KVKK, પ્રાઈવસી એન્ડ રિસ્પોન્સિબલ પબ્લિક આર્ટિફિશિયલ ઈન્ટેલિજન્સ ગવર્નન્સ

નફો:

• AI ટૂલ્સમાં નાગરિકોના વ્યક્તિગત ડેટાની પ્રક્રિયા કરતી વખતે તે KVKK સિદ્ધાંતો અને ડેટા મિનિમાઇઝેશન લાગુ કરે છે.
• તે સંસ્થા માટે એક ગવર્નન્સ ફ્રેમવર્ક સ્થાપિત કરે છે જેમાં AI વપરાશ નીતિ, ઓડિટ ટ્રેલ અને જવાબદારીની સાંકળનો સમાવેશ થાય છે.
• તે સર્વગ્રાહી રીતે દલીલ કરે છે કે જવાબદાર જાહેર AI માનવ દેખરેખ, પારદર્શિતા અને જવાબદારી પર આધારિત છે.

આ સમગ્ર મોડ્યુલ દરમિયાન, અમે જોયું કે કેવી રીતે AI જાહેરમાં એક શક્તિશાળી પ્રવેગક છે: નાગરિકોના પ્રશ્નોના પ્રતિભાવ, અરજીઓ અને પત્રવ્યવહાર, કાયદાકીય સંશોધન, નીતિ વિશ્લેષણ, રિપોર્ટિંગ, ડેટા આધારિત નિર્ણયો, ઈ-સરકાર અને પારદર્શિતા. હવે અમે ફ્રેમવર્ક પર આવીએ છીએ જે આ બધું એકસાથે ધરાવે છે: વ્યક્તિગત ડેટા સંરક્ષણ અને જવાબદાર શાસન. સાર્વજનિક, તેના સ્વભાવ દ્વારા, નાગરિકના સૌથી સંવેદનશીલ ડેટા પર પ્રક્રિયા કરે છે: ઓળખ, સરનામું, આવક, આરોગ્ય, ગુનાહિત રેકોર્ડ, કૌટુંબિક પરિસ્થિતિ. AI ટૂલ્સ સાથે આ ડેટાની પ્રક્રિયા કરવા માટે KVKK (પર્સનલ ડેટા પ્રોટેક્શન લૉ નં. 6698; વ્યક્તિગત ડેટાની કાયદેસર, મર્યાદિત અને સુરક્ષિત પ્રક્રિયાને નિયંત્રિત કરતો કાયદો) ના માળખાનું સંપૂર્ણપણે પાલન કરવું આવશ્યક છે. આ અંતિમ એકમમાં, અમે સાર્વજનિક AI ઉપયોગની ગોપનીયતા અને ગવર્નન્સ બેકબોન સ્થાપિત કરીશું — કયા ટૂલને કયો ડેટા આપી શકાય, કઈ નીતિઓ લાગુ થાય છે, કોણ જવાબદાર છે, સંસ્થા કેવી રીતે AI ને સુરક્ષિત રીતે મેનેજ કરે છે. આ એકમ અગાઉના દસ એકમો પર મૂકવામાં આવેલ છત છે.

જાહેર AI ને સ્પર્શતા KVKK ના મૂળભૂત સિદ્ધાંતો

KVKK ઘણા મૂળભૂત સિદ્ધાંતો નક્કી કરે છે, જેમાંથી પ્રત્યેક એઆઈના ઉપયોગને સીધો સીમિત કરે છે:

• કાયદાનું પાલન અને ઉદ્દેશ્યનું પાલન: વ્યક્તિગત ડેટાની પ્રક્રિયા ચોક્કસ, કાયદેસરના હેતુ માટે જ કરવામાં આવે છે. એક હેતુ (ઉદાહરણ તરીકે, મદદ માટે અરજી કરવી) માટે એકત્રિત કરવામાં આવેલ ડેટાનો ઉપયોગ પરવાનગી વિના બીજા હેતુ માટે (ઉદાહરણ તરીકે, મોડેલને તાલીમ આપવો) માટે કરી શકાતો નથી.
• ડેટા મિનિમાઇઝેશન: હેતુ માટે જરૂરી કરતાં વધુ ડેટા પર પ્રક્રિયા કરવામાં આવતી નથી. જો કેટેગરી પૃથ્થકરણ માટે નામ જરૂરી નથી, તો કોઈ નામ આપવામાં આવતું નથી.
• સુરક્ષા: ડેટા અનધિકૃત ઍક્સેસ સામે સુરક્ષિત છે. નાગરિક ડેટાને સાર્વજનિક AI ટૂલમાં પેસ્ટ કરવાથી તે ડેટા સંસ્થાની બહાર લેવામાં આવે છે - તે સુરક્ષા નીતિનું ઉલ્લંઘન છે.
• સંગ્રહ અવધિ: જ્યારે હેતુ સમાપ્ત થાય ત્યારે ડેટા કાઢી નાખવામાં આવે છે; તે અનિશ્ચિત સમય માટે રાખવામાં આવતું નથી.
• માહિતી અને અધિકારો: નાગરિકોને તેમના ડેટાની પ્રક્રિયા કેવી રીતે કરવામાં આવે છે તે જાણવાનો, તેને સુધારવાનો, કાઢી નાખવાનો અને સ્વચાલિત નિર્ણયોનો વિરોધ કરવાનો અધિકાર છે.

