નફો:
- KVKK સિદ્ધાંતો અનુસાર ઉમેદવાર અને કર્મચારી ડેટાનો ઉપયોગ કરવાની ક્ષમતા (હેતુ મર્યાદા, ડેટા ન્યૂનતમ)
- માસ્કિંગ/અનામીકરણ અને સલામત સાધન પસંદગી દ્વારા વ્યક્તિગત ડેટાને સુરક્ષિત કરવાની ક્ષમતા
- HR માં ડેટા પ્રોસેસિંગ માટે AI સાથે જાહેરાત, સંમતિ અને રીટેન્શન પ્રક્રિયાઓને સમર્થન આપવાની ક્ષમતા
ઉમેદવારના સીવી, પ્રદર્શન સ્કોર્સ, પગારની માહિતી, સંદર્ભ ટિપ્પણીઓ, તબીબી અહેવાલો, શિસ્તના રેકોર્ડ્સ... HR એ કંપનીમાં સૌથી સંવેદનશીલ વ્યક્તિગત ડેટાનો વાલી છે. આ ડેટા સાથે આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ટૂલ્સનો ઉપયોગ જબરદસ્ત કાર્યક્ષમતા પ્રદાન કરે છે; પરંતુ તે ગંભીર કાનૂની અને નૈતિક જવાબદારી પણ બનાવે છે. ઉમેદવાર પૂલના તમામ સીવીને આડેધડ ટૂલમાં પેસ્ટ કરવાથી મિનિટોમાં ડેટા ભંગ થઈ શકે છે. આ એકમમાં, અમે KVKK (પર્સનલ ડેટા પ્રોટેક્શન લો) અનુસાર HR માં AI નો ઉપયોગ કેવી રીતે સુસંગત, સલામત અને સંરક્ષણક્ષમ બનાવવો તે શીખીશું.
કેટલીક શરતો: વ્યક્તિગત ડેટા એ ઓળખાયેલ અથવા ઓળખી શકાય તેવી કુદરતી વ્યક્તિ (નામ, ID, ઈ-મેલ, એક અનન્ય CV ટેક્સ્ટ પણ) સંબંધિત કોઈપણ માહિતી છે. વિશેષ ગુણવત્તા (સંવેદનશીલ) ડેટા આરોગ્ય, ધર્મ, જાતીય જીવન, ગુનાહિત દોષારોપણ, યુનિયન સભ્યપદ જેવા વધારાના સુરક્ષિત ડેટા છે. ડેટા કંટ્રોલર એ સંસ્થા (તમારી કંપની) છે જે ડેટાની પ્રક્રિયા કરવાનો હેતુ નક્કી કરે છે. અનામીકરણ એટલે ડેટા બનાવવો જેથી કરીને તેને કોઈ પણ રીતે વ્યક્તિ સાથે પાછું લિંક ન કરી શકાય. માસ્કીંગ (સ્યુડોનમાઇઝેશન) એ ઓળખાણકર્તાઓને ઉપનામ સાથે બદલી રહ્યું છે (ઉમેદવાર 1, ઉમેદવાર 2); તે અનામીકરણ કરતાં નબળું છે પરંતુ મોટાભાગના વિશ્લેષણો માટે તે પૂરતું છે.
KVKK ના મૂળભૂત સિદ્ધાંતો અને HR માં તેની સમકક્ષ
KVKK ના સામાન્ય સિદ્ધાંતો તમારા AI ના ઉપયોગને પણ બાંધે છે. ટ્રાન્ઝેક્શન કાયદેસર બનવા માટે, તેણે આ સિદ્ધાંતોનું પાલન કરવું આવશ્યક છે:
સિદ્ધાંત
HR માં અર્થ
કાયદેસરતા અને પ્રમાણિકતા
પ્રક્રિયા માટે કાનૂની આધાર છે કે કેમ (કરાર, કાયદેસર રસ, સ્પષ્ટ સંમતિ)
હેતુની મર્યાદા
ફક્ત તે હેતુ માટે ડેટાનો ઉપયોગ કરો કે જેના માટે તે એકત્રિત કરવામાં આવ્યો હતો (માર્કેટિંગમાં ભરતી ડેટાનો ઉપયોગ કરશો નહીં)
ડેટા મિનિમાઇઝેશન
નોકરી માટે જરૂરી હોય તેટલો ડેટા; મોડેલને વધુ પડતું ન આપો
ચોકસાઈ
ખાતરી કરો કે ડેટા અપ-ટૂ-ડેટ અને સચોટ છે
સંગ્રહ મર્યાદા
અનિશ્ચિત સંગ્રહ; ડેટાનો નાશ કરો હવે જરૂર નથી
સુરક્ષા
યોગ્ય તકનીકી અને વહીવટી સુરક્ષા સાથે ડેટાની પ્રક્રિયા કરો
સાવધાન: કોર્પોરેટ ડેટા રીટેન્શનની કોઈ ગેરંટી વિના ઉમેદવાર પૂલના તમામ CV ને સામાન્ય AI ટૂલમાં પેસ્ટ કરવું KVKK માટે ગંભીર જોખમ છે. તે ડેટા મોડેલના પ્રદાતા સાથે સંગ્રહિત કરી શકાય છે અને કેટલીક સેવાની પરિસ્થિતિઓમાં તાલીમમાં પણ ઉપયોગ કરી શકાય છે. વ્યક્તિગત ડેટા સાથે કામ કરતી વખતે કોર્પોરેટ/મંજૂર સાધનો, ડેટા પ્રોસેસિંગ એગ્રીમેન્ટ્સ (DPA) અને શક્ય હોય ત્યાં અનામીકરણ/માસ્કિંગ આવશ્યક છે.
