Gains :
- Capacité à classer les données fiscales et financières dans le cadre de l'obligation de confidentialité du KVKK et de la loi sur les procédures fiscales et à déterminer le niveau de protection
- Capacité à appliquer les étapes d'anonymisation, de masquage et de sélection d'outils sûrs/institutionnels avant de transmettre des données à l'intelligence artificielle
- Capacité à prendre l'habitude d'éviter la conduite non surveillée en connaissant les conséquences juridiques, pénales et professionnelles des violations de la vie privée.
Un professionnel voit les informations les plus intimes du contribuable : chiffre d'affaires, bénéfices, mouvements bancaires, salaires des employés, numéros TR ID, contrats, structures de partenariat. Ces informations sont protégées par deux niveaux juridiques distincts : le KVKK (loi sur la protection des données personnelles, la loi interdisant le traitement non autorisé des informations personnelles) et l'obligation de confidentialité de la loi sur les procédures fiscales (l'obligation du professionnel de garder confidentielles les informations dont il a connaissance en raison de son devoir). À l’ère de l’intelligence artificielle, cette protection se trouve confrontée à une nouvelle menace : le stockage de données sensibles dans un outil non contrôlé. Le principe de cette unité est unique : les données sont protégées avant d'entrer dans l'IA ; Aucune donnée sensible ne pénètre dans le véhicule non surveillé.
Protection à deux couches et pourquoi elle doit être prise au sérieux
- Couche KVKK : Toutes les informations (nom, TR ID, salaire, contact) appartenant à des personnes réelles sont des données personnelles. Un traitement, un transfert non autorisé et une protection inadéquate entraîneront des amendes administratives et des indemnisations.
- Couche de confidentialité VUK : Un professionnel ne peut pas partager les secrets financiers du contribuable avec des tiers. Toute violation entraîne des conséquences à la fois pénales et professionnelles (disciplinaires).
Une balance de vérification ou une paie collée dans un outil d’IA accessible au public peut être considérée comme « transférée à un tiers ». Il est souvent difficile de savoir comment l’outil stocke les données et s’il est utilisé dans la formation. Cette incertitude à elle seule constitue un risque suffisant.
Attention : L'idée selon laquelle « personne ne le verra de toute façon » ne constitue pas un moyen de défense juridique. Une fois que les données pénètrent dans un système non contrôlé, elles échappent à votre contrôle. Une atteinte à la vie privée est dangereuse non pas en raison de la possibilité qu’elle se produise, mais parce qu’elle est irréversible une fois qu’elle se produit.
Avant de donner des données à l'IA : étapes de protection
- Classer. Les données dont vous disposez sont-elles personnelles, financières secrètes ou publiques ? Déterminez le niveau de protection en conséquence.
- Questionner la nécessité. Est-il vraiment nécessaire de fournir ces données au modèle, ou la tâche peut-elle être effectuée avec des données anonymes/résumées ?
- Anonymiser/masquer. Leurs noms sont K1, K2 ; sociétés Ş1, Ş2 ; Remplacez l'ID TR et les numéros de compte par un masque. Généralisez des détails uniques qui fournissent un diagnostic indirect.
- Choisissez un véhicule sécuritaire. Si possible, utilisez un outil d'entreprise/approuvé qui garantit la conservation des données.
- Gardez la trace. Enregistrez quelles données vous avez fournies à quel outil et avec quelle protection.
Type de données
exemple
approche de conservation
données d'identité
Nom, ID TR
Masquer/anonymiser ; ne jamais donner cru
secret financier
Chiffre d'affaires, bénéfice, banque
Résumer/anonymiser ; véhicule d'entreprise
données relationnelles
partenaire, fournisseur
Généraliser; supprimer des détails uniques
publique
bilan déclaré
peut être traité normalement
Comment se déroule l’anonymisation en pratique ?
L'anonymisation rend l'identité impossible à distinguer tout en gardant les données utiles. Par exemple, vous ferez analyser une paie : vous mettez un numéro d'ordre à la place du nom et du TR ID, l'analyse de la répartition des salaires ne sera pas perturbée, mais personne ne pourra être identifié. Le point critique est le diagnostic indirect : des expressions telles que « la seule femme directrice générale » ou « la seule âgée de 92 ans dans une entreprise de 35 personnes » trahissent la personne même si l'on supprime le nom ; Ceux-ci sont également généralisés.
trois mini-cases
Cas 1 — Fuite de paie. Un stagiaire télécharge la paie de 3 500 personnes (nom, carte d'identité, salaire) sur un outil web gratuit et dit « résumer ». Les données risquent d'être mélangées dans le référentiel du véhicule ; Des violations de la confidentialité KVKK et VUK se produisent. Si le client le découvre, c'est fini. La bonne façon était d'utiliser un véhicule approuvé par l'entreprise ou de donner uniquement la répartition des salaires en masquant votre nom/TR ID.
