حریم خصوصی داده ها، KVKK، راز مشتری و قانون

سود:

• امکان ناشناس سازی اطلاعات مشتری و مالی در محدوده قوانین KVKK، اسرار مشتری و قوانین محرمانه بانکی و اعمال قوانین امن خودرو و پردازش داده ها
• درک تعهدات اعمال شده توسط قوانین بانکی (BRSA، MASAK، KVKK) در مورد استفاده از هوش مصنوعی و نیاز به قابلیت حسابرسی
• توانایی درک اینکه چرا قابلیت توضیح مدل، نگهداری سوابق و پیگیری حسابرسی الزامی است و زنجیره مسئولیت را حفظ می کند

در بانکداری، داده ها طلا هستند - اما مسئولیت نیز دارند. حقوق مشتری، عادات خرج کردن، سابقه اعتباری و تراکنش‌های حساب هر دو اطلاعات شخصی بسیار حساس هستند و از نظر قانونی محافظت می‌شوند. هوش مصنوعی هنگام کار با این داده ها نتایج قدرتمندی ایجاد می کند. اما همین قدرت می تواند با فشردن یک دکمه تخلف جدی ایجاد کند. در این واحد نحوه حفاظت از داده‌های مشتری و مالی در محدوده KVKK، قوانین اسرار مشتری و محرمانگی بانک، تعهدات اعمال شده توسط قوانین بانکی (BRSA، MASAK، KVKK) در مورد استفاده از هوش مصنوعی و چرایی اجباری بودن توضیح مدل و پیگیری حسابرسی را خواهیم دید. اصل اساسی: داده ها دارایی مالک آن است. حفاظت از آن یک انتخاب فنی نیست، بلکه یک تعهد قانونی و اخلاقی است.

حفاظت دو لایه: KVKK و راز مشتری

اطلاعات مشتری توسط دو چارچوب جداگانه محافظت می شود:

• KVKK (قانون حفاظت از داده های شخصی): هر داده ای که یک شخص را مشخص/قابل شناسایی کند، داده شخصی است. مبنای قانونی (رضایت صریح یا دلیل مشروع) برای پردازش مورد نیاز است. باید محدود به هدف، متناسب و ایمن باشد. داده های مالی از اهمیت ویژه ای برخوردار است.
• اسرار مشتری (قانون بانکداری): هر اطلاعاتی که بانک در مورد مشتری خود می‌آموزد محرمانه است و بدون مجوز نمی‌توان آن را به اشتراک گذاشت. این تعهد کارمند بانک را نیز مقید می کند.

آپلود اطلاعات مشتری در یک ابزار هوش مصنوعی تایید نشده می تواند هر دو چارچوب را به طور همزمان نقض کند.

نوع داده

حفاظت

رفتار مخاطره آمیز

نام، TR، IBAN

اطلاعات شخصی + راز

ورود به وسیله نقلیه بدون نامگذاری

صورت حساب

اطلاعات شخصی + راز

کار در خودروی غیرمجاز

امتیاز اعتباری/تاریخچه

اطلاعات شخصی + راز

اشتراک گذاری بدون هدف

داده های بخش ناشناس

کم خطر

(در صورت بازیابی هویت خطر دارد)

نکته: گفتن "من ناشناس کردم" کافی نیست. داده ها باید واقعاً شناسایی شوند. حتی تعداد کمی از ویژگی ها (سن + محله + شغل) می تواند یک فرد را شناسایی کند. در حالت ناشناس، "آیا می توان این داده ها را به فرد بازگرداند؟" سوال را بپرسید.

مراحل پردازش امن داده ها

1. ناشناس کردن/ماسک کردن. حذف مناطق شناسایی؛ در صورت لزوم از مقدار مستعار استفاده کنید.
2. حداقل داده (به حداقل رساندن داده ها). پردازش حداقل داده های مورد نیاز برای کار؛ داده های زیادی را فقط در صورت نیاز حمل نکنید.
3. آن را با هدف محدود کنید. از داده ها فقط برای هدفی که برای آن جمع آوری شده است استفاده کنید. داده های دریافت شده برای اعتبار را به بازاریابی منتقل نکنید.
4. وسیله نقلیه تایید شده و ایمن استفاده از ابزارهای تضمین پردازش داده های قراردادی بانک؛ داده های مشتری را در ابزارهای عمومی که مشخص نیست داده ها کجا می روند وارد نکنید.
5. دنباله حسابرسی ثبت کنید که کدام داده، برای چه هدفی و کدام ابزار استفاده شده است.
6. ذخیره سازی و دفع. داده ها را بیش از حد لازم نگهداری نکنید. طبق سیاست منقضی شده را دور بریزید.