સલામત ઉપયોગ માટે પગલાં
- સાધન પસંદ કરો. એવા સાધનો પસંદ કરો કે જે કોર્પોરેટ હોય, ડેટા પ્રોસેસિંગ એગ્રીમેન્ટ હોય અને "શિક્ષણમાં મારા ડેટાનો ઉપયોગ" કરવાનો વિકલ્પ આપે.
- ડેટા ન્યૂનતમ કરો. વિશ્લેષણ માટે જરૂરી ન્યૂનતમ ડેટા પ્રદાન કરો; વધારાનું દૂર કરો.
- માસ્ક/અનામી. નામ, ID, સંપર્ક, સંપૂર્ણ જન્મ તારીખ ઉપનામ મૂલ્ય અથવા શ્રેણી સાથે બદલો.
- હેતુ મર્યાદિત કરો. માત્ર તે હેતુ માટે પ્રક્રિયા ડેટા કે જેના માટે તે એકત્રિત કરવામાં આવ્યો હતો.
- પગેરું રાખો. રેકોર્ડ કરો કે કયા ડેટા પર પ્રક્રિયા કરવામાં આવી હતી, કયા હેતુ માટે અને કયા સાધન સાથે.
- માનવ મંજૂરી મૂકો. વ્યક્તિને તે નિર્ણય લેવા દો જે વ્યક્તિ પર અસર કરે છે.
નીચે આપેલા સીવીનું મૂલ્યાંકન કરતા પહેલા વ્યક્તિગત ડેટાને માસ્ક કરો:- નામને બદલે "ઉમેદવાર" બનાવો, સંપર્ક માહિતી બનાવો [ફેરફાર કરો]- જન્મ તારીખને બદલે વય શ્રેણી (દા.ત. 30-35) નો ઉપયોગ કરો- જો શાળા/કંપનીના નામથી ભેદભાવ થઈ શકે તો સામાન્ય બનાવો અને પછી માત્ર જોબ-સંબંધિત માપદંડો અનુસાર સંરચિત સારાંશ બનાવો.
અનામીકરણ અને માસ્કિંગ પ્રેક્ટિસ
મોટાભાગના એચઆર વિશ્લેષણ વ્યક્તિની ઓળખ કર્યા વિના કરી શકાય છે. વિશ્લેષણ તર્ક બદલાતો નથી, વ્યક્તિગત ડેટા જાહેર કરવામાં આવતો નથી:
નબળા (જોખમી): વાસ્તવિક નામ, ID, એકમ અને સંપૂર્ણ પગાર સાથે ડેટા પેસ્ટ કરવો. મજબૂત (સલામત): લોકોને "વ્યક્તિ 1/2/3" તરીકે કોડ કરો, જન્મ તારીખને બદલે વય શ્રેણીનો ઉપયોગ કરો, સંપૂર્ણ પગારને બદલે બેન્ડ (દા.ત. 40-50k) નો ઉપયોગ કરો. સ્થાનને બદલે પ્રદેશ, ચોક્કસ તારીખને બદલે મહિનો/વર્ષનો ઉપયોગ કરો.
AI KVKK દસ્તાવેજોના મુસદ્દામાં પણ મદદ કરે છે, જેમ કે સ્પષ્ટતા ટેક્સ્ટ અને રીટેન્શન પિરિયડ — પણ ફરીથી, માત્ર ડ્રાફ્ટ:
તમારી ભૂમિકા: ડેટા ગોપનીયતા સહાયક. કાર્ય: ભરતી પ્રક્રિયા માટે ઉમેદવાર માહિતી ટેક્સ્ટનો ડ્રાફ્ટ લખો. સામગ્રી: કયા ડેટા પર પ્રક્રિયા કરવામાં આવશે, કયા હેતુ માટે, કયા કાયદાકીય ધોરણે, તે કેટલો સમય સંગ્રહિત કરવામાં આવશે, ઉમેદવારના અધિકારો શું છે. નિયમ: કાનૂની નિવેદનોને [KVKK EXPERT ની ખાતરી કરો] ટૅગ સાથે ચિહ્નિત કરો; ચોક્કસ સમયગાળા/વસ્તુ નકલી નથી. આ ડ્રાફ્ટ છે, અંતિમ ટેક્સ્ટ નથી.