ધ્યાન આપો: સાર્વજનિક AI ટૂલ પર નાગરિકનો ડેટા અપલોડ કરવો કે જેને સંસ્થાએ મંજૂરી આપી નથી, ડેટા ક્યાં સંગ્રહિત છે અને તેની ઍક્સેસ કોની પાસે છે તે અસ્પષ્ટ છે, તે મોટાભાગના કિસ્સાઓમાં KVKK નું ઉલ્લંઘન છે અને સંસ્થાને પ્રતિબંધો માટે ખોલે છે. નિયમો ક્યારેય "કામ સરળ બનાવવા માટે" વળેલા નથી.

કયો ડેટા, કયા વાહનને? ત્રણ-ઝોન મોડેલ

અંગૂઠાના નિયમ તરીકે, ડેટાને ત્રણ પ્રદેશોમાં વિભાજીત કરો:

1. લાલ (ક્યારેય જાહેર વાહનમાં પ્રવેશતું નથી): ID નંબર, આરોગ્ય, ગુનેગાર, ધર્મ, વંશીયતા, બાયોમેટ્રિક્સ, સંપૂર્ણ સરનામું, વ્યક્તિની ઓળખ કરતી કોઈપણ વસ્તુ. આની પ્રક્રિયા સંસ્થા દ્વારા મંજૂર કરાયેલ કરાર/ઇન-હાઉસ અને KVKK સુસંગત વાતાવરણમાં જ કરવામાં આવે છે.
2. પીળો (કાળજીપૂર્વક, માસ્ક કરીને): ડેટા કે જે પરોક્ષ રીતે વ્યક્તિ સાથે લિંક કરી શકાય છે. પહેલા અનામી/એગ્રિગેટ કરો, પછી પ્રક્રિયા કરો.
3. લીલો (મફત): નૈતિક, જાહેર, સામાન્ય માહિતી (લેજીસ્લેટિવ ટેક્સ્ટ, જાહેર આંકડા, સામાન્ય પ્રક્રિયા). તમે આને AI વડે સરળતાથી પ્રોસેસ કરી શકો છો.

ટીપ: AI ને ટેક્સ્ટ આપતા પહેલા, 5-સેકન્ડનું પરીક્ષણ કરો: "શું આ સામગ્રીમાં એવું કંઈ છે જે વ્યક્તિને ઓળખી શકે?" જો જવાબ "હા/કદાચ" હોય, તો માસ્ક અપ કરો અથવા માન્ય વાહન ચલાવો. જો શંકા હોય તો, લાલને ધ્યાનમાં લો.

કોર્પોરેટ ગવર્નન્સ: વ્યક્તિથી સિસ્ટમ સુધી

જવાબદાર જાહેર AI વ્યક્તિગત નાગરિક કર્મચારીઓની સારી ઇચ્છા પર છોડી શકાય નહીં; સંસ્થાકીય માળખું આવશ્યક છે:

• નીતિ: સંસ્થા પાસે AI વપરાશ નીતિ હોવી આવશ્યક છે: કયા સાધનો મંજૂર છે, કયો ડેટા દાખલ કરી શકાય છે, કોણ જવાબદાર છે.
• મંજૂર સાધન સૂચિ: કર્મચારીઓએ એવા સાધનોનો ઉપયોગ કરવો જોઈએ કે જેનું મૂલ્યાંકન અને મંજૂર સંસ્થાએ કર્યું હોય, રેન્ડમ રીતે નહીં.
• તાલીમ: સ્ટાફને ચકાસણી શિસ્ત અને ડેટા ક્ષેત્રો (જેમ કે આ મોડ્યુલ) જાણતા હોવા જોઈએ.
• રેકોર્ડિંગ અને ઓડિટ: AI સાથે ઉત્પાદિત નિર્ણયોનું ઓડિટ ટ્રેલ રાખવું જોઈએ.
• જવાબદારી: દરેક AI-સંચાલિત આઉટપુટમાં માનવ માલિક અને મંજૂરી હોવી આવશ્યક છે. જવાબદારી સંસ્થા અને અધિકારીની છે, વાહનની નહીં.
• માનવ-કેન્દ્રિત સિદ્ધાંત: માનવ સંમતિ વિના કોઈ અંતિમ અધિકાર-નિર્માણ/પ્રતિબંધિત નિર્ણય લેવામાં આવતો નથી.