Cas 2 — Diagnostic indirect. Un consultant remet au mannequin une liste dans laquelle il efface les noms, mais laisse la mention "le seul dirigeant étranger de l'entreprise". Cette déclaration trahit la personne ; L'anonymisation manque. Leçon : les détails uniques qui fournissent un diagnostic indirect doivent également être généralisés.
Cas 3 — Bonne manipulation. Avant d'alimenter le modèle en données sensibles, un bureau passe par une étape d'anonymisation standard : à l'aide d'un modèle, il convertit les noms, identifiants et noms de marque en codes, puis les fait analyser. La qualité de l’analyse ne diminue pas, aucune identité n’est divulguée. La confidentialité et l’efficacité sont protégées ensemble.
Invite faible/Invite forte
Invite faible :
Résumez la masse salariale suivante : [Ahmet Yılmaz, TC 123..., salaire 45 000 ; ...]
Les données personnelles brutes pénètrent dans le véhicule de manière incontrôlée ; C'est une violation directe.
Invite puissante :
Je vais vous donner un ensemble de données. AVANT le traitement, appliquez l'anonymisation suivante et montrez-moi également la version anonymisée : - Donnez aux personnes les noms K1, K2... - Supprimez complètement l'ID TR et les numéros de compte. - Rendre les noms d'entreprise/de marque T1, K2.... Généralisez les détails uniques qui pourraient indirectement identifier la personne. Travaillez ensuite uniquement sur la version anonyme.[DONNÉES (masquées autant que possible) : ...]
Remarque : Il est plus sûr de ne pas saisir du tout de données personnelles brutes ; Si vous entrez, vous devez être masqué et dans un véhicule sécuritaire.
Pour obtenir de l'aide sur la classification des données :
Classez chacun des champs suivants : s'agit-il de données personnelles, est-ce un secret financier, est-ce public ? Écrivez le niveau de protection recommandé pour chacun. Champs : [noms des champs, exemple RETURN]
Pour générer un modèle d'anonymisation :
Produire une liste de contrôle d'anonymisation standard que j'utiliserais dans une analyse de paie/balance générale : quels champs doivent être masqués, lesquels doivent être omis, que dois-je rechercher pour un diagnostic indirect ?
Pour l’évaluation de la sécurité des véhicules :
Quelles questions dois-je poser pour évaluer si un outil d’IA est adapté aux données sensibles des contribuables (conservation des données, utilisation dans l’éducation, contrat d’entreprise, localisation) ? Créez une liste de contrôle.
Erreurs courantes
- Saisie de données personnelles brutes. N'entrez jamais dans le véhicule sans vérification de votre nom/ID TR.
- Ignorer le diagnostic indirect. Le détail unique révèle l'identité même si le nom est supprimé.
- Je ne pose pas de questions sur la sécurité des véhicules. Les données sensibles ne sont pas fournies sans savoir comment l'outil stocke les données.
- Sans remettre en question la nécessité. Si la tâche peut être effectuée avec des données anonymes/résumées, les données brutes ne sont pas du tout fournies.
- Ne pas garder la trace. S’il n’est pas enregistré quelles données ont été fournies et où, la violation ne peut pas être retracée.
En résumé
Les données des contribuables sont protégées à deux niveaux par les obligations de confidentialité du KVKK et du VUK, et le nouveau risque le plus important à l'ère de l'intelligence artificielle est de coller des données sensibles à un outil non contrôlé. Avant que les données ne soient saisies dans le modèle, elles sont classées, leur nécessité est remise en question, les identifiants tels que le nom/TR ID sont masqués et les détails qui fournissent un diagnostic indirect sont généralisés ; Si possible, seul un outil d'entreprise sécurisé et garanti par la conservation des données est utilisé. Une atteinte à la vie privée est un préjudice irréversible ; Les données les plus sécurisées sont celles qui ne sont jamais saisies.
Tâche de candidature
Prenez un fichier sensible typique (par exemple, paie ou balance de vérification) en main. Classez d’abord leurs domaines (personnel/secret financier/public). Appliquez ensuite un modèle d'anonymisation : listez les zones que vous masquerez, celles que vous supprimerez et ce que vous rechercherez pour une identification indirecte. Enfin, évaluez l’adéquation en matière de sécurité de l’outil d’intelligence artificielle que vous utilisez/utiliserez à l’aide d’une liste de contrôle.
liste de contrôle
- [ ] J'ai classé les données comme personnelles/financières secrètes/publiques.
- [ ] Je me suis demandé s'il était vraiment nécessaire de fournir les données brutes.
- [ ] J'ai masqué/supprimé le nom, l'ID TR et les numéros de compte.
- [ ] J'ai généralisé des détails uniques qui fournissent un diagnostic indirect.
- [ ] Je n'ai utilisé que des outils sécurisés/d'entreprise avec des garanties de conservation des données.
- [ ] J'ai évalué la politique des données (stockage, formation) de l'outil.
- [ ] J'ai enregistré quelles données j'avais données et où comme trace.