ત્રણ મિની કેસ
કેસ 1 - સંકુચિત રીતે ઉલ્લંઘન ટાળ્યું. એક ભરતી કરનાર તેના અંગત વાહન ખાતામાં એક સાથે 60 સીવી પેસ્ટ કરવાનો હતો. ટીમના નેતાએ દરમિયાનગીરી કરી; પ્રક્રિયાને કોર્પોરેટ, DPA-સક્ષમ સાધનમાં ખસેડવામાં આવી હતી અને CVs માસ્ક કરવામાં આવ્યા હતા અને પ્રક્રિયા કરવામાં આવી હતી. આમ, બંને કાર્યક્ષમતા જાળવવામાં આવી હતી અને સંભવિત ઉલ્લંઘન અને વહીવટી દંડનું જોખમ દૂર કરવામાં આવ્યું હતું.
કેસ 2 - હેતુ મર્યાદાનું ઉલ્લંઘન. ત્યારબાદ એક કંપનીએ માર્કેટિંગ ઝુંબેશમાં ભરતી માટે એકત્રિત ઉમેદવારોના ઈમેઈલનો ઉપયોગ કર્યો. આ "હેતુની મર્યાદા" ના સિદ્ધાંતનું ઉલ્લંઘન હતું અને તે ફરિયાદનો વિષય હતો. આ ઘટના પછી, HR એ દરેક ડેટાસેટના હેતુ અને દુરુપયોગને રોકવા માટે લેબલ કરતો નિયમ લાગુ કર્યો.
કેસ 3 - સ્ટોરેજ મર્યાદા. એક સંસ્થાએ એવા ઉમેદવારોના સીવી રાખ્યા હતા જેમને વર્ષોથી નોકરી પર રાખવામાં આવ્યા ન હતા. AI-સંચાલિત ઇન્વેન્ટરી સાથે મેળ ખાતો ડેટા, હેતુ અને રીટેન્શન અવધિ; વિનાશ યોજનામાં સમાપ્ત થયેલ ડેટાનો સમાવેશ કરવામાં આવ્યો હતો. આમ, બંને કાનૂની સંગ્રહ મર્યાદાનું પાલન કરવામાં આવ્યું હતું અને બિનજરૂરી જોખમ ઘટાડવામાં આવ્યું હતું.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ: આ ઉમેદવારોની માહિતીનું મૂલ્યાંકન કરો. [વાસ્તવિક નામ, ટર્કિશ ID, પગાર, સંપૂર્ણ CV]
પરિણામ: સંવેદનશીલ વ્યક્તિગત ડેટા અસુરક્ષિત રીતે પ્રક્રિયા કરવામાં આવે છે; KVKK ઉલ્લંઘન અને ડેટા લીક થવાનું જોખમ.
શક્તિશાળી પ્રોમ્પ્ટ: [માસ્ક્ડ ડેટા (ઉમેદવાર 1/2, વય શ્રેણી, પગાર બેન્ડ) + ઉદ્દેશ્ય મર્યાદા + "માત્ર જોબ-સંબંધિત માપદંડ" + કોર્પોરેટ/મંજૂર સાધન + માનવ મંજૂરી રેટિંગ]
પરિણામ: વ્યક્તિગત ડેટા જાહેર કર્યા વિના સમાન વિશ્લેષણાત્મક શક્તિ; એક રક્ષણાત્મક અને કાનૂની પ્રક્રિયા.
ટીપ: AI ને ડેટા આપતા પહેલા, આનું પરીક્ષણ કરો: "જો આ સ્ક્રીનશોટ લીક થઈ જાય તો શું કોઈની ગોપનીયતાને નુકસાન થશે?" જો જવાબ "હા" હોય, તો કાં તો તે ડેટાને માસ્ક કરો અથવા તેને બિલકુલ પ્રદાન કરશો નહીં. જો શંકા હોય, તો ડેટા ઘટાડવાનું નક્કી કરો.
સામાન્ય ભૂલો
- અસુરક્ષિત સાધનને કાચો વ્યક્તિગત ડેટા આપવો. DPA વિના તાલીમમાં ઉપયોગમાં લેવાતા વાહનો જોખમી છે.