تعهدات وضع شده توسط قانون در مورد هوش مصنوعی

• قابل توضیح: تصمیمات تنظیم شده (مانند وام ها) باید قابل توجیه باشند. تصمیم "جعبه سیاه" قابل حسابرسی نیست.
• مسیر حسابرسی: خروجی مدل، داده های استفاده شده و تصمیم نهایی باید ثبت شود. سوال "چرا این تصمیم گرفته شد؟" بعدا باید جواب داد
• نظارت انسانی: انسان ها باید در تصمیم گیری های مهم مشارکت داشته باشند. مکانیسم های تصمیم گیری کاملاً خودکار و بدون نظارت ممکن است با مقررات در تضاد باشد.
• حق اعتراض و تصحیح: حق اعتراض مشتری به تصمیم و درخواست اصلاح داده هایش باید محفوظ بماند.
• زنجیره مسئولیت: فرد مسئول تصمیم گیری همیشه روشن است – نه مدل، بلکه فرد و موسسه صالح.

توجه: نقض محرمانه بودن یا نقض قوانین ممکن است ماه ها یا حتی سال ها بعد در حسابرسی آشکار شود و ممکن است منجر به جریمه های اداری سنگین، از دست دادن شهرت و مسئولیت قانونی شود. "توجه نشده" یک اطمینان نیست. ثبت نام و انطباق از ابتدا برقرار است.

چهار قالب قابل کپی

1) کنترل ناشناس سازی:

متن زیر را قبل از دادن آن به ابزار هوش مصنوعی بررسی کنید: حاوی چه اطلاعاتی است که باعث شناسایی فرد می شود (نام، TR ID، IBAN، تلفن، آدرس، ترکیب ویژگی های نادر)؟ همه آنها را فهرست کنید و نحوه پوشاندن آنها را پیشنهاد دهید. Text: [data]

2) هدف و حداقل کنترل داده ها:

حداقل مجموعه داده واقعاً مورد نیاز برای این کار چقدر است؟ کدام یک از فیلدهای زیر برای انجام کار غیر ضروری هستند و باید حذف شوند؟ مناطق در معرض خطر سوء استفاده را علامت گذاری کنید. وظیفه: [توضیح] فیلدها: [فهرست]

3) پیش نویس سوابق حسابرسی:

نقش شما: دستیار که سوابق حسابرسی را تهیه می کند. یک رکورد تراکنش منظم با اطلاعات زیر ایجاد کنید: کدام داده (ناشناس)، کدام هدف، کدام رسانه، کدام تاریخ، چه کسی مسئول است. فیلدهای از دست رفته را به عنوان "[برای تکمیل]" بگذارید. ورودی: [اطلاعات]

4) پاسخ درخواست داده های مشتری (حقوق KVKK):

یک مشتری درخواست دسترسی/تصحیح داده های خود را در محدوده KVKK کرد. پاسخی تهیه کنید که محترمانه، روشن و حقوق شما را یادآوری کند (دسترسی، تصحیح، اعتراض). افزودن اطلاعات شخصی جدید؛ مراحل فرآیند را توضیح دهید. مسئول بررسی خواهد کرد.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

نام کامل مشتری، شماره TR ID و صورت حساب 6 ماه گذشته پیوست شده است. این را تجزیه و تحلیل کنید و یک پروفایل به من بدهید. سریع باش

داده‌های هویتی را بدون تأیید به اشتراک می‌گذارد، به حداقل رساندن داده‌ها را نقض می‌کند و اسرار مشتری را نقض می‌کند.

اعلان قدرتمند:

نقش شما: دستیار تحلیلی که با داده های ناشناس کار می کند. من فقط داده‌های حداقلی و بدون شناسایی را به شما می‌دهم: 42 سال، بخش X، محدوده هزینه متوسط ​​ماهانه [محدوده]. درخواست داده های شخصی یا استنباط هویت. من خروجی را در فرآیند تایید شده استفاده و ذخیره خواهم کرد.

Prompt Strong به صورت ناشناس و با حداقل داده کار می کند، استخراج هویت را ممنوع می کند و یک مسیر حسابرسی را فراهم می کند.

سه کیف کوچک

مورد 1 - پردازش صحیح. یک تحلیلگر یک تجزیه و تحلیل رفتاری از 5000 مشتری را تنها با داده های ناشناس و انبوه انجام می دهد. هیچ فیلد شناسایی وارد خودرو نمی شود، وسیله نقلیه مورد استفاده و هدف ثبت می شود. نتیجه ارزش تجاری ایجاد می کند و هیچ خط محرمانه ای عبور نمی کند.

مورد 2 - خطر شناسایی مجدد. یک تیم کشف می کند که برخی از مشتریان را می توان به صورت جداگانه با ترکیبی از سن، محله و شغل نادر در آنچه که آنها فکر می کردند یک مجموعه داده "ناشناس" است شناسایی کرد. داده ها با تعمیم این زمینه ها (محدوده سنی، منطقه بزرگ) دوباره ناشناس می شوند. برچسب "ناشناس" بدون آزمایش ایمن در نظر گرفته نمی شود.

مورد 3 - مسیر حسابرسی بازیابی می شود. تصمیم وام ممکن است سالها بعد به چالش کشیده شود. بانک از مسیر حسابرسی نشان می دهد که این تصمیم بر اساس کدام داده های تأیید شده است، بر اساس چه دلایلی گرفته شده است و چه کسی آن را تأیید کرده است. به لطف سابقه، می توان از تصمیم دفاع کرد. اگر اثری نبود بانک در شرایط سختی قرار می گرفت.