ત્રણ નાના કેસો

કેસ 1 — રેડ ડેટા લીક અટકાવવામાં આવ્યો. એક સ્ટાફ મેમ્બર 1,200 લોકો માટે સ્વાસ્થ્ય લાભોની સૂચિનો સારાંશ જાહેર સાધન પર અપલોડ કરવાનો હતો. એજન્સીની માન્ય વાહન નીતિ અને "રેડ ડેટા" તાલીમ બદલ આભાર, તે બંધ થઈ ગયું; ડેટાની પ્રક્રિયા ઇન-હાઉસ મંજૂર વાતાવરણમાં કરવામાં આવી હતી અને ઓળખ ફીલ્ડ્સ માસ્ક કર્યા હતા. સંભવિત KVKK ઉલ્લંઘન અને હજારો લોકો માટે વિશ્વાસ ગુમાવવાનું અટકાવવામાં આવ્યું હતું.

કેસ 2 - દુરુપયોગ. એક એકમ ચૂંટણી પહેલાની સંચાર યોજના માટે આઉટરીચ માટે એકત્રિત કરવામાં આવેલ ડેટાનો ઉપયોગ કરવા માંગતો હતો. ડેટા પ્રોટેક્શન ઓફિસરે ઉદ્દેશ્યના પાલનના સિદ્ધાંતને યાદ કર્યો: આ તે હેતુની બહારના ડેટાનો ઉપયોગ હતો જેના માટે તે એકત્રિત કરવામાં આવ્યો હતો અને તે ગેરકાયદેસર હતો. વિનંતી નકારી હતી.

કેસ 3 - ગવર્નન્સ ગેપ બંધ. એક મ્યુનિસિપાલિટીમાં, વિવિધ એકમો નિયંત્રણ વિના વિવિધ AI સાધનોનો ઉપયોગ કરી રહ્યા હતા; કયો ડેટા ક્યાં ગયો તેની કોઈને ખબર નહોતી. એજન્સીએ AI ઉપયોગ નીતિ, માન્ય વાહન સૂચિ અને ઓડિટ ટ્રેઇલ રજૂ કરી; 3 મહિનાની અંદર, અનરજિસ્ટર્ડ વાહનનો ઉપયોગ 90% ઘટ્યો અને ડેટા ઇન્વેન્ટરી બનાવવામાં આવી.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) ડેટા પ્રદેશ વર્ગીકરણ (વાહન પર નિકાસ કરતા પહેલા):

તમારી ભૂમિકા: ડેટા સુરક્ષા સલાહકાર. AI એજન્ટને આપતા પહેલા નીચેની સામગ્રીનું વર્ગીકરણ કરો: લાલ (વ્યક્તિને ઓળખે છે, જાહેર વાહનમાં ક્યારેય પ્રવેશતું નથી), પીળો (પરોક્ષ રીતે કનેક્ટ કરી શકાય તેવું, માસ્ક), લીલું (બિન-વ્યક્તિગત, મફત). લાલ/પીળા વિસ્તારોને એક પછી એક ચિહ્નિત કરો અને તેમને કેવી રીતે માસ્ક કરવું તે જણાવો. શંકાસ્પદને લાલ તરીકે ગણો. સામગ્રી: [ટેક્સ્ટ]

2) માસ્કીંગ/અનામીકરણ:

નીચેના ટેક્સ્ટ પર પ્રક્રિયા કરતા પહેલા તમામ વ્યક્તિગત ડેટાને અનામી કરો: નામ -> [વ્યક્તિ-1], ID નંબર -> [આઇડેન્ટીટી], સરનામું ->[સરનામું], આરોગ્ય/દંડ -> [સંવેદનશીલ]. સમાન વ્યક્તિને ટેગ કરો. અનામી ટેક્સ્ટને અલગથી નિકાસ કરો. આઉટપુટ પર વાસ્તવિક ડેટા ક્યારેય લખશો નહીં. ટેક્સ્ટ: [ટેક્સ્ટ]

3) KVKK અનુપાલન ચેકલિસ્ટ (એઆઈના ઉપયોગ માટે):

તમારી ભૂમિકા: KVKK પાલન નિષ્ણાત. નીચેના AI ઉપયોગ માટે અનુપાલન ચેકલિસ્ટ તૈયાર કરો: (1) કાયદેસર અને વિશિષ્ટ પ્રક્રિયા કરવાનો હેતુ છે, (2) શું તે હેતુ સાથે જોડાયેલ છે (શું તે અન્ય હેતુ તરફ સ્થળાંતરિત થઈ રહ્યું છે), (3) શું તે ઑપ્ટિમાઇઝ છે, (4) સાધન સુરક્ષિત/મંજૂર છે, (5) જાળવી રાખવાનો સમયગાળો નિશ્ચિત છે, (6) નાગરિક અધિકારો (વિરોધ, રક્ષણ) છે. ખૂટતી વસ્તુઓને લાલ ધ્વજ વડે ચિહ્નિત કરો. ઉપયોગ: [રેસીપી]

4) કોર્પોરેટ AI નીતિ માળખું:

તમારી ભૂમિકા: જાહેર IT ગવર્નન્સ નિષ્ણાત. અમારી સંસ્થા માટે AI વપરાશ નીતિ માળખું તૈયાર કરો: અવકાશ, માન્ય સાધનો, ડેટા ઝોન (લાલ/પીળો/લીલો), પ્રતિબંધિત ઉપયોગો, માનવ મંજૂરી બિંદુઓ, ઑડિટ ટ્રેઇલ, જવાબદારીઓ, તાલીમ અને ઉલ્લંઘન સૂચના. દરેક મથાળામાં 1-2 વાક્યો ભરો. સંસ્થા: [એકમ અને લાક્ષણિક નોકરીઓ]

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા: "સંદર્ભોની આ સૂચિનો સારાંશ આપો."