- માસ્કિંગ છોડવું. મોટા ભાગના વિશ્લેષણોમાં નામ/TC/સંપૂર્ણ તારીખ બિનજરૂરી છે; તેને દૂર કરો.
- દુરુપયોગ. માર્કેટિંગ જેવા અન્ય કોઈ હેતુ માટે ભરતી ડેટાનો ઉપયોગ કરશો નહીં.
- અનિશ્ચિત સંગ્રહ. ડેટા મૂકો જેનો હેતુ હવે વિનાશ યોજના પર નથી.
- સંવેદનશીલ ડેટાને ઓછો અંદાજ. આરોગ્ય/દંડ/ધર્મ ડેટા વધારાના સુરક્ષિત છે; AI માં સામેલ થવાનું ટાળો.
- કોઈ નિશાન છોડો. જો તમે રેકોર્ડ ન કરો કે તમે કયા ડેટા સાથે શું કરો છો, તો તમારું ઑડિટ થઈ શકશે નહીં.
સારાંશમાં
- HR (CV, કામગીરી, પગાર, આરોગ્ય) માં વ્યક્તિગત ડેટા KVKK ના કાર્યક્ષેત્રમાં છે; AI નો ઉપયોગ પણ આ સિદ્ધાંતોને આધીન છે.
- DPA ધરાવતા કોર્પોરેટ/મંજૂર સાધનો પસંદ કરો અને તાલીમમાં તમારા ડેટાનો ઉપયોગ કરતા નથી; સામાન્ય સાધનોમાં કાચો ડેટા પેસ્ટ કરશો નહીં.
- હેતુ મર્યાદા અને ડેટા ન્યૂનાઇઝેશન: જે હેતુ માટે તે એકત્રિત કરવામાં આવ્યો હતો તેના માટે માત્ર જરૂરી ડેટાની પ્રક્રિયા કરો.
- માસ્કિંગ અને અનામીકરણ મોટાભાગના વિશ્લેષણોને સુરક્ષિત બનાવે છે; નામ/TC/સંપૂર્ણ તારીખને બદલે ઉપનામ અને શ્રેણીનો ઉપયોગ કરો.
- AI જાહેરાત, સંમતિ અને રીટેન્શન દસ્તાવેજોમાં ડ્રાફ્ટ બનાવે છે; KVKK નિષ્ણાત દ્વારા કાનૂની વિગતો ચકાસવામાં આવે છે અને વ્યક્તિ પર અસર કરે છે તે નિર્ણય વ્યક્તિ પર છોડી દો.
એપ્લિકેશન કાર્ય
તમારી પાસેનો CV અથવા કર્મચારીનો રેકોર્ડ લો (અથવા કાલ્પનિક). પ્રથમ તેમાં વ્યક્તિગત ડેટા ફીલ્ડ્સની સૂચિ બનાવો અને પૂછો કે "શું આ વિશ્લેષણ માટે જરૂરી છે?" દરેક માટે. પ્રશ્નનો જવાબ આપો. બિનજરૂરી દૂર કરીને અને જરૂરી (ઉમેદવાર, વય શ્રેણી, પગાર બેન્ડ) માસ્ક કરીને સુરક્ષિત સંસ્કરણ બનાવો. AI ને ફક્ત આ માસ્ક કરેલા ડેટા સાથે જોબ-સંબંધિત સારાંશ તૈયાર કરવા દો. સંક્ષિપ્ત ઉમેદવાર પ્રોસ્પેક્ટસનો મુસદ્દો પણ તૈયાર કરો અને કાનૂની નિવેદનોને "ચકાસવા માટે" તરીકે ચિહ્નિત કરો.
ચેકલિસ્ટ
- [ ] શું સાધનનો ઉપયોગ કોર્પોરેટ/મંજૂર અને DPA-પ્રમાણિત છે?
- [ ] શું ડેટા ઓછો કરવામાં આવ્યો છે (ફક્ત જરૂરી ફીલ્ડ્સ)?
- [ ] શું ઓળખકર્તાઓ જેમ કે નામ/ID/સંપૂર્ણ તારીખ માસ્ક કરેલ છે?
- [ ] શું વિશેષ ગુણવત્તા (આરોગ્ય, ગુનાહિત, ધાર્મિક) ડેટા પ્રક્રિયામાંથી બાકાત છે?
- [ ] શું ડેટાનો ઉપયોગ ફક્ત તે હેતુ માટે જ થાય છે જેના માટે તે એકત્રિત કરવામાં આવ્યો હતો?
- સંગ્રહ સમયગાળો અને વિનાશ યોજના નક્કી કરવામાં આવી છે?
- [ ] શું અંતિમ નિર્ણય વ્યક્તિમાં વ્યક્તિ પર અસર કરે છે?