش داده ها و شخصی است که آن داده ها را وارد می کند - "هوش مصنوعی آن را چنین خواسته است" یک دفاع نیست.
احتیاط: حذف نام ها اغلب محافظت کافی نیست. حتی اگر نامی در متن ذکر نشده باشد، زمینه (محله + سن + رویداد + تاریخ + ساختار خانواده) می تواند یک فرد را قابل شناسایی کند. حفاظت واقعی نه با پوشاندن، بلکه با انتخاب ابزار و محیط مناسب فراهم می شود.
دو دنیا: وسیله نقلیه باز در مقابل سیستم ایمن
استفاده خود از هوش مصنوعی را به دو دنیای واضح تقسیم کنید:
1. جهان ابزار عمومی/باز. می توان از آن برای کارهایی که مشتری را شناسایی نمی کند استفاده کرد: سوالات اطلاعات عمومی ("چگونه یک هدف هوشمند بنویسیم؟")، آموزش با مثال های تخیلی/ناشناس، توضیح کلی قانون، متون برنامه که به کسی اشاره نمی کنند. داده های مشتری واقعی هرگز در اینجا وارد نمی شوند.
2. دنیای داده های مشتری. هر کاری که شامل اطلاعات یک مشتری واقعی باشد - ضبط، گزارش، یادداشت ریسک، ارجاع - فقط در سیستمهای امن مورد تایید موسسه شما انجام میشود، جایی که دادهها درز نمیکنند. اگر چنین سیستمی وجود نداشته باشد، آن کار بدون هوش مصنوعی و با روش ایمن سنتی انجام می شود.
اشتباه گرفتن این دو - دادن اطلاعات مشتری واقعی به ابزار باز - خطرناک ترین و رایج ترین اشتباه این ماژول است.
گام به گام: نظم و انضباط بهداشت داده ها
- در مورد کلاس بپرسید قبل از هر کار بپرسید: "آیا این متن مشتری را توصیف می کند؟" اگر بله، سیستم امن. اگر نه، می توان از وسیله نقلیه باز استفاده کرد.
- به حداقل رساندن. داده های وارد شده را به حداقل مورد نیاز کار محدود کنید، حتی اگر کار واقعاً به آن نیاز داشته باشد.
- بی هویت شوید (و محدودیت های خود را بدانید). در صورت لزوم شناسه ها را حذف کنید. اما به یاد داشته باشید که زمینه نیز می تواند هویت را از بین ببرد.
- از ابزار تایید شده استفاده کنید بدانید موسسه کدام وسیله نقلیه را برای کدام داده تایید می کند و از آن عدول نکنید.
- اگر مطمئن نیستید، مانند یک کلاس برتر رفتار کنید. اگر مطمئن نیستید که یک داده حساس است یا نه، محافظت شده ترین مسیر را انتخاب کنید.
- تخلف را گزارش کنید. اگر نشت یا خطایی وجود دارد، آن را پنهان کنید. طبق روال موسسه گزارش دهید. مداخله زودهنگام آسیب را کاهش می دهد.
سه کیف کوچک
مورد 1 - زمینه هویت را نشان داد. یک کارشناس خلاصه ای از پرونده را به ابزار باز ارسال کرد و گفت: "من نام ها را حذف کردم، اکنون امن است." اسمی در متن نبود اما عبارت "زنی کم بینا در محله ایکس با 3 فرزند که شوهرش در زندان است" وجود داشت. تنها یک نفر در آن محله بود که با این توصیف مطابقت داشت - هویت عملاً مشخص بود. کارشناس ارشد به این نکته توجه کرد; کار به سیستم امن منتقل شد. درس: زمینه نیز داده های شخصی است.
مورد 2 - سیاست حداقل داده کار می کند. یک متخصص فقط باید یک جمله را ساده کند. به جای اینکه کل فایل را به ابزار بدهد، فقط آن یک جمله را بدون هیچ جزئیات شخصی بیان کرد. کار انجام شد، هیچ داده حساسی منتشر نشد. سیاست حداقل داده هم ایمن و هم کافی بود.
مورد 3 - گزارش اولیه خسارت را کاهش داد. یک استخدام جدید به طور تصادفی اطلاعات یک مشتری را در یک ابزار باز قرار داد و بلافاصله متوجه شد. او به جای وحشت و مخفی شدن، بلافاصله آن را به سرپرست خود گزارش داد. موسسه این حادثه را طبق روال KVKK ارزیابی کرد، اقدامات لازم را انجام داد و نحوه استفاده صحیح از آن را به کارمند آموزش داد. اطلاع رسانی شفاف و سریع از تشدید حادثه جلوگیری کرد.