Cloud، شخص ثالث و اقامت داده

اکثر ابزارهای هوش مصنوعی در فضای ابری اجرا می شوند و داده ها را روی سرورهای خود پردازش می کنند. این یک لایه اضافی از سؤالات را در بانکداری باز می کند: داده ها کجا می روند و چه کسی می تواند به آنها دسترسی داشته باشد؟ ارسال داده‌های مشتری به یک ابزار اغلب به معنای برداشتن آن داده‌ها به خارج از دیوار بانک است. بنابراین، انتخاب یک ابزار یک تصمیم فنی نیست، بلکه یک تصمیم انطباق است.

نکات قابل تامل:

• قرارداد پردازش داده: آیا قراردادی با ارائه‌دهنده ابزار وجود دارد که نحوه پردازش، ذخیره و حذف داده‌ها را مشخص کند؟ ابزارهای «رایگان» و بدون قرارداد برای داده های بانکی واجد شرایط نیستند.
• استفاده در آموزش: بدانید که آیا داده هایی که وارد کرده اید در آموزش مدل استفاده می شود یا خیر. در صورت استفاده، اسرار مشتری ممکن است به مکان های دیگر درز کند.
• اقامت داده ها: کشوری که داده ها در آن نگهداری می شوند هم از نظر قوانین KVKK و هم از نظر قوانین انتقال بین المللی مهم است.
• دسترسی و ورود به سیستم: آیا ثبت شده است که چه کسی به آن دسترسی دارد؟

احتیاط: "خودرو ایمن به نظر می رسد" یک اطمینان نیست. قبل از اینکه یک ابزار در بانک استفاده شود، باید امنیت اطلاعات و تاییدیه انطباق را داشته باشد. وارد کردن داده‌های مشتری در یک ابزار تایید نشده به معنای ارائه داده‌ها بدون دانستن اینکه کجا می‌رود، است.

اشتباهات رایج

• به اشتراک گذاری داده های هویتی بدون تایید ورود به وسیله نقلیه بدون ناشناس کردن نام، TR ID و IBAN.
• با فرض "ناشناس". ایمن در نظر گرفتن داده ها بدون انجام تست شناسایی مجدد.
• رانش هدف استفاده از داده های جمع آوری شده برای یک هدف برای هدف دیگر.
• دور زدن مسیر حسابرسی عدم ثبت داده ها، هدف و ابزار؛ نمی توان بعداً پاسخگو بود.
• تصمیم جعبه سیاه با در نظر گرفتن یک تصمیم خودکار که نمی توان آن را مشروع توجیه کرد.

نکته: رازداری و رعایت "موانع" نیست، بلکه پایه و اساس اعتماد است. مشتری به بانک اعتماد دارد زیرا می داند که داده هایش محافظت می شود. به خطر انداختن این اعتماد برای میانبر گرانترین اشتباه است.

به طور خلاصه

داده های مشتری هم داده های شخصی در محدوده KVKK و هم راز مشتری در محدوده قانون بانکداری است. محافظت مضاعف دارد. ناشناس کنید (و در برابر شناسایی مجدد آزمایش کنید)، با حداقل داده و هدف کار کنید، فقط از ابزارهای امن تایید شده استفاده کنید، یک ردیابی حسابرسی را به جا بگذارید. قانونگذاری مستلزم تبیین پذیری، نظارت انسانی، حق اعتراض و زنجیره روشن مسئولیت است. در یک جمله: داده ها اعتماد مالک است. مسئولیت حفاظت، ثبت و حسابرسی بر عهده شخص ذیصلاح است.

وظیفه کاربردی

یک نمونه متن داده مشتری (با فیلدهای شناسه) بنویسید و با الگوی 1 یک بررسی ناشناس انجام دهید. تعیین کنید که کدام مناطق را بپوشانید. سپس یک وظیفه تعریف کنید و حداقل مجموعه داده را با قالب دوم استخراج کنید و فیلدهای غیر ضروری را حذف کنید. در نهایت، پیش نویس سابقه ردیابی حسابرسی را با الگوی سوم تهیه کنید و فهرستی از اطلاعاتی که باید برای هر تراکنش نگهداری شود، تهیه کنید.

چک لیست

• [ ] من فیلدهای ID را ناشناس کردم و آنها را در برابر شناسایی مجدد آزمایش کردم.
• [ ] من فقط حداقل داده های مورد نیاز برای کار را پردازش کردم.
• [ ] من از داده های محدود به هدف آن استفاده کردم. نگذاشتم گل بلغزد.
• [ ] من فقط وسایل نقلیه تایید شده و ایمن رانده ام.
• [ ] من داده ها، هدف، ابزار و اصل را در مسیر حسابرسی ثبت کردم.
• [ ] من توضیح پذیر بودن تصمیم و حق اعتراض مشتری را در نظر گرفتم.