સશક્ત: "તમારી ભૂમિકા ડેટા પ્રોટેક્શન કન્સલ્ટન્ટની છે. પ્રથમ, આ સૂચિને ડેટા પ્રદેશ (લાલ/પીળો/લીલો) દ્વારા વર્ગીકૃત કરો અને વ્યક્તિને ઓળખતા તમામ ફીલ્ડ્સને ચિહ્નિત કરો. લાલ/પીળા ફીલ્ડ્સને [PERSON]/[IDENTITY]/[સંવેદનશીલ] વડે માસ્ક કરો, સમાન લેબલ સાથે સમાન વ્યક્તિને રાખો. ફક્ત અનામી સાથે શ્રેણી સારાંશ બનાવો, વાસ્તવિક ડેટા લખવા માટે, વાસ્તવિક ડેટાને અંતે લખો નહીં. નોંધ કરો કે KVKK (હેતુ, સંગ્રહ, વાહન સુરક્ષા) ઉમેરવાની દ્રષ્ટિએ આ પ્રક્રિયાને ક્યાં ધ્યાન આપવાની જરૂર છે."

તફાવત: શક્તિશાળી પ્રોમ્પ્ટ ડેટાની પ્રક્રિયા કરતા પહેલા KVKK સિદ્ધાંતોને વર્ગીકૃત કરે છે, માસ્ક કરે છે, ઘટાડે છે અને એકીકૃત કરે છે.

ડેટા પ્રદેશો અને નિયમ

પ્રદેશ

ઉદાહરણ

નિયમ

લાલ

TR ID નંબર, આરોગ્ય, દંડ, સંપૂર્ણ સરનામું

જાહેર વાહનમાં ક્યારેય પ્રવેશશો નહીં; માન્ય વાતાવરણ

પીળો

ઉંમર+પડોશી+વ્યવસાય, પરોક્ષ ઓળખકર્તા

માસ્ક/એગ્રીગેટ, પછી પ્રક્રિયા કરો

લીલો

કાયદો, જાહેર આંકડા, સામાન્ય પ્રક્રિયા

ફ્રીલાન્સ કામ

સામાન્ય ભૂલો

• સાર્વજનિક ટૂલમાં રેડ ડેટા નિકાસ કરી રહ્યું છે. સૌથી ગંભીર ઉલ્લંઘન; ID/આરોગ્ય/દંડનો ડેટા માન્ય વાતાવરણ છોડતો નથી.
• દુરુપયોગ. એક હેતુ માટે એકત્ર કરવામાં આવેલ ડેટાનો ઉપયોગ પરવાનગી વિના બીજા હેતુ (મોડલ તાલીમ, સંદેશાવ્યવહાર) માટે કરવો તે કાયદાની વિરુદ્ધ છે.
• ખૂબ વધારે ડેટા પર પ્રક્રિયા કરી રહ્યું છે. હેતુ માટે બિનજરૂરી ક્ષેત્રો (નામ, સરનામું) ખસેડશો નહીં; નાનું કરો.
• મંજૂરી વગર ડ્રાઇવિંગ. સંસ્થાએ મૂલ્યાંકન કર્યું નથી તેવા વાહનોમાં ડેટા ક્યાં જાય છે તે સ્પષ્ટ નથી.
• રીટેન્શન પીરિયડ નક્કી નથી. જ્યારે હેતુ પૂર્ણ થાય ત્યારે ડેટા કાઢી નાખવો જોઈએ; અનિશ્ચિત સમય માટે ન રાખવો જોઈએ.
• વાહન પર જવાબદારી નાખવી. આઉટપુટ માનવીની માલિકીની અને મંજૂર છે; "AI એ કર્યું" એ કોઈ સંરક્ષણ નથી.

સારાંશમાં

જવાબદાર જાહેર AI માટેનું માળખું વ્યક્તિગત ડેટા સુરક્ષા અને કોર્પોરેટ ગવર્નન્સ છે. KVKK સિદ્ધાંતો - હેતુપૂર્ણતા, લઘુત્તમકરણ, સુરક્ષા, જાળવણી મર્યાદા, નાગરિકોના અધિકારો - AI ના કોઈપણ ઉપયોગને મર્યાદિત કરે છે. લાલ/પીળા/ગ્રીન ઝોનમાં ડેટાને અલગ કરો, સાર્વજનિક ટૂલને ક્યારેય લાલ ન આપો, વ્યક્તિગત ડેટાને માસ્ક કરો, ફક્ત માન્ય સાધનોનો ઉપયોગ કરો અને દરેક નિર્ણય સાથે માનવ માલિકને જોડો. સંસ્થાકીય સ્તરની નીતિ, માન્ય વાહન સૂચિ, તાલીમ અને નિરીક્ષણ રેકોર્ડ; વ્યક્તિ સ્તરે ચકાસણીની શિસ્ત. આમ, AI નાગરિકોના અધિકારોનું રક્ષણ કરીને જનતાની સેવા કરે છે.

એપ્લિકેશન કાર્ય

તમે તમારા યુનિટમાં કરેલ વાસ્તવિક AI ઉપયોગ પસંદ કરો (અથવા બનાવવાનું વિચારી રહ્યા છો). "ડેટા પ્રદેશ વર્ગીકરણ" ટેમ્પલેટ વડે તમે લાલ/પીળા/લીલા રંગમાં પ્રક્રિયા કરશો તે સામગ્રીને અલગ કરો. "KVKK અનુપાલન ચેકલિસ્ટ" ટેમ્પલેટ લાગુ કરો અને ઓછામાં ઓછું એક ખૂટતું/જોખમી બિંદુ શોધો. છેલ્લે, "કોર્પોરેટ AI પોલિસી સ્કેલેટન" સાથે તમારા એકમ માટે યોગ્ય ટૂંકી નીતિનો મુસદ્દો તૈયાર કરો.

ચેકલિસ્ટ

• [ ] મેં સામગ્રીને લાલ/પીળા/ગ્રીન ઝોનમાં વિભાજિત કરી છે; મેં શંકાસ્પદને લાલ ગણ્યો.
• [ ] મેં સાર્વજનિક સાધનને લાલ ડેટા પ્રદાન કર્યો નથી; મેં માન્ય મીડિયાનો ઉપયોગ કર્યો.
• [ ] મેં વ્યક્તિગત ડેટાને ઢાંકી દીધો છે અને બિનજરૂરી ફીલ્ડ (ન્યૂનાઇઝેશન) દૂર કર્યા છે.
• [ ] મેં પ્રોસેસિંગનો હેતુ, સંગ્રહનો સમયગાળો અને વાહનની સુરક્ષા તપાસી છે.
• [ ] મેં નાગરિકોના વાંધા/કાઢી નાખવાના અધિકારોનું અવલોકન કર્યું છે.
• [ ] મેં દરેક આઉટપુટ માટે માનવ માલિક અને મંજૂરીને જોડ્યું છે; મેં ઓડિટ ટ્રેલ રાખ્યું.

મોડ્યુલ પરીક્ષા

1. એક સાર્વજનિક અધિકારી તરીકે, AI ને નોકરી સોંપતા પહેલા તમારે કયો શ્રેષ્ઠ પ્રાથમિકતા પ્રશ્ન પૂછવો જોઈએ?

• A) જો આ આઉટપુટ ખોટું હોય તો નાગરિક શું ગુમાવે છે? ✔
• B) AI આ કામ કેટલી ઝડપથી કરી શકે છે?
• C) શું આ AI ટૂલ ફ્રી છે?
• ડી) શું અન્ય એકમ પણ આ આઉટપુટનો ઉપયોગ કરશે?

સમજૂતી: જો આઉટપુટ ખોટું હોય તો નાગરિકને જે નુકસાન થશે તેના આધારે ટ્રાન્સફર કરવાનો નિર્ણય લેવામાં આવે છે. જો તે ફરીથી લખવાની થોડી મિનિટો હોય તો નુકસાન સરળતાથી સ્થાનાંતરિત થાય છે; જો તે અયોગ્ય અસ્વીકાર, ખોટો દંડ અથવા અધિકારોની ખોટ હોય, તો AI માત્ર ડ્રાફ્ટ બનાવે છે, નિર્ણય અને ચકાસણી અધિકારીની છે.

2. જ્યારે AI અવિદ્યમાન કાયદો અથવા બનાવટી કોર્ટના નિર્ણયને વાસ્તવિક તરીકે રજૂ કરે ત્યારે તેને શું કહેવામાં આવે છે?

• એ) કેશીંગ
• બી) ટ્રાયજ
• સી) અનામીકરણ
• ડી) આભાસ ✔

સમજૂતી: ભ્રમણા ત્યારે થાય છે જ્યારે AI આત્મવિશ્વાસપૂર્વક એવી માહિતી ઉત્પન્ન કરે છે જે વાસ્તવમાં અસ્તિત્વમાં નથી (બનાવટી પદાર્થ, રદ કરાયેલ નિયમન, ખોટી સંખ્યા). કાયદાના ક્ષેત્રમાં, આ સૌથી ખતરનાક જોખમોમાંનું એક છે, કારણ કે તે અધિકારોની ખોટ અને વહીવટી કાર્યવાહીને રદ કરી શકે છે.