چهار قالب قابل کپی
1) پیش از پرواز کلاس داده:
متن زیر را قبل از پردازش آن در ابزار هوش مصنوعی ارزیابی کنید: آیا این متن باعث میشود شخص مستقیماً (نام، شناسه، آدرس، تلفن) یا غیرمستقیم (زمینه: محله، سن، رویداد، ساختار خانواده) قابل شناسایی باشد؟ آیا حاوی داده های حساس (سلامت، مذهب، قومیت، سابقه کیفری) است؟ اگر بله، کدام بخش ها؟ به من بگویید که آیا این متن می تواند در ابزار عمومی ارائه شود. متن: [پیست متن]
2) تنزل به حداقل داده ها:
کمترین اطلاعات مورد نیاز برای انجام کار زیر را تعیین کنید. تمام مشخصات شخصی را که برای کار مورد نیاز نیست حذف کنید و فقط قسمت غیر شناسایی را که برای کار مورد نیاز است باقی بگذارید. فهرستی از اطلاعاتی که حذف کردید و چرا. شغل: [وظیفه را توصیف کنید] متن: [پیست متن]
3) شناسایی زدایی و کنترل زمینه:
شناسه ها (نام، شناسه، آدرس، تلفن، نام موسسه) را مستقیماً از متن زیر استخراج کنید. همچنین هر عنصر زمینه ای را که در متن باقی می ماند (ترکیبی نادر از شرایط، مکان خاص + رویداد) که ممکن است به طور غیرمستقیم هویت را از بین ببرد، علامت بزنید. قبل از حذف این موارد، ارزیابی کنید که آیا متن همچنان شخص را قابل شناسایی می کند یا خیر. متن: [پیست متن]
4) ایجاد یک مثال آموزشی ناشناس/تخیلی:
یک مورد نمونه تهیه کنید که شبیه یک مورد واقعی است، اما کاملاً تخیلی است و به هیچ شخص حقیقی تعلق ندارد. من از این برای آموزش/تمرین استفاده خواهم کرد. استفاده از نامها، مکانها یا رویدادهای واقعی؛ بگذار همه چیز جعلی باشد. [موضوع: ارزیابی اولیه مراقبت از سالمندان]
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
من کل فایل این مشتری را در زیر می چسبانم، خلاصه خوبی به من می دهد. (شامل نام، آدرس، اطلاعات بهداشتی)
این داده های شخصی حساس را به یک سیستم خارجی کنترل نشده می دهد - یک نقض KVKK و یک خطر غیرقابل برگشت حفظ حریم خصوصی. فقط به این دلیل که خلاصه "خوب" است، این تخلف را توجیه نمی کند.
اعلان قدرتمند:
(فقط در یک سیستم ایمن تایید شده توسط موسسه، یا با متن شناسایی نشده.) متن DE-IDENTIFIED را در زیر خلاصه کنید. من هیچ زمینه ای در متن نگذاشته ام که بتواند نام، آدرس، شناسه یا هویت را به شما بدهد. فقط اطلاعات مورد نیاز برای کار را پردازش کنید. متن: [چسب کردن متن ناشناس]
تفاوت: کار در ابزار مناسب، با حداقل دادههای شناسایی نشده، از حریم خصوصی و قانون در حین انجام کار محافظت میکند.
نوع داده و مسیر صحیح
نوع داده
مثال
ابزار مناسب
اطلاعات عمومی
"هدف SMART چیست؟"
وسیله نقلیه باز
مثال خیالی
مورد آموزشی ساختگی
وسیله نقلیه باز
بدون هویت + بدون زمینه
ساده سازی یک جمله کلی
باز کردن وسیله نقلیه (با دقت)
داده های مشتری
گزارش واقعی، گزارش
فقط سیستم ایمن
داده های با کیفیت ویژه
سلامت، تنبیه، قومیت
بالاترین سیستم حفاظتی/ایمن
نکته خطر/ایمنی
خشونت، اطلاعات حفاظتی
بالاترین سیستم حفاظتی/ایمن
اشتباهات رایج
- دادن اطلاعات مشتری واقعی به ابزار باز. خطرناک ترین و رایج ترین اشتباه؛ نقض KVKK و نفوذ غیر قابل برگشت.
- "من نام ها را حذف کردم" با این فکر که امنیت است. زمینه می تواند هویت را از بین ببرد. نقاب زدن محافظت نیست
- وارد کردن اطلاعات بیشتر از حد لازم سیاست حداقل داده را اعمال کنید. به اندازه ای که کار می خواهد بده.
- وقتی مطمئن نیستید ریسک کنید. وقتی شک دارید، ایمن ترین مسیر را انتخاب کنید، مانند یک طبقه بالا رفتار کنید.
- کتمان تخلف گزارش زودهنگام و شفاف آسیب را کاهش می دهد. پنهان کردن آن را بزرگتر می کند.
به طور خلاصه
حریم خصوصی مشتری اساس اعتماد در مددکاری اجتماعی است و در عصر هوش مصنوعی نیز با KVKK به یک تعهد قانونی تبدیل می شود. قانون اساسی روشن است: هیچ اطلاعات شخصی که مشتری را شناسایی می کند به ابزار عمومی تایید نشده وارد نمی شود. دو جهان (ابزار باز در مقابل سیستم امن) را از هم جدا نگه دارید، اصل حداقل داده را اعمال کنید، بدانید که حذف نام کافی نیست و زمینه هویت است، در صورت شک، امن ترین مسیر را انتخاب کنید و تخلف را شفاف گزارش کنید. حریم خصوصی معیاری نیست که بعداً اضافه شد، بلکه اصلی است که از همان ابتدا رعایت شده است.
وظیفه کاربردی
یک متن داستانی بنویسید و ببینید هوش مصنوعی چه مواردی را با الگوی «کلاس داده پیش از پرواز» بهعنوان دادههای شخصی/خصوصی علامتگذاری میکند. سپس با الگوی «شناساییزدایی و بررسی زمینه» آزمایش کنید تا ببینید آیا زمینه همچنان هویت را حتی پس از حذف نامها از بین میبرد یا خیر. در نهایت، یک مثال تولید کنید که می توانید با خیال راحت از آن در ابزار باز با الگوی "مثال آموزش ناشناس/تخیلی" استفاده کنید.
چک لیست
- [ ] قبل از هر کار، "آیا این متن مشتری را توصیف می کند؟" من پرسیدم.
- [ ] من داده های مشتری را فقط در سیستم های تایید شده و ایمن پردازش می کنم.
- [ ] من سیاست حداقل داده را اعمال کردم. من زیاد وارد جزئیات نشدم.
- [ ] با دانستن اینکه حذف نام کافی نیست، زمینه را نیز بررسی کردم.
- [ ] در صورت شک، مطمئن ترین راه را انتخاب کردم و راه گزارش در صورت تخلف را بلدم.