3. YZ દ્વારા નિર્દેશિત નિયમન લેખના આધારે અધિકારી અરજીને નકારવા જઈ રહ્યા છે. સૌથી યોગ્ય વર્તન કયું છે?

• A) AI સીધા જ અસ્વીકાર લખે છે કારણ કે તે આત્મવિશ્વાસપૂર્ણ લાગે છે
• B) આ જ પ્રશ્ન અન્ય AI વાહનને પૂછો અને પુષ્ટિ મેળવો
• C) Çözüm.gov.tr પર વર્તમાન એકીકૃત ટેક્સ્ટમાંથી લેખની પુષ્ટિ કરે છે ✔
• ડી) મૌખિક રીતે ઉચ્ચ અધિકારીને નિર્ણય પૂછે છે

વર્ણન: એઆઈનો તાલીમ ડેટા ચોક્કસ તારીખે સ્થિર થાય છે; તે જે લેખ બતાવે છે તે કદાચ રદ કરવામાં આવ્યો છે અથવા બદલાયો છે. નિર્ણય પહેલા Çözüm.gov.tr ​​પર વર્તમાન એકીકૃત ટેક્સ્ટમાંથી લેખ અમલમાં છે અને તેનું અંતિમ સંસ્કરણ અયોગ્ય અસ્વીકાર અને સંભવિત રદ થવાના દાવાને અટકાવે છે તેની પુષ્ટિ કરવી.

4. નાગરિક ચેટબોટ માટે 'મને ખબર નથી, હું તમને અધિકારીને સ્થાનાંતરિત કરી રહ્યો છું' એમ કહી શકવા માટે શા માટે ગુણવત્તાની ખાતરી છે?

• A) ટર્નઓવર દર વધારીને આંકડા સુધારે છે
• બી) અચોક્કસ હોવા પર મનુષ્યોને માહિતી સોંપીને ખોટી માહિતી અટકાવે છે ✔
• C) નાગરિકોનું ધ્યાન ભટકાવીને કૉલનો સમય લંબાવે છે
• ડી) ચેટબોટને ઓછા પ્રશ્નો પ્રાપ્ત કરવાની મંજૂરી આપે છે

સમજૂતી: જાહેરમાં, વિશ્વાસપૂર્વક ખોટો જવાબ પ્રામાણિક લેવા કરતાં વધુ ખર્ચાળ છે; તે સંસ્થાના અધિકારોની ખોટ અને અવિશ્વાસ તરફ દોરી જાય છે. અચોક્કસ હોવા પર ચેટબોટને માનવને સોંપવાની ક્ષમતા એ સલામતી પદ્ધતિ છે જે ભ્રામક ખોટી માહિતીને અટકાવે છે.

5. AI સાથે સત્તાવાર પત્રવ્યવહારને 'સરળ' કરતી વખતે ધ્યાનમાં લેવાનું સૌથી મહત્વપૂર્ણ જોખમ શું છે?

• A) ટેક્સ્ટ ખૂબ ટૂંકો છે
• બી) ફોન્ટ બદલવું
• સી) શરત અથવા અપવાદ છોડવો ✔
• ડી) સરનામાંના નામની ખોટી જોડણી

સમજૂતી: શૈલીયુક્ત અનુકૂલન સામગ્રીને બદલવી જોઈએ નહીં. સરળીકરણ કરતી વખતે, AI કેટલીકવાર અપવાદ, સ્થિતિ અથવા અવધિમાં ઘટાડો કરે છે. તેથી, સરળ લખાણની તુલના હંમેશા મૂળ નિર્ણય અથવા કાયદા સાથે કરવી જોઈએ.

6. નામ અને ટી.આર. ડેટા સેટમાં. જ્યારે 'પડોશ + જન્મનું વર્ષ + વિકલાંગતાનો પ્રકાર' ના સંયોજનથી વ્યક્તિ ઓળખી શકે છે તો પણ ID નંબર કાઢી નાખવામાં આવ્યો હોય ત્યારે તમે તેને શું કહેશો?

• A) પુનઃવ્યાખ્યા ✔
• બી) ડેટા મિનિમાઇઝેશન
• સી) કવરેજ દર
• ડી) એકીકરણ

સમજૂતી: પુનઃ ઓળખાણ એ અનામી માનવામાં આવતા ડેટામાંથી પરોક્ષ ઓળખકર્તાઓના સંયોજન દ્વારા વ્યક્તિને શોધવાનો છે. જો કોઈ એક વ્યક્તિમાં દુર્લભ શ્રેણી જોવા મળે છે, તો નામ કાઢી નાખવું પૂરતું નથી; વધારાના પગલાં જરૂરી છે, જેમ કે ઉંમરને શ્રેણીમાં રૂપાંતરિત કરવી અને દુર્લભ શ્રેણીઓને જોડવી.

7. જ્યારે નિરીક્ષણ મોડેલ એવા પડોશને 'જોખમી' તરીકે ચિહ્નિત કરે છે જેનું ભૂતકાળમાં ભારે નિરીક્ષણ કરવામાં આવ્યું હોય અને ત્યાં વધુ નિરીક્ષણો મોકલે છે, જે મોડેલને તે પડોશને વધુ જોખમી તરીકે જોવા માટે દબાણ કરે છે ત્યારે તેને શું કહેવામાં આવે છે?

• એ) ડેટા મિનિમાઇઝેશન
• બી) આભાસ
• સી) અનામીકરણ
• ડી) પ્રતિસાદ લૂપ ✔

સમજૂતી: પ્રતિસાદ લૂપ એ છે જ્યારે મોડેલનું આઉટપુટ અનુગામી તાલીમ ડેટાને અસર કરે છે, વર્તમાન પૂર્વગ્રહને મજબૂત બનાવે છે. તફાવત વાસ્તવિક જોખમમાં નહીં, પરંતુ જ્યાં દેખાય છે ત્યાં વધે છે. તમારી જાતને બચાવવાની રીત એ છે કે અસરનું નિરીક્ષણ કરવું, આઉટપુટ પર નહીં, અને નિર્ણયોના જૂથ-આધારિત વિતરણને નિયંત્રિત કરવું.

8. લાભો માટેની અરજી સંપૂર્ણપણે ઓનલાઈન થઈ ગયા પછી, પ્રથમ મહિનામાં અરજીઓની સંખ્યામાં 30 ટકાનો ઘટાડો થયો. આ માટે સૌથી વધુ સંભવિત સમજૂતી શું છે?

• A) નાગરિકોની વાસ્તવિક જરૂરિયાતો ઘટી છે
• બી) ઈન્ટરનેટ અને ડિજિટલ સાક્ષરતા વગરના નાગરિકોને છોડી દેવામાં આવ્યા હતા ✔
• C) વ્યાજ ઘટ્યું કારણ કે સહાયની રકમ ઘટી છે
• ડી) સિસ્ટમે તમામ એપ્લિકેશનોને આપમેળે મંજૂર કરી છે

વર્ણન: ડિજિટલ વિભાજન એ નાગરિકોની ઇન્ટરનેટ ઍક્સેસ અથવા સેવાઓને ઍક્સેસ કરવામાં ડિજિટલ સાક્ષરતા વિનાની અસમર્થતા છે. સંખ્યા ઘટે છે કારણ કે સૌથી વધુ જરૂરિયાતમંદ જૂથ, વૃદ્ધો અને ઇન્ટરનેટ વિનાના નાગરિકો અરજી કરી શકતા નથી. ઉકેલ એ છે કે સહાયિત રેફરલ પોઈન્ટ જેવી વૈકલ્પિક ચેનલો છોડી દેવી.

9. જ્યારે વાર્ષિક અહેવાલમાં વાસ્તવિક સફળતા દર 63 ટકા છે, YZ દ્વારા ઉત્પાદિત એક્ઝિક્યુટિવ સારાંશ કહે છે કે 'મોટાભાગની અરજીઓ હકારાત્મક હતી.' યોગ્ય વર્તન શું છે?

• A) અભિવ્યક્તિ જેમ છે તેમ છોડી દેવામાં આવે છે કારણ કે તે હકારાત્મક છે.
• બી) ગુણોત્તર કાઢી નાખવામાં આવે છે અને માત્ર ગુણાત્મક અભિવ્યક્તિનો ઉપયોગ થાય છે
• C) અભિવ્યક્તિને વાસ્તવિક સંખ્યા 63 ટકા સાથે બદલવામાં આવે છે ✔
• ડી) રિપોર્ટમાંથી સારાંશ સંપૂર્ણપણે દૂર કરવામાં આવ્યો છે

સમજૂતી: જાહેર અહેવાલમાં અતિશયોક્તિપૂર્ણ હકારાત્મક ધારણા સંસ્થાને અનુગામી ઓડિટમાં મુશ્કેલ પરિસ્થિતિમાં મૂકે છે. એક્ઝિક્યુટિવ સારાંશમાં દરેક દાવાની તુલના કાચા ડેટા સાથે કરવી જોઈએ અને વાસ્તવિક સંખ્યા (63 ટકા) લખવી જોઈએ; AI સારાંશ ઓડિટ કર્યા વિના અહેવાલમાં સમાવિષ્ટ નથી.

10. જાહેર ક્ષેત્રમાં ડેટા-આધારિત નિર્ણયો લેતી વખતે, જો 'માસિક બંધ કરાયેલી ફાઇલોની સંખ્યા' વધે છે જ્યારે 'પ્રથમ સંપર્કમાં રીઝોલ્યુશન રેટ' ઘટે છે, તો આ આપણને પ્રથમ શું શીખવે છે?

• A) સંખ્યાના ગુણાકાર કરતાં યોગ્ય સૂચક પસંદ કરવાનું વધુ મહત્વનું છે ✔
• બી) કર્મચારીઓની સંખ્યા વધારવી જોઈએ
• સી) ગ્રાફ રંગીન હોવા જોઈએ
• ડી) ચેટબોટ વધુ પ્રશ્નોના જવાબ આપવા જોઈએ

સમજૂતી: ખોટો સૂચક સાચા ડેટા સાથે પણ ખોટા નિર્ણય તરફ દોરી જાય છે. ફાઇલો ઝડપથી બંધ અને ફરીથી ખોલવામાં આવી શકે છે. યોગ્ય સૂચક પસંદ કરવાનું અને સૂચકાંકોને એકસાથે વાંચવાથી માત્ર ભ્રામક સંખ્યાના આધારે બડાઈ મારવાનું અટકાવે છે.

11. ચાર્ટમાં, ઊભી અક્ષ શૂન્યને બદલે 40 થી શરૂ થાય છે અને 2 ટકાનો વધારો નાટકીય કૂદકા જેવો દેખાય છે તે કઈ સમસ્યાનું ઉદાહરણ છે?

• એ) આભાસ
• બી) ડેટા મિનિમાઇઝેશન
• સી) ડિજિટલ વિભાજન
• ડી) ભ્રામક વિઝ્યુલાઇઝેશન ✔

સમજૂતી: ગેરમાર્ગે દોરનારું વિઝ્યુલાઇઝેશન શૂન્યથી શરૂ ન થતું અક્ષ, અપ્રમાણસર સ્કેલ અથવા પસંદ કરેલ સમયગાળો જેવી તકનીકો દ્વારા ખ્યાલને વિકૃત કરે છે. તે જાહેર ડેટામાં પ્રામાણિક દ્રશ્ય શાસનનો ભાગ છે; અક્ષને શૂન્ય તરફ ખેંચીને વાસ્તવિક કોષ્ટક બતાવવું જોઈએ.

12. વહીવટી કાર્યવાહીના સમર્થન તરીકે 'એઆઈએ લખ્યું છે' એવું કહેવું શા માટે અસ્વીકાર્ય છે?

• A) કારણ કે AI સાધનો ખૂબ ખર્ચાળ છે
• B) વહીવટી કાર્યવાહી વાજબી હોવી જોઈએ અને જવાબદારી અધિકારીની છે ✔
• C) કારણ કે AI ટર્કિશ જાણતું નથી
• ડી) કારણ કે નાગરિકોને AI પસંદ નથી

સમજૂતી: વહીવટી કાર્યવાહી તર્કબદ્ધ અને ઓડિટેબલ હોવી જોઈએ; જવાબદારી એઆઈની નથી, પરંતુ જાહેર અધિકારી અને સંસ્થાની છે જે તેની ચકાસણી કર્યા વિના આઉટપુટનો ઉપયોગ કરે છે. 'એઆઈએ આમ કહ્યું' એ વાજબી નથી અને વહીવટી કાર્યવાહીને ટકાવી રાખતું નથી.

13. જાહેર ક્ષેત્રમાં AI ના ઉપયોગને ખાનગી ક્ષેત્રથી અલગ પાડતા ચાર સિદ્ધાંતો કયા છે અને તે ઉપરાંત અવલોકન કરવું જોઈએ?

• એ) ઝડપ, સસ્તીતા, નફાકારકતા, સ્પર્ધા
• બી) ઓટોમેશન, સ્કેલ, માર્કેટિંગ, બ્રાન્ડ
• સી) સમાનતા, પારદર્શિતા, જવાબદારી, વ્યક્તિગત ડેટાનું રક્ષણ ✔
• ડી) ગોપનીયતા, ગોપનીયતા, ગોપનીયતા અને ગોપનીયતા

સમજૂતી: એવા કાર્યોમાં જ્યાં જાહેર શક્તિનો ઉપયોગ કરવામાં આવે છે, AI સમાનતાના સિદ્ધાંતો (સમાન પરિસ્થિતિની સમાન સારવાર), પારદર્શિતા (નિર્ણયના વાજબીતાની સ્પષ્ટતા), જવાબદારી (દરેક વ્યવહાર અને ઓડિટ ટ્રેઇલ માટે જવાબદાર) અને વ્યક્તિગત ડેટા (KVKK) ના રક્ષણ દ્વારા ઘડવામાં આવે છે.

14. ઓટોમેટેડ પ્રીફ્લાઇટ સિસ્ટમ જ્યારે દુર્લભ દસ્તાવેજ પ્રકાર વિશે અચોક્કસ હોય ત્યારે શું કરવું જોઈએ?

• A) અરજી ચૂપચાપ નામંજૂર કરવી
• બી) એપ્લિકેશનને માનવ સમીક્ષા માટે ફોરવર્ડ કરવી ✔
• સી) એપ્લિકેશનને આપમેળે મંજૂર કરો
• ડી) એપ્લિકેશન કાઢી નાખો

સમજૂતી: સારું ઓટોમેશન મોડલને અધિકારીને નિર્દેશિત કરે છે જ્યારે તે અચોક્કસ હોય તેને ચૂપચાપ નકારવાને બદલે. નહિંતર, કાયદેસરની અરજીઓ અંધ સ્પોટમાં પડી જશે અને ભોગ બનવું પડશે. લોકોને નિર્ણયના તબક્કે રાખવા એ અપવાદ વ્યવસ્થાપનનો આધાર